Sie sind auf Seite 1von 48

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DA BAHIA - IFBA

CÁLCULO NUMÉRICO

Allan de Sousa Soares

Vitória da Conquista - BA
2012
Sumário

1 Solução de Equações com Uma Variável


Localização de Zeros 4
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Método de Localização de Zeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Solução de Equações com Uma Variável


Método da Bissecção 6
2.1 Método da Bissecção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Solução de Equações com Uma Variável


Método do Ponto Fixo 8
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Método do Ponto Fixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4 Solução de Equações com Uma Variável


Método de Newton 11
4.1 Método de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Método da Secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

5 Solução de Equações com Uma Variável


Zeros de um Polinômio 14
5.1 Zeros de um Polinômio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.2 Multiplicidade de um Zero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

6 Interpolação e Aproximação Polinomial


Polinômio de Lagrange 17

1
6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.2 Polinômio Interpolador de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

7 Interpolação e Aproximação Polinomial


Diferenças Divididas Finitas - DDF 21
7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2 Fórmula do Polinômio Interpolador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

8 Teoria da Aproximação
Aproximação Discreta dos Mı́nimos Quadrados 23
8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
8.2 Mı́nimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
8.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

9 Integração Numérica
Regra do Trapézio e Regra de Simpson 28
9.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
9.2 Regra dos Trapézios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
a
9.3 1 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
9.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

10 Integração Numérica
Quadratura Gaussiana 31
10.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
10.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

11 Solução de Sistemas Lineares


Método Direto de Gauss 34
11.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
11.2 Método De Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
11.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

12 Solução de Sistemas Lineares


Método Direto da Decomposição LU 37
12.1 Decomposição LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
12.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2
13 Solução de Sistemas Lineares
Método Iterativo de Jacobi 40
13.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
13.2 Método Iterativo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
13.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

14 Solução de Sistemas Lineares


Método Iterativo de Gauss-Sidel 44
14.1 Método Iterativo de Gauss-Sidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
14.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

15 Solução de Sistemas Lineares


Número Condicional 46
15.1 Número Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
15.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3
Capı́tulo 1

Solução de Equações com Uma Variável


Localização de Zeros

1.1 Introdução
Um dos problemas mais importantes em matemática é o de se obter os zeros de uma função real. Em outras
palavras, dada uma função f (x), gostariamos de encontrar p tal que f (p) = 0. Por exemplo, a função f (x) = x2 −5x+6
tem dois zeros reais, p1 = 2 e p2 = 3.

Definição 1.1. Dizemos que uma função f : I → R é contı́nua em um ponto c, se para toda sequência (xn ) em I,
tivermos
limn→∞ xn = c ⇒ limn→∞ f (xn ) = f (c).

Observação 1.2. A grosso modo, dizemos que f (x) é contı́nua, se ao traçarmos seu gráfico não levantarmos o lápis
do papel. Busque em livros de cálculo exemplos de funções contı́nuas!

Teorema 1.3. Se f (x) é uma função contı́nua definida no itervalo [a, b] tal que f (a)f (b) < 0, então f (x) possui pelo
menos um zero em [a, b].

1.2 Método de Localização de Zeros


Veremos agora um método para isolar zeros de uma função em intervalos. Estamos interessados em obter intervalos
onde existe um único zero.
Considere o gráfico da função f (x) a seguir:

Veja que g(x) possui três zeros em [a, b]. Gostarı́amos de encontrar uma partição deste intervalo, digamos P = {p1 =
a, p2 , . . . , pn = b}, onde pj = pj−1 + γ para γ escolhido, isolando cada zero em um subintervalo (pk−1 , pk ).

4
Exemplo 1.4. Considere a função f (x) = 16x3 − 22x − 5 no intervalo [−2, 2]. Tomando uma partição com γ = 21 ,
podemos construir a seguinte tabela

P −2 − 32 −1 − 12 0 1
2 1 3
2 2
f (P) − − + + − − − + +

Logo, f (x) possui, pelo Teorema 1.3, zeros nos subintervalos [− 32 , −1], [− 21 , 0] e [1, 32 ].

1.3 Exercı́cios
Exercı́cio 1: Dada as funções a seguir, determine os subintervalos (se existirem) contendo algum zero:
a) f (x) = x3 − 7x + 6, [−4, 3], γ = 0, 7
b) f (x) = x5 + 8x2 − 8, [−1, 1], γ = 0, 4
c) f (x) = ex − 3x2 + 2, [−2, 2], γ = 0, 5
d) f (x) = x4 + 1, [−5, 5], γ = 0, 5
Resposta: a) [−3, 3; 2, 6], [0, 9; 1, 6], [1, 6; 2, 3], b) [0, 6; 1], c) [−1; −0, 5], [1; 1, 5], d) não há zeros nesta partição.

Exercı́cio 2: Considerando a função f (x) = 1000x3 − 600x2 + 110x − 6, no intervalo, [−0, 25; 0, 75] encontre
a) usando γ = 0, 5, subintervalo(s) contendo algum zero.
b) usando γ = 0, 2, subintervalo(s) contendo algum zero.
c) usando γ = 0, 1, subintervalo(s) contendo algum zero.
d) o que você pode notar à medida que se diminuia γ, isto é a medida que cada partição do intervalo [−0, 25; 0, 75]
era refinada?
Resposta: a) [0, 25; 0, 75], b) [−0, 05; 0, 15], c) [0, 25; 0, 35], [−0, 05; 0, 05], d) Se diminuirmos γ mais ainda, pode ser
que encontremos mais um zero de f (x) em algum subintervalo do intervalo [−0, 25; 0, 75]. O fato de refinarmos uma
partição não é garantia de que obteremos um subintervalo contendo ao menos um zero (real), ou aumentemos o número
de subintervalos nos quais tenhamos ao menos zero (real). Isso pode ser visto se tentarmos refinar a partição dada
no item d) do exercı́cio anterior, uma vez que esta função f (x) = x4 + 1 não possui zero real algum (verifique!). Um
outro caso em que o refinamento de nada adianta, é aquele em que estamos procurando zeros de uma função num
dado intervalo onde esta não possui zeros, como por exemplo, se tentarmos refinar uma partição qualquer do intervalo
[−1, 1] considerando f (x) = x2 − 5x + 6. Não obteremos subintervalo algum contendo zeros, umas vez que os zeros de
f (x) são 2 e 3 (função polinomial de grau 2).

1
Exercı́cio 3: Note que a função f (x) = x é tal que f (−1).f (1) < 0. Podemos afirmar que f (x) possui ao me-
nos um zero no intervalo [−1, 1]?
Resposta: Não, muito embora somos tentados a usar o Teorema 1.3, o que não pode ser feito, uma vez que a função
1
f (x) = x não é contı́nua em x = 0 ∈ [−1, 1].

Exercı́cio 4: É possı́vel que uma função contı́nua f (x), definida em um intervalo [a, b], tenha algum zero em [a, b],
no caso em que f (a).f (b) > 0?
Resposta: Sim, basta considerar a função f (x) = x2 − 5x + 6 no intervalo [0, 4]. Ela é tal que f (0).f (4) = 6.2 = 12 > 0,
mas, como já sabemos, esta função tem dois zeros reais, p1 = 2 e p2 = 3.

5
Capı́tulo 2

Solução de Equações com Uma Variável


Método da Bissecção

2.1 Método da Bissecção


Suponha que f seja contı́nua no intervalo [a, b], com f (a) e f (b) possuindo sinais opostos. Pelo Teorema do Valor
Intermediário existe p ∈ (a, b) com f (p) = 0. O procedimento a seguir funciona nos casos em que se tem mais de
uma raiz no intervalo (a, b), porém assumiremos, por simplificação que a raiz nesse intervalo é única. Este método
consiste em diminuirmos o intervalo [a, b] em outros iguais à metade do anterior e, em cada passo, localizar qual dos
meio-intervalos contém p.
a1 +b1
Para iniciar, consida-se a1 = a, b1 = b e toma-se p1 = 2 (ponto médio de [a, b]). Se f (p1 ) = 0, então p = p1 , e
temos encontrado a solução. Se f (p1 ) 6= 0, então f (p1 ) tem mesmo sinal que f (a1 ) ou f (b1 ). Se f (a1 ).f (p1 ) > 0 então
p ∈ (p1 , b1 ) e fazemos a2 = p1 , b2 = b1 . Se f (a1 ).f (a1 ) < 0, p ∈ (a1 , p1 ), e fazemos a2 = a1 , b2 = p1 . Reaplicamos o
processo em [a2 , b2 ], . . ., [an , bn ], . . . até que obtermos f (p) = 0 ou |an − bn | < δ, onde δ é a precisão desejada.

Exemplo 2.1. Utilizemos o método da Bissecção para encontrar a solução contida no intervalo [0, 1], com precisão
de 10−2 (isto é, δ < 10−2 ) para x3 − 7x2 + 14x − 6 = 0.
Solução: Observe a tabela a seguir

n an pn bn δn f (pn )
1 0(−) 0, 5(−) 1(+) 0, 5 −0, 625
2 0, 5 0, 75(+) 1 0, 25 0, 984375
3 0, 5 0, 625(+) 0, 75 0, 125 0, 259765625
4 0, 5625 0, 5625(−) 0, 625 0, 0625 −0, 161865234
5 0, 5625 0, 59375(+) 0, 625 0, 03125 0, 054046631
6 0, 5625 0, 578125(−) 0, 59375 0, 015625 −0, 052623749
7 0, 578125 0, 5859375 0, 59375 0, 0078125 0, 001031399

Logo, a solução é p7 = 0, 5859375 com δ7 = 0, 0078125.

Observação 2.2. Para determinarmos o número de iterações (N ) necessárias para se obter uma solução, no intervalo
[a, b], de uma equação da forma f (x) = 0, com uma precisão de 10−n , basta utilizarmos a fórmula a seguir:

n + log10 (b − a)
N> .
log10 2
Busque de onde vem a estimativa acima?

6
2.2 Exercı́cios
Exercı́cio 1:Utilize o método da Bissecção para encontrar a solução, com precisão de 10−2 , para x3 −7x2 +14x−6 = 0
no intervalo [1; 3, 2]. Só há mais esta solução?
Resposta: p8 = 3, 002. Há mais uma solução, consulte o professor!

Exercı́cio 2: Utilize o método da Bissecção para encontrar uma solução com precisão de 10−3 para x = tg(x)
no intervalo [4; 4, 5].
Resposta: p9 = 4, 4932.


Exercı́cio 3: No cálculo de 3
25, com precisão de 10−4 , por meio da aplicação do método da Bissecção, obte-
mos pn = 2, 92401. Qual o valor de n? Você tem idéia de qual é a equação f (x) = 0 pode ser utilizada neste caso?
Resposta: n = 14, f (x) = x3 − 25.

Exercı́cio 4: O método da Bissecção pode ser aplicado para se encontrar uma solução para a equação x4 − 2x + 1 = 0,
no intervalo [−2, 2], com precisão δ dada? Existe alguma solução p ∈ (−2, 2) tal que f (p) = 0? Caso tenha alguma
solução em (−2, 2), mas não seja possı́vel aplicar o método da bissecção ao intervalo fechado[−2, 2], você conseguiria
ajustar algum dado fornecido para que este método seja aplicável?
Resposta: Simples, veja com o professor.

Exercı́cio 5: Escreva um algoritmo para o método da Bissecção. Por meio deste algoritmo deve ser possı́vel en-
contrar uma solução para f (x) = 0 dada a função f contı́nua no intervalo [a, b], onde f (a) e f (b) têm sinais opostos.
Resposta: Veja em livros de cálculo numérico.

7
Capı́tulo 3

Solução de Equações com Uma Variável


Método do Ponto Fixo

3.1 Introdução
Um número p é um ponto fixo para uma função g se g(p) = p.

Exemplo 3.1. Os pontos fixos da função g(x) = x2 − 2, para −2 ≤ x ≤ 3 são x = −1 e x = 2, uma vez que
g(−1) = −1 e g(2) = 2.

Teorema 3.2. a) Se g é contı́nua em [a, b] e g(x) ∈ [a, b], para todo x ∈ [a, b], então g tem um ponto fixo em [a, b].
b) Se, adicionalmente, g 0 (x) existe em (a, b) e uma constante positiva k < 1 existe, tal que |g 0 (x)| ≤ k, para todo
x ∈ (a, b), então o ponto fixo em [a, b] é único.

Demonstração. a) Se g(a) = a ou g(b) = b acabou. Do contrário, g(a) > a e g(b) < b. Note que a função h(x) = g(x)−x
é contı́nua em [a, b] com h(a) = g(a) − a > 0, h(b) = g(b) − b < 0. Logo, pelo Teorema do Valor Intermediário existe
p ∈ (a, b) tal que h(p) = 0, isto é,
g(p) − p = 0 ⇒ g(p) = p.

b) Suponha que |g 0 (x)| ≤ k < 1 e p, q pontos fixos em [a, b]. Se p 6= q, o Teorema do Valor Médio assegura que existe
g(p)−g(q)
ξ entre p e q tal que g 0 (ξ) = p−q . Logo,

|p − q| = |g(p) − g(q)| = g 0 (ξ)|p − q| ≤ k|p − q| < |p − q|,

o que é uma contradição. Assim, p = q.

x2 −1
Exemplo 3.3. Seja g(x) = 3 em [−1, 1]. Traçando-se o gráfico de g percebe-se que g(x) ∈ [−1, 1]. Além disso, g
é contı́nua em [−1, 1] e |g 0 (x)| = | 2x
3 |≤
2
3 para todo x ∈ (−1, 1). Logo, o Teorema 3.2 assegura que g possui um único
ponto fixo em [−1, 1].

3.2 Método do Ponto Fixo


Para obter o valor aproximado do ponto fixo de uma função g, escolhemos uma aproximação inicial p0 e geramos
a sequência (pn ) fazendo pn = g(pn−1 ) para cada n ≥ 1. Se a sequência converge para p e g é contı́nua, então

p = limn→∞ pn = limn→∞ g(pn−1 ) = g(limn→∞ pn−1 ) = g(p),

e obtemos a suolução para x = g(x).


Agora, vejamos um algoritmo para o Método da Iteração Linear.

8
Algoritmo 3.4. Método da Iteração Linear
Entrada: g(x) = x, p0 , δ
p1 = g(p0 )
n=1
enquanto |pn − pn−1 | < δ
n=n+1
pn = g(pn−1 )
fimenquanto
Saı́da: pn

Dada uma função f (x) a qual buscamos algum zero por meio do Método da Iteração Linear, devemos obter a
função auxiliar g(x) = x. Ela é nomalmente obtida fazendo-se f (x) = 0 e por meio de manipulação algébrica desta
última equação deve-se obter g(x) = x, tal que g(x) satisfaça o Teorema 3.2.

Exemplo 3.5. Seja f (x) = x3 − 31x + 1, no intervalo [0, 2]. Utilizemos o Método da Iteração Linear, para encontrar
uma solução p para f (x) com precisão de 10−3 e chute inicial p0 = 1.
Solução: Uma possı́vel escolha para a função g(x) pode ser obtida da seguinte forma:
x3 − x + 1
x3 − 31x + 1 = 0 ⇔ x3 − x − 30x + 1 = 0 ⇔ 30x = x3 − x + 1 ⇔ x = .
30
x3 −x+1
Logo, g(x) = 30 . Aplicando as iterações, temos:

n g(pn ) δn
1 0, 033333333 0, 966666667
2 0, 032223457 0, 001109877
3 0, 032260333 0, 0000368766
Logo, a solução é p3 = 0, 032260333.

Exemplo 3.6. A equação x3 +4x2 −10 = 0 tem uma única raiz no intervalo [1, 2]. Por meio de manipulação algébrica,
podemos obter várias equações para a forma de ponto fixo x = g(x). Vejamos:
1/2 1/2
a) x = g1 (x) = x − x3 − 4x2 + 10; b) x = g2 (x) = 10
x − 4x ; c) x = g3 (x) = 1
2 10 − x3 ;
 1/2
10 x3 +4x2 −10
d) x = g4 (x) = 4+x ; e) x = g5 (x) = x − 3x2 +8x .
Surge então uma pergunta: Será que existe uma melhor escolha para a função auxiliar g(x)? Se sim, qual das funções
acima deve ser escolhida? A tabela a seguir nos responde a estas questões.

n (a) (b) (c) (d) (e)


0 1, 5 1, 5 1, 5 1, 5 1, 5
1/2
3 −469, 7 (−8, 65) 1, 345458374 1, 364957015 1, 365230014
8
4 1, 03.10 1, 375170253 1, 365264748 1, 365230013
15 1, 365223680 1, 365230013
30 1, 365230013
Teorema 3.7. Seja g uma função contı́nua em [a, b] e g(x) ∈ [a, b] para todo x ∈ [a, b]. Suponha, adicionalmente, que
g 0 exista em (a, b) e que uma constante 0 < k < 1 exista, com |g(x)| < k, para todo x ∈ (a, b). Então, para qualquer
número p0 ∈ [a, b], a sequência definida por pn = g(pn−1 ), para n ≥ 1 converge para o ponto fixo único p ∈ [a, b].

3.3 Exercı́cios
Exercı́cio 1: Utilize manipulações algébricas para mostrar que cada uma das funções a seguir tem um ponto fixo em
p precisamente quando f (p) = 0, para f (x) = x4 + 2x2 − x + 3.

9
a) g1 (x) = (3 + x − 2x2 )1/4 ;
 4
1/2
b) g2 (x) = x+3−x 2 ;
 1/2
c) g3 (x) = xx+3
2 +2 .
Resposta: Tente até conseguir. Dica, tente o caminho inverso e depois arrume!

Exercı́cio 2: Os quatro métodos a seguir são propostos para se calcular 211/3 . Ordene-os, com base na veloci-
dade aparente de convergência, assumindo p0 = 1.
20pn−1 +21/p2n−1
a) pn = 21 ;
p3n−1 −21
b) pn = pn−1 − 3p2 ;
n−1
4
p −21pn−1
c) pn = pn−1 − n−1 p2n−1 −21
;
 1/2
21
d) pn = pn−1 .
Resposta: A ordem, por velocidade de convergência descendente, é (b), (d), (a). A sequência em (c) não converge.

Exercı́cio 3: Utilize o método de iteração do ponto fixo para determinar uma solução com precisão de 10−2 para
x4 − 3x2 − 3 = 0.
Resposta: Com g(x) = (3x2 + 3)1/4 e p0 = 1, p6 = 1, 94332 é preciso até 0, 01.


Exercı́cio 4: Utilize o método de iteração de ponto fixo para encontrar uma aproximação para 3 com precisão
de 10−4 .
Resposta: Para p0 = 1 e g(x) = 21 (x + x3 ), temos p4 = 1, 73205.

10
Capı́tulo 4

Solução de Equações com Uma Variável


Método de Newton

4.1 Método de Newton


O Método de Newton, apresentado a seguir, é um dos mais poderosos métodos numéricos conhecidos para resolver
o problema de se encontrar as raı́zes de uma função. Introduziremos o Método de Newton utilizando o polinômio de
Taylor.
Suponhja que f seja diferenciável e que f 00 seja contı́nua em [a, b]. Seja x̄ ∈ [a, b] uma aproximação de p tal que
f 0 (x̄) 6= 0 e |p − x̄| é ”pequeno”. Considere o polinômio de Taylorde primeiro grau para f (x) expandido em torno de
x̄,
(x − x̄)2 00
f (x) = f (x̄) + (x − x̄)f 0 (x̄) + f (ξ(x)),
2
onde ξ(x) está entre x e x̄. Como f (p) = 0, fazendo x = p, temos

(p − x̄)2 00
f (p) = 0 = f (x̄) + (p − x̄)f 0 (x̄) + f (ξ(p)).
2
Desde que |p − x̄| é pequeno, podemos ignorar o termo(p − x̄)2 que é muito menor. Portanto,

0 ≈ f (x̄) + (p − x̄)f 0 (x̄).

Isolando p temos
f (x̄)
p ≈ x̄ − .
f 0 (x̄)
A figura a seguir ilustra como as aproximações são obtidas utilizando-se sucessivas tangentes. Iniciando-se com
uma aproximação inicial p0 , a aproximação p1 é o valor em que a linha da tangente ao gáfico de f em (p0 , f (p0 ))
intercepta o eixo dos x. Por sua vez, p2 é o valor em que a tangente ao gráfico de f em (p1 , f (p1 )) conrta o eixo dos
x, e assim por diante.

11
Acima, foi dito que |p − x̄| tem que ser ”pequeno”. O que isto significa? Pequise! Além disso, busque ao menos
um exemplo de uma equação f (x) = 0 para a qual, uma certa aproximação inicial p0 não produza resultados muito
bons, mas uma segunda aproximação p00 , mais ”próxima”de p leve a uma boa aproximação do zero de f (x) = 0.

Exemplo 4.1. Suponha que queiramos calcular,com aproximação, o valor do ponto fixo de f (x) = cos(x). Usando
iteração do ponto fixo, com p0 = π/4 e x = g(x) = cos(x), o máximo que podemos concluir é que p ≈ 0, 74, conforme
mostra a tabela a seguir:
n pn
0 0, 7853981635
1 0, 7071067810
2 0, 7602445972
.. ..
. .
6 0, 7434642113
7 0, 7361282565
Por outro lado, utilizando o Método de Newton na função auxiliar h(x) = f (x) − x = cos(x) − x. Assim, f 0 (x) =
−sen(x) − 1, donde obtemos a seguinte sequência de iteração:
cos(pn−1 ) − pn−1
pn = pn−1 − , n ≥ 1.
−sen(pn−1 ) − 1
Os resultados obtidos são mostrados na tabela a seguir:

n pn
0 0, 7853981635
1 0, 7395361337
2 0, 7390851781
3 0, 7390851332
4 0, 7390851332
Ao que se pode ver, analisando-se os valor de p3 e p4 que o Método de Newton é muito mais rápido que a iteração do
ponto fixo.

4.2 Método da Secante


Embora o Método de Newton é uma técnica extremamente poderosa, ele apresenta uma fraqueza: a necessidade
de se conhecer o valor da derivada de f em cada aproximação. Frequentemente, f 0 (x) apresenta muito mais dificuldades

12
e necessita de mais operações aritméticas para ser calculada do que f (x). Na tentativa de se evitar este problema,
introduzimos o Método da Secante. Este método trata-se de uma pequena variação do Método de Newton.
Por definição,
f (x) − f (pn−1 )
f 0 (pn−1 ) = limx→pn−1 .
x − pn−1
Fazendo x = pn−2 , temos
f (pn−1 ) − f (pn−2 )
f 0 (pn−1 ) ≈ .
pn−1 − pn−2
Utilizando essa aproximação para f 0 (pn−1 ) na fórmula de Newton, temos que

pn−1 − pn−2
pn = pn−1 − f (pn−1 ) .
f (pn−1 ) − f (pn−2 )
Busque uma interpretação geométrica para o Método da Secante!

4.3 Exercı́cios
Exercı́cio 1: Seja f (x) = x2 − 6 e p0 = 1. Use o método de Newton para achar p2 .
Resposta: p2 = 2, 60714.

Exercı́cio 2: Use o método de Newton para encontrar soluções com precisão de 10−4 para os seguintes proble-
mas:
a) x3 − 2x2 − 5 = 0, [1, 4];
b) x − cos(x) = 0, [0, π/2];
c) x3 + 3x2 − 1, [−3, 2];
d) x − 0, 8 − 0, 2sen(x) = 0, [0, π/2].
Resposta: a) Para p0 = 2, temos p5 = 2, 69065; b) Para p0 = −3, temos p3 = −2, 87939; c) Para p0 = 0, temos
p4 = 0, 73909; d) Para p0 = 0, temos P3 = 0, 96434.

Exercı́cio 3: Seja f (x) = x2 − 6. Com p0 = 3 e p1 = 2, ache p3 usando o Método da Secante.


Resposta: 2, 45454

Exercı́cio 4: Estude, para uma equação particular, f (x) = 0 a velocida de convergência dos métodos da Bis-
secção, iteração do ponto fixo, Newton e Secante. Calcule pelo menos 7 iterações para cada um desses métodos, isto
é, encontre pelo menos p7 . Dica: Tome de preferência uma equação cuja solução exata seja conhecida.
Resposta: Aberta!

13
Capı́tulo 5

Solução de Equações com Uma Variável


Zeros de um Polinômio

5.1 Zeros de um Polinômio


Nesta seção buscaremos limitar os zeros de um polinômio qualquer. Nos resultados a seguir consideraremos
apenas polinômios mônicos, ou seja, polinômios no qual o coeficiente do termo de maior grau é igual a 1.
Pn−1 ||ai ||
Teorema 5.1. Seja P (x) = xn + an−1 xn−1 + . . . + a1 x + a0 um polinômio de grau n e a0 6= 0. Se i=0 ||x||n−i <1
e x 6= 0, então p(n) 6= 0.

Demonstração. Temos que !


n−1
n
X ai
P (x) = x 1+ .
i=0
xn−i
Pn−1 ai Pn−1 ||ai ||
Mas || i=0 xn−i || ≤ i=0 ||x||n−i < 1 e portanto P (x) 6= 0.

||a||1/n−i 1
Corolário 5.2. Se ||x|| < 2 para i = 0, . . . , n − 1 e x 6= 0,então P (x) 6= 0.

Teorema 5.3. Seja P (x) = xn + an−1 xn−1 + . . . + a1 x + a0 um polinômio de grau n e a0 6= 0. Se x é um zero de p,


então
||x|| ≤ L,

onde L = 2max0≤i≤n−1 {||a||1/n−i }.

1 ||a||1/n−i0
Demonstração. Negando o corolário 5.2, temos que se P (x) = 0 então existe i0 tal que 2 ≤ ||x|| . Além disso,

||a||1/n−i max0≤i≤n−1 {||a||1/n−i }


≤ .
||x|| ||x||
Assim,
1 max0≤i≤n−1 {||a||1/n−i }
≤ ⇒ ||x|| ≤ 2max0≤i≤n−1 {||a||1/n−i }.
2 ||x||

Exemplo 5.4. Ache o limite superior e inferior dos zeros reais do polinômio P (x) = x3 + 3x2 − 10x + 24
Solução:

L = 2max0≤i≤n−1 {||a||1/n−i } = 2max{||a0 ||1/3 , ||a1 ||1/2 , ||a2 ||} = 2max{241/3 , 101/2 , 3} = 2 10.
√ √
Logo, todos os zeros reais de P (x) estão no intervalo [−2 10, 2 10].

Observação 5.5. Se por exemplo, estivessemos interessados tanto nos zeros complexos, quanto reais no exemplo

acima, teriamos, ao invés de um intervalo, uma bola raio 2 10. Basta observar que ||x|| < L.

14
Sejam ξ0 , . . . , ξn−1 os zeros de P (x). Considere o polinômio P1 (x) = xn P x1 . Assim,


       
n 1 1 n 1 − xξ0 1 − xξn−1
P1 (x) = x − ξ0 . . . ξn−1 = x ... = (1 − xξ0 ) . . . (1 − xξn−1 ).
x x x x
1 1
Assim, os zeros de P1 (x) são ξ0 , . . . , ξn−1 . Aplicando o Teorema 5.3 a P1 (x) temos L1 tal que || x1i || ≤ L1 e portanto
1
L−1 ≤ ξi .Logo, se x é um zero de um polinômio (mônico) qualquer, etnão L1 ≤ ||x|| ≤ L.
No caso de zeros reais podemos dizer que:
1 1 1
−L1 ≤ ≤ L1 ⇒ ξ1 ≤ − e ξ1 ≥ .
ξi L1 L1

Portanto, os zeros reais positivos e negtivos de p(x) estão nos intervalos [−L, − L11 ], [ L11 , L]. Como seria a inter-
pretação deste último caso para zeros complexos?

Exemplo 5.6. Ache os limites L, L1 de P (x) = x3 + 3x2 − 10x + 24.



Solução: No Exemplo 5.4 vimos que L = 2 10. Por outro lado,
   
3 1 3 1 1 1
P1 (x) = x P =x + 3 2 − 10 + 24 = 1 + 3x − 10x2 + 24x3 .
x x3 x x
P1 (x) 1
g1 (x) = 24 = 24 + 18 x − 5 2
12 x + x3
 
1 1/3 1 1/2 5 5 5
L1 = 2max || || , || || , || − || = 2. = .
24 8 12 12 6

√ √
Logo, os zeros reais de f (x) estão nos intervalos [−2 10, − 65 ], [ 56 , 2 10].
P1 (x)
Observação 5.7. No exemplo anterior foi utilizado um polinômio auxiliar g1 (x) = 24 , pois o P1 (x) não era mônico.
Note que todo zero de g1 (x) é um zero de P1 (x) e vice versa. Tome este cuidado nos exercı́cios!

5.2 Multiplicidade de um Zero

Teorema 5.8. Todo polinômio de grau n tem exatamente n zeros reais ou complexos.

Em particular, o polinômio P (x) = x3 + 4x2 + 5x + 2. Temmos que P (x) tem três zeros, porém o conjunto solução
de P (x) = 0 é {−1, −2}. Isto ocorre devido ao −1 ser um zero de multiplicidade 2.
Para se determinar a multiplicidade de um zero, ξ, basta olharmos as derivadas sucessivas aplicadas a ξ. A
multiplicidade, neste caso, é dada pela ordem da última derivada nula, adicionada de 1 (lembre-se que f (x) = f (0) ,
f 0 (x) = f (1) (x), . . ..
Por exemplo, ξ0 = −2 é tal que P (−2) = 0, P (−2) 6= 0 e portanto ξ0 = −2 tem multiplicidade igual a 0 + 1 = 1.
Por outro lado, ξ−1 = −1 é tal que P (−1) = P 0 (−1) = 0, P 00 (x) 6= 0. Portanto, ξ−1 tem multiplicidade 2.

5.3 Exercı́cios
Exercı́cio 1: Ache os limites superior e inferior dos zeros do polinômio P (x) = 2x3 − 3x2 − 2x + 3.
Resposta: L = 3, L1 = 2(2/3)1/3

Exercı́cio 2: Dado P (x) = x3 − 2x2 − 4x + 8 encontre seus zeros reais, com precisão de 10−2 e investigue suas
multiplicidades.

15
Resposta: L = 4, L1 = 1; i) Aplicando-se o Método de Newton a P (x) com x0 = 1 temos x7 = 1, 994391224.
Aplicando-se o Método de Newton a P 0 (x) com x00 = 1, 99431224, obtemos x01 = 2, 000011847, x02 ≈ 2 (precisão do
Excel), o que mostra que 1, 99431224 parece também ser um zero de P 0 (x). Além disso, aplicando-se o Método de
Newton a P 00 (x) e x000 = 1, 99431224 obtemos xn = 4
6 ∀n, que é bem distante de x000 . Logo, x7 é um zero de multiplici-
dade 2 de P (x). Por fim, aplicando-se o Método de Newton a P (x) com x0 = −3, obtemos x4 = −2, 000000152 que é
um zero de multiplicidade 1 (a soma das multiplicidades de todos os zeros, reais e complexos, de um polinômio é igual
a seu grau). Mas isso pode ser verificado aplicando-se o Método de Newton a P 0 (x) com x00 = −2, 000000152.

16
Capı́tulo 6

Interpolação e Aproximação Polinomial


Polinômio de Lagrange

6.1 Introdução
Em uma certa cidade foram feitas medições de sua temperatura a cada hora. A tabela a seguir
mostra a temperatura em graus Celsius de 6h ás 12h.

Hora 6 7 8 9 10 11 12
T emperatura 14 17 21 26 27 23 21

Revendo esses dados podemos perguntar se eles poderia ser utilizados para se fazer uma estimativa
de temperatura, digamos ás 10:30 h do mesmo dia. Previsões desse tipo podem ser feitas por meio de
uma função de ajuste dos dados obtida usando um porcesso chamado interpolação.
Uma das funções mais úteis que mapeiam os números reais em si mesmos é a classe dos polinômios algébricos,

P (x) = an xn + . . . + a1 x + a0 ,

onde n é inteiro não negativo e a0 , . . . , an são constantes reais. O resultado a seguir é central no estudo da interpolação.

Teorema 6.1. Suponha que f esteja definida e seja contı́nua em [a, b]. Então, para cada  > 0, existe P (x) tal que

|f (x) − P (x)| < ,

para todo x ∈ [a, b].

6.2 Polinômio Interpolador de Lagrange


Nesta seção encontraremos polinômios aproximativos que são determinados especificando-se somente certos pontos
através dos quais esses polinõmios devem passar.

Teorema 6.2. Se x0 , x1 , . . . , xn são n+1 números distintos e f é uma função cujos valores são dados nesses números,
então existe um único polinômio P (x) de grau pelo menos n no qual f (xk ) = P (xk ) para todo k = 0, . . . , n. Esse
polinômio é dado por
n
X
P (x) = f (x0 )Ln,0 + f (x1 )Ln,1 + . . . + f (xn )Ln,n = f (xk )Ln,k ,
k=0

onde, para cada k = 0, . . . , n,


(x − x0 )(x − x1 ) . . . (x − xk−1 )(x − xk+1 ) . . . (xk − xn ) (x − xi )
Ln,k (x) = = Πni=0, i6=k .
(xk − x0 )(xk − x1 ) . . . (xk − xk−1 )(xk − xk+1 ) . . . (xk − xn ) (xk − xi )

17
Exemplo 6.3. Utilize os números x0 = 2, x1 = 2, 5 e x2 = 4 para encontrar o segundo polinômio interpolador para
f (x) = 1/x. Calcule uma aproximação para f (3) e compare com o valor real.
Solução: Primeiro calculemos L0 (x), L1 (x), L2 (x).
(x−x1 )(x−x2 ) (x−2,5)(x−4) 2
L0 (x) = (x0 −x1 )(x0 −x2 ) = (2−2,5)(2−4) = x − 6, 5x + 10,
(x−x0 )(x−x2 ) (x−2)(x−4) 4 2 32
L1 (x) = (x1 −x0 )(x1 −x2 ) = (2,5−2)(2,5−4) = − 3 x + 8x − 3 ,
(x−x0 )(x−x1 ) (x−2)(x−2,5) 1 2 5
L2 (x) = (x2 −x0 )(x2 −x1 ) = (4−2)(4−2,5) = 3 x − 1, 5x + 3 .
Como f (x0 ) = f (2) = 0, 5, f (x1 ) = f (2, 5) = 0, 4 e f (x2 ) = f (4) = 0, 25, temos
P2
P (x) = k=0 f (xk )Lk (x) = 0, 5(x2 − 6, 5x + 10) + 0, 4(− 43 x2 + 8x − 32 1 2 5
3 ) + 0, 25( 3 x − 1, 5x + 3 ) =
= 0, 05x2 − 0, 425x + 1, 15.
1
Uma aproximação para f (3) = 3 é dada por
P (3) = 0, 05.32 − 0, 425.3 + 1, 15 = 0, 325.
Comparando com o valor real, f (3), temos

|f (3) − P (3)| = 0, 008333,

onde obtemos uma precisão de 10−2 .

Exemplo 6.4. A tabela a seguir relaciona valores de uma função em diversos pontos. As aproximações para se
calcular f (1, 5) obtidas por vários polinômios de Lagrange será comparada.

Indice x f (x)
0 1, 0 0, 7651977
1 1, 3 0, 6200860
2 1, 6 0, 4554022
3 1, 9 0, 2818186
4 2, 2 0, 1103623

Polinômio de 1o grau: Como 1, 5 está entre 1, 3 e 1, 6, o polinômio linear mais apropriado utiliza x0 = 1, 3 e
x1 = 1, 6. O chamaremos de P1,2 (x)

(1, 5 − 1, 6) (1, 5 − 1, 3)
P1,2 (1, 5) = (0, 6200860) + (0, 4554022) = 0, 5102968.
(1, 3 − 1, 6) (1, 6 − 1, 3)
Polinômio de 2o grau: Dois Polinômios de 2o grau podem ser razoavelmente utilizados, um deles fazendo x0 = 1, 3,
x1 = 1, 6 e x2 = 1, 9, o que nos dá
(1,5−1,6)(1,5−1,9) (1,5−1,3)(1,5−1,9) (1,5−1,3)(1,5−1,6)
P1,2,3 (1, 5) = (1,3−1,6)(1,3−1,9) (0, 6200860) + (1,6−1,3)(1,6−1,9) (0, 4554022) + (1,9−1,3)(1,9−1,6) (0, 2818186) =
= 0, 5112857,
e o outro polinômio fazendo x0 = 1, 0, x1 = 1, 3 e x2 = 1, 6, o que nos dá

P1,2,4 (1, 5) = 0, 5124715.

Polinômio de 3o grau: Temos, também duas escolhas. A primeira é fazendo x0 = 1, 3, x1 = 1, 6, x2 = 1, 9 e


x3 = 2, 2,o que nos dá
P1,2,3,4 (1, 5) = 0, 5118302.

e a segunda escolha de polinômio é aquela fazendo x0 = 1, 0, x1 = 1, 3, x2 = 1, 6 e x3 = 1, 9 e x4 = 2, 2, o que nos dá

P0,1,2,3 (1, 5) = 0, 5118127.

Polinômio de 4o grau: Com x0 = 1, 0, x1 = 1, 3, x2 = 1, 6, x3 = 1, 9 e x4 = 2, 2, o que nos dá

P1,2,3,4 (1, 5) = 0, 5118200.

18
Sabe-se que o valor de f (1, 5) é de aproximadamente 0, 5118277, o que nos leva a concluir que a melhor aproximação
é obtida por meio de P1,2,3,4 (1, 5) ao invés de P0,1,2,3,4 (1, 5), contrariando nossa intuição.

O exemplo acima nos mostra que a intuição as vezes falha. Porém, é possı́vel se conhecer um limite para o erro
onde se conhece algo sobre certa derivada de ordem superior de f .

Teorema 6.5. Seja f (x) = Et (x) + P (x), onde P (x) é o polinômio interpolador de f (x) realtivamente aos pontos
x0 , . . . , xn de [a, b]. Suponha que f (x) seja n + 1 vezes diferenciável em [a, b]. Então existe β ∈ (a, b) tal que

f n+1 (β)
Et (x) = (x − x0 )(x − x1 ) . . . (x − xn ) .
(n + 1)!

Exemplo 6.6. Calcule uma aproximação para log10 (2, 4) sabendo que log10 (2, 00) = 0, 301 e log10 (0, 477). Calcule
um cota superior para o erro e compare com o erro real. (Use log10 (2, 4) = 0, 380.)
Solução:

2, 40 − 3, 00 2, 40 − 2, 00
P (2, 4) = 0, 301 + 0, 477 = 0, 371.
2, 00 − 3, 00 3, 00 − 2, 00
Vemos que o erro absoluto da aproximação é

|log10 (2, 4) − P (2, 4)| = |0, 380 − 0, 371| = 0, 009.

Agora, analisemos o erro conforme 6.5. Queremos uma cota superior para f 00 (x). Temos que

1
|f 00 (x)| = | |,
x2 ln(10)

cujo máximo em [2, 3] ocorre em x = 2, isto é, |f 00 (x)| ≤ 1


22 ln(10) = 0, 109 . Portanto,

|(2, 40 − 2, 00)(2, 40 − 3, 00)|


e(2, 4) ≤ .0, 109 ⇒ e(2, 4) ≤ 0, 0131.
2!
Note que a cota máxima de erro, 0, 0131, é maior que o erro real, 0, 009, o que já era esperado.

6.3 Exercı́cios
Exercı́cio 1: Utilize o polinômio interpolador de grau 1, 2, 3 para aproximar cada um dos seguintes itens:
a) f (8, 4) se f (8, 1) = 16, 94410, f (8, 3) = 17, 56492, f (8, 6) = 18, 50515, f (8, 7) = 18, 82091;
b) f (− 31 ) se f (−0, 75) = −0, 07181250, f (−0, 5) = −0, 02475000, f (−0, 25) = 0, 33493750, f (0) = 1, 10100000.
c) f (0, 25) se f (0, 1) = 0, 62049958, f (0, 2) = −0, 28398668, f (0, 3) = 0, 00660095, f (0, 4) = 0, 24842440.
Resposta:

n x0 , x1 , . . . , xn Pn (8, 4) n x0 , x1 , . . . , xn Pn (−1/3)
1 8, 3, 8, 6 17, 87833 1 −0, 5, −0, 25 0, 21504167
a) b)
2 8, 3, 8, 6, 8, 7 17, 87716 2 −0, 5, −0, 25, 0, 0 0, 16988889
3 8, 3, 8, 6, 8, 7, 8, 1 17, 87714 3 −0, 5, −0, 25, 0, 0, −0, 75 0, 17451852

n x0 , x1 , . . . , xn Pn (0, 25)
1 0, 2 0, 3 −0, 13869287
c)
2 0, 2, 0, 3, 0, 4 −0, 13259734
3 0, 2, 0, 3, 0, 4, 0, 1 −0, 13277477

19
Exercı́cio 2: Os dados do exercı́cio anterior foram gerados usando as funções abaixo. Use o Teorema 6.5 para
encontrar o limite para o erro e compare o limite com o erro verdadeiro para os casos n = 1 e n = 2.
a) f (x) = xln(x);
b) f (x) = x3 + 4, 001x2 + 4, 002x + 1, 101;
c) f (x) = xcos(x) − 2x2 + 3x − 1. (resolva com a calculadora em radianos!)
Resposta:

n Erro V erdadeiro Limite de erro n Erro V erdadeiro Limite de erro


−2
a) 1 0, 00118 0, 00120 b) 1 4, 0523.10 4, 5153.10−2
2 1, 367.10−5 1, 452.10−5 2 4, 6296.10−3 4, 6296.10−3

n Erro V erdadeiro Limite de erro


c) 1 5, 9210.10−3 6, 0971.10−3
2 1, 7455.10−4 1, 8128.10−4

Observação 6.7. Uma dificuldade reside no exercı́cio acima, que é justamente, a de se encontrar β proposto no
Teorema 6.5. Por simplicidade, as as derivadas de ordem 2, (n = 1) e as derivadas de ordem 3, (n = 2) citadas no
teorema, atingem seu valor máximo em um dos valores de x0 , x1 ou x2 (x2 somente no caso, n = 2). Teste cada valor
substituindo na derivada de ordem 2 e 3 ( ordem 3 apenas se n = 2 ). Tome o valor para o qual a derivada toma seu
maior valor em módulo e depois aplique o teorema. Isto nem sempre ocorre, por exemplo, se estamos no caso n = 1, e
no intervalo [x0 , x1 ], a derivada segunda em questão pode assumir seu valor em qualquer ponto deste intervalo, e não
apenas em x0 ou x1 . O exercı́cio acima repete basicamente o Exemplo 6.6. Qualquer dúvida consulte o professor!

Exercı́cio 3: Considere a função f (x) = sen(x).


π π
a) Obtenha o polinômio interpolador de Lagrange de grau 2 nos pontos x0 = 0, x1 = 4, x2 = 2;

b) Calcule o limite para o erro no ponto 8 ;

c) Calcule o erro verdadeiro no ponto 8 .
Resposta:
a) P (x) = −0, 335748867x2 + 1, 16401286; b) 0, 30280; c) 0, 018.

20
Capı́tulo 7

Interpolação e Aproximação Polinomial


Diferenças Divididas Finitas - DDF

7.1 Introdução
Nesta parte, veremos uma outra maneira de se encontrar o polinômio interpolador que passa pelos n + 1 pontos
x0 , . . . , xn , onde f é conhecida. Lembre-se que o Teorema 6.2 estabelece que o polinômio interpolador é único.
Consideremos uma função f (x) contı́nua em [a, b] e diferenciável em (a, b). Uma DDF de primeira ordem de f (x)
em relação a x0 , x1 é dada por:
f (x1 ) − f (x0 )
f [x0 , x1 ] = .
x1 − x0
A DDF de segunda ordem de f (x) será dada por:
[x2 , x1 ] − f [x1 , x0 ]
f [x2 , x1 , x0 ] = .
x2 − x0
Assim a DDF de n-ésima ordem de f (x) será dada por:
f [xn , . . . , x1 , x1 ] − f [xn−1 , . . . , x1 , x0 ]
f [xn , . . . , x1 , x0 ] = .
xn − x0
Uma DDF tem a seguinte propriedade: f [xn , . . . , x1 , x0 ] = f [xαn , . . . , xα1 , xα0 ] onde {α0 , . . . , αn } é qualquer
permutação dos inteiros {n, . . . , 1, 0}.

Observação 7.1. 1) Observe que


f (x0 ) f (x1 )
f [x0 , x1 ] = + .
x0 − x1 x1 − x0
Da mesma mesma forma
f (x0 ) f (x1 ) f (x2 )
f [x0 , x1 , x2 ] = + + .
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
O que você notou?
2) Observe que f [x0 , x1 ] é uma aproximação para f 0 (x0 ), f [x0 , x1 , x2 ] é uma aproximação para f 00 (x1 ).

7.2 Fórmula do Polinômio Interpolador


Consideremos os n + 1 pontos, x0 , . . . , xn onde f (x) é conhecida. Pela definição de DDF, temos
P (x) − P (x0 )
P [x, x0 ] = ⇔ P (x) = P (x0 ) + (x − x0 )P [x, x0 ].
x − x0
P [x,x0 ]−P [x0 ,x1 ]
Mas P [x, x0 , x1 ] = x−x1 . Donde,

P [x, x0 ] − P [x0 , x1 ]
P [x, x0 , x1 ] = ⇔ P [x, x0 ] = (x − x1 )P [x, x0 , x1 ] ⇔
x − x1

21
P (x) − P (x0 )
⇔ = P [x, x0 ] = (x − x1 )P [x, x0 , x1 ]
x − x0
⇔ P (x) = P (x0 ) + (x − x0 )P [x0 , x1 ] + (x − x0 )(x − x1 )P [x, x0 , x1 ].

Procedendo de maneira análoga, temos

P (x) = P (x0 ) + (x − x0 )P [x0 , x1 ] + (x − x0 )(x − x1 )P [x, x0 , x1 ] + . . . + (x − x0 )(x − x1 ) . . . (x − xn )P [x, x0 , . . . , xn ].

Como P (x) é um polinômio de grau n, então a sua (n + 1)-ésima derivada é igual zero. Logo,

P [x, x0 , . . . , xn ] = 0.

Dessa forma, o polinômio P (x) pode ser escrito da seguinte forma:

P (x) = P (x0 ) + (x − x0 )P [x0 , x1 ] + (x − x0 )(x − x1 )P [x0 , x1 , x2 ] + . . . + (x − x0 )(x − x1 ) . . . (x − xn−1 )P [x0 , . . . , xn ].

sen(x)
Exemplo 7.2. Construa o polinômio interpolador para a função f (x) = √
x
via DDF considerando os pontos
3π π
x0 = 2 , x1 = 2.
Solução: Temos que
P (x) = f (x0 ) + (x − x0 )P [x0 , x1 ] =

= −0, 460658866 + (x − ).(−0, 400606814) =
2
= −0, 400606814x + 1, 42715627.

Observação 7.3. Observe que, via Polinômio de Lagrange, terı́amos, no Exemplo 7.2, o mesmo polinômio interpolador
(uma vez que já sabemos que este é único). De fato,

(x − x1 ) (x − x0 )
P (x) = f (x0 ) + f (x1 ) = −0, 400606814x + 1, 42715627.
(x0 − x1 ) (x1 − x0 )
Disso, decorre que tanto o Polinômio de Lagrangem quanto as DDF’s produzem os mesmos resultados numérico, porém
utilizam caminhos diferentes. Portanto, quando se conhece a fórmula algébrica de f (x) podemos obter o limite para o
erro por meio do Teorema 6.5.

7.3 Exercı́cios
Exercı́cio 1: Refaça, com os devidos ajustes, todos os exercı́cios do Capı́tulo 6.
Respostas: Consulte o professor.

Observação 7.4. O ajuste dos exerı́cios do Capı́tulo 6 é feito da seguinte forma: Onde lê-se polinômio interpolador
de grau n, passe a ler DDF de ordem n.

22
Capı́tulo 8

Teoria da Aproximação
Aproximação Discreta dos Mı́nimos Quadrados

8.1 Introdução
O estudo da teoria da aproximação envolve dois tipos de problemas genéricos:
1) Um problema ocorre quando uma função é dada de forma explı́cita, mas queremos encontrar um tipo de função
”mais simples”, como uma função polinomial que possa ser utilizada para determinar valores aproximados da função
dada.
2) O outro problema na teoria da aproximação é relativo ao ajuste da função aos dados encontrados, e a se encontrar
a ”mehor”função em uma determinada classe para representar todos os dados possı́veis.

8.2 Mı́nimos Quadrados


Considere o problema de se estimar os valores de uma função em pontos não tabulados, dados resultados de um
experimento que se pode encontrar na tabela a seguir

xi 1 2 3 4 5 6
yi 2, 9 5, 1 7, 2 8, 7 11, 5 13, 2

Vejamos o gráfico apresentando os valores dados acima

(8.1)

Uma rápida observação nos leva a crer que a relação entre x e y deve ser linear. A provável razão para que nenhuma
curva una com precisão os pontos representativos dos dados deve-se ao fato de que existem erros na obtenção dos
dados (erros experimentais).

23
Portanto, devemos determinar a melhor aproximação linear envolvendo a busca de valores de a0 e a1 que minimizem
6
X
E1 (a0 , a1 ) = |yi − (a1 xi + a0 )|.
i=1

Essa quantidade é chamada de desvio absoluto. Na tentativa de minimizar esta função de duas variáveis recaimos
num sério problema. A função módulo não é diferenciável em zero.
A abordagem de mı́nimos quadrados busca as constantes a0 e a1 de modo a minimizar o erro dos mı́nimos quadrados
m
X
E = E2 (a0 , a1 ) = (yi − (a1 xi + a0 ))2 .
i=1

Na obtenção do mı́nimo, façamos


m m
∂ X X
0= (yi − (a1 xi + a0 ))2 = 2 (yi − a1 xi − a0 ).(−1),
∂a0 i=1 i=1

m m
∂ X X
0= (yi − (a1 xi + a0 ))2 = 2 (yi − a1 xi − a0 ).(−xi ).
∂a1 i=1 i=1

Que resulta no seguinte sistema 2 × 2



Pm Pm
 a0 m + a1 i=1 xi = i=1 yi
 a0 Pm Pm 2 Pm
i=1 xi + a1 i=1 xi = i=1 xi yi

Por meio da resolução deste sistema podemos encontrar a curva dos mı́nimos quadrados que aproxima os dados
apresentados anteriormente. Pois bem, utilizemos a seguinte tabela auxiliar:

xi yi x2i xi yi
1 2, 9 1 2, 9
2 5, 1 4 10, 2
3 7, 2 9 21, 6
4 8, 7 16 34, 8
5 11, 5 25 57, 5
6 13, 2 36 79, 2
21 48,6 91 206,2

Temos portanto, o seguinte sistema: 


 6a + 21a = 48, 6
0 1
 21a0 + 91a1 = 206, 2
P6
A solução do sistema acima é a0 = 0, 88, a1 = 2, 06. Logo, P (x) = 2, 06x + 0, 88. Agora, calculemos E2 = i=1 (yi −
P (xi ))2 .
P (xi ) 2, 94 5 7, 06 9, 12 11, 18 13, 24
(yi − P (xi ))2
P
0, 0016 0, 01 0, 1096 0, 1764 1024 0, 0016 0,3116

24
Portanto, E2 = 0, 3116. Observe o gráfico:

(8.2)

O problema algébrico de se aproximar um conjunto de dados {(xi , yi ); i = 1, . . . , m}, com um polinômio algébrico

Pn (x) = an xn + . . . + a1 x + a0 ,

de grau n < m − 1 é tratado de modo semelhante. Neste caso, devemos achar a0 , . . . , an de modo a minimizar
m
X
E2 = (yi − Pn (xi ))2 .
i=1

Isso resulta no seguinte sistema de n + 1 equações



a0 m + a1 x1i + a2 x2i + . . . + an xni
P P P P

 = yi

 a0 x1i + a1 x2i + a2 x3i + . . . + an xn+1
 P P P P P
= xi yi

i
.. .. ,



 . .

a0 xi + a1 xi + a2 xn+2
P n P n+1
+ . . . + an x2n xni yi
P P P
=

i i
Pm P
onde escrevemos i=1 = .

Exemplo 8.1. Ajuste os dados da tabela a seguir com um polinômio discreto de mı́nimos quadrados de 2o grau.

i 1 2 3 4 5
xi 0 0, 25 0, 5 0, 75 1, 00
yi 1, 0000 1, 2840 1, 6487 2, 1170 2, 7183

Solução: Utilizemos a seguinte tabela auxiliar:

xi yi x2i x3i x4i xi yi x2i yi


0 1 0 0 0 0 0
0, 25 1, 2480 0, 0625 0, 015625 0, 00390625 0, 321 0, 08025
0, 50 1, 6487 0, 25 0, 125 0, 0625 0, 82435 0, 412175
0, 75 2, 1170 0, 5625 0, 421875 0, 31640625 1, 58775 1, 1908125
1, 00 2, 7183 1 1 1 2, 7183 2, 7183
2,5 8,7680 1,875 1,5625 1,3828 5,4514 4,4015
Temos portanto, o seguinte sistema:

 5a0 + 2, 5a1 + 1, 875a2 = 8, 7680


2, 5a0 + 1, 875a1 + 1, 5625a2 = 5, 4514


1, 875a0 + 1, 5625a1 + 1, 3828a2 = 4, 4015

25
Onde obtemos a0 = 1, 0051, a1 = 0, 86468 e 0, 84316. Logo,

P2 (x) = 0, 84316x2 + 0, 86468x + 1, 0051

e
E2 = 2, 74.10−4 .

Use um soft para esboçar o gráfico de P (x) juntamente com os pontos.

Ocasionalmente é apropriado assumir que os valores estão relacionados de forma exponencial. Assim, devemos
obter uma função de aproximação da forma
y = beax .

Aplicando ln a ambos os membro da função acima, temos:

ln(y) = ln(beax ) ⇔ ln(y) = ln(b) + ax ⇔ Y = B + Ax,

onde Y = y, B = ln(b) e A = a.

Exemplo 8.2. Ajuste os dados da tabela a seguir com uma curva exponencial de mı́nimos quadrados.

i 1 2 3 4 5
xi 1, 00 1, 25 1, 50 1, 75 2, 00
yi 5, 10 5, 79 6, 53 7, 45 8, 46

Solução: Utilizemos a seguinte tabela auxiliar:

i xi ln(yi ) x2i xi ln(yi )


1 1, 00 1, 629 1, 0000 1, 629
2 1, 25 1, 756 1, 5625 2, 195
3 1, 50 1, 876 2, 2500 2, 814
4 1, 75 2, 008 3, 0625 3, 514
5 2, 00 2, 135 4, 0000 4, 270
P
7,50 9,404 11,875 14,422
Portanto, obtemos o seguinte sistema

 5B + 7, 50A = 9, 404
,
 7, 50B + 11, 875A = 14, 422

cuja solução é dada por A = 0, 5056, B = 1, 122. Portanto, b = e1,122 = 3, 071, a = 0, 5056 donde obtemos a seguinte
função de aproximação
y = 3, 071e0,5056 .

Calcule E2 e use um soft para esboçar os gráfico de y = 3, 071e0,5056 juntamente com os pontos.

8.3 Exercı́cios
Exercı́cio 1: Encontre os polinômios de mı́nimos quadrados de graus 1, 2 e 3 para os dados apresentados na tabela
a seguir. Calcule o erro em cada caso. Se possı́vel use um soft para esboçar o gráfico dos polinômios.

xi 1, 0 1, 1 1, 3 1, 5 1, 9 2, 1
yi 1, 84 1, 96 2, 21 2, 45 2, 94 3, 18

26
Respostas:
y = 1, 219621x + 0, 6208950, E = 2, 719.10−5 ;
y = −0, 01085343x2 + 1, 253293x + 0, 5965807, E = 1, 801.10−5 ;
y = −0, 01004723x3 + 0, 03533252x2 + 1, 185010x + 0, 6290193, E = 1, 741.10−5 .

Exercı́cio 2: Apresentados os dados

xi 4, 0 4, 2 4, 5 4, 7 5, 1 5, 5 5, 9 6, 3 6, 8 7, 1
yi 102, 56 113, 18 130, 11 142, 05 167, 53 195, 14 224, 87 256, 73 299, 50 326, 72

a) Construa o polinômio de mı́nimo quadrado de grau 1 e calcule o erro.


b) Construa o polinômio de mı́nimo quadrado de grau 2 e calcule o erro.
c) Construa o polinômio de mı́nimo quadrado de grau 3 e calcule o erro.
d) Construa a aproximação de mı́nimo quadrado da forma beax e calcule o erro.
e) Construa a aproximação de mı́nimo quadrado da forma bxa e calcule o erro.
Respostas:
a) y = 72, 0845x − 194, 138, E = 329;
b) y = 6, 61821x2 − 1, 14352x + 1, 23556, E = 1, 44.10−3 ;
c) y = −0, 0136742x3 + 6, 84557x2 − 2, 37919x + 3, 42904, E = 5, 27.10−4 ;
d) y = 24, 2588e0,372382x , E = 418;
e) y = 6, 23903x2,01954 , E = 0, 00703.

Observação 8.3. Observando as respostas dos itens a) e d) do Exercı́cio 2 vemos que o ajuste linear e o ajuste
exponencial não são adequados. Das escolhas feitas, a que melhor se adequa aos dados é o polinômio mı́nimo quadrado
de grau 3, pois o erro é menor que nos demais itens.

27
Capı́tulo 9

Integração Numérica
Regra do Trapézio e Regra de Simpson

9.1 Introdução
Frequentemente nos deparamos com a necessidade de calcular a integral definida de uma função sem antiderivada
explı́cita, ou seja, cuja derivada não é simples de se obter, como, por exemplo
Z b
2
e−x dx.
a

A interpolação polinomial pode nos ajudar a resolver este problema. Nela aprendemos como gerar o polinômio
P (x). Assim, dada uma função a qual aproximamos por P (x), podemos considerar a integral
Z b Z b
P (x)dx = f (x)dx.
a a

9.2 Regra dos Trapézios


Seja f (x) uma função conhecida apenas nos pontos (x0 , f (x0 )), (x1 , f (x1 )). Por meio de Interpolação de Lagrange
sabemos que
x − x1 x − x0
P (x) = f (x0 ) + f (x1 ) . (1)
x0 − x1 x1 − x0
Integrando ambos os membros de (1) de x0 a x1 , temos
Z x1 Z x1  
x − x1 x − x0
P (x)dx = f (x0 ) + f (x1 ) dx =
x0 x0 x0 − x1 x1 − x0

x1 − x0
Z Z
f (x0 ) f (x1 )
= x1 (x − x1 )dx + x1 (x − x0 )dx = (f (x1 ) + f (x0 )). (2)
x0 − x1 x0 x1 − x0 x0 2
De acordo com a equação acima, temos a área do trapézio

(9.1)

28
Se tivermos (n + 1) pontos, digamos x0 , . . . , xn , igualmente espaçados, ou seja, xk = xk−1 + h, (k = 1, . . . , n),
temos Z xn Z x1 Z xn
P (x)dx = P1 (x)dx + . . . + Pn (x)dx =
x0 x0 xn−1
x1 − x0 xn − xn−1
= (f (x1 ) + f (x0 )) + . . . + (f (xn ) + f (xn−1 )) =
2 2
h
= (f (x0 ) + 2f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn−1 ) + f (xn )).
2
00
Vimos anteriormente que o erro na interpolação é dado por Et (x) = (x − x0 )(x − x1 ) f (β)
2! para β ∈ (x0 , x1 ).
Integrando, temos
x1 x1
f 00 (β)
Z Z
Et (x)dx = (x − x0 )(x − x1 ) dx =
x0 x0 2!
f 00 (β) f 00 (β)h3
= (x1 − x0 )3 = .
12 12
Para o caso geral, em que temos n + 1 pontos, x0 , . . . , xn , o erro total será dado por:
n−1
X
E= EIi ,
i=1

onde EIi é o erro em cada (xi−1 , xi ).


R x1 π 5π
Exemplo 9.1. Apliquemos a regra do trapézio para calcular x0
f (x)dx, onde x0 = 3, x1 = 6 e f (x) = sen(x).
Solução:
A regra dos trapézios nos dá que
Z x1
x1 − x0 5π/6 − π/3
f (x)dx = (f (x1 ) − f (x0 )) = (sen(5π/6) − sen(π/3)) = 1, 07287.
x0 2 2

Sabemos que f 00 (x) = −sen(x) é tal que |f 00 (π/3)| ≥ |f 00 (x)| para todo x ∈ (5π/6, π/3). Logo,

f 00 (π/3)(5π/6 − π/3)3 ∼
E= = 0, 2797.
12
Pelo Teorema Fundamental do Cálculo temos
Z 5π/6
sen(x)dx = 1, 36603.
π/3

9.3 1a Regra de Simpson


A regra dos trapézios utiliza polinômios interpolantes de grau 1, uma vezque trabalha de ”dois em dois”pontos.
A Regra de Simpson, por sua vez, utiliza polinômios de grau 2. Considere o polinômio interpolante de grau 2 que
passa pelos pontos x0 , x1 , x2
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
P (x) = f (x0 ) + f (x1 ) + f (x2 ) .
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
Integrando P (x) de x0 a x2 , temos
Z x2
h
P (x)dx = (f (x0 ) + 4f (x1 ) + f (x2 )).
x0 3
Para n + 1 pontos x0 , . . . , xn , temos
Z xn
h
P (x)dx = (f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + 2f (x4 ) + . . . + 4f (xn−1 ) + f (xn )).
x0 3
Neste caso dos pontos x0 , x1 , x2 , o erro é dado por:

f (4) (β)h5
EI = .
90

29
R x2 π 7π
Exemplo 9.2. Apliquemos a regra do trapézioe a 1a regra de Simpson para calcular x0
f (x)dx, onde x0 = 3, x1 = 12 ,
x2 = 5π/6 e f (x) = sen(x).
x1 −x0 7π/12−π/3
Solução: Temos que h = 2 = 2 = π/4.
R 5π/6 π/4
Regra dos Trapézios: π/3
sen(x)dx = 2 (sen(π/3) + 2sen(7π/12) + sen(5π/6)) = 1, 29507.
R 5π/6
1a Regra de Simpson: π/3
sen(x)dx = π/4
3 (sen(π/3) + 4sen(7π/12) + sen(5π/6)) = 1, 36914.

Deduza a 2a Regra de Simpson, isto é, para f (x) conhecida nos pontos x0 , x1 , x2 e x3 . Encontre o erro.

9.4 Exercı́cios
Exercı́cio 1: Aproxime as seguintes integrais utilizando a regra do trapézio.
R1
a) 0,5 x4 dx, x0 = 0, 5, x1 = 1;
R 0,5 2
b) 0 x−4 dx, x0 = 0, x1 = 0, 5;
R 1 2 −x
c) 0 x e dx, x0 = 0, x1 = 1;
R 1,6
d) 1 x22x −4 dx, x0 = 1, x1 = 1, 6;
R π/4
e) 0 xsen(x)dx, x0 = 0, x1 = π/4.
Respostas: a) 0, 265625; b) −0, 2678571; c) 0, 1839397; d) −0, 8666667; e) 0, 2180895.

Exercı́cio 2: Repita o Exercı́cio 1 usando a regra de 1a regra de Simpson. Neste caso, deveser considerar o in-
tervalo [x0 , x2 ]. Em particular, no item a), temos: x0 = 0, 5, x1 = 0, 75, x2 = 1 e h = 0, 25.
Respostas: a) 0, 1940104; b) −0, 2670635; c) 0, 16240168; d) −0, 7391053; e) 0, 2180895.

Exercı́cio 3: Utilize a regra do trapézio nos itens abaixo com os valores de n indicados.
R2
a) 1 xln(x)dx, n = 4 (n = 4 significa que são considerados os pontos x0 , . . . , x4 );
b) −2 2x3 e−x dx, n = 4;
R
R2
c) 0 x22+4 dx, n = 6;
R3
d) 1 x2x+4 dx, n = 8.
Respostas: a) 0, 639900; b) 31, 3653; c) 0, 784241; d) 0, 476877.

R2
Exercı́cio 4: Use a 1a regra de Simpson para aproximar 0
xex dx
a) usando h = 0, 25;
b) usando h = 0, 125.
Resposta: a) 8, 389785277; b) 8, 389102023.

30
Capı́tulo 10

Integração Numérica
Quadratura Gaussiana

10.1 Introdução
As fórmulas de intregração numéricas vistas anteriormente foram obtidas integrando-se polinômios interpoladores.
Além disso, temos a utilização de pontos uniformemente espçados.
Pro sua vez, a Quadratura Gaussiana escolhe pontos para se calcular a aproximação de uma maneira ótima, em
vez de considerar apenas pontos igualmente espaçados.

Teorema 10.1. (Mudança de Variável) Seja f : [a, b] → R contı́nua, g : [c, d] → R com derivada integrável e
g([c, d]) ⊂ [a, b]. Então,
Z g(d) Z d
f (x)dx = f (g(t))g 0 (t)dt.
g(c) c

A quadratura gaussiana afirma que


Z b n
X
f (x)dx = wi f (ti ),
a i=1

onde os nós t1 , . . . , tn ∈ [a, b] e os coeficientes w1 , . . . , wn são escolhidos de modo a minimizar o erro esperado para o
cálculo da aproximação.
b−a
t + b+a

Pois, bem seja g : [a, b] → R tal que g(t) = 2 2 . Observe que g(−1) = a e g(1) = b. Aplicando o Teorema
10.1 temos: Z b Z 1
f (x)dx = F (t)dt
a −1

onde  
b−a b+a b−a
F (t) = f (g(t)).g 0 (t) = f t+ .
2 2 2
Rb R1
Assim, para sabermos o valor de a
f (x)dx basta calcular −1
F (t)dt.
Por meio da quadratura gaussiana, temos
Z 1 n
X
F (t)dt = wi F (ti ),
−1 i=0

onde wk são chamados de pesos e tk são pontos do intervalo [−1, 1].


A seguir identificaremos estes pontos e pesos para n = 1, isto é, dois pontos apenas. Devemos achamarw0 , w1 , t0
e t1 , tais que Z 1
F (t)dt = w0 F (t0 ) + w1 F (t1 ).
−1

31
Necessitamos de um sistema de 4 equações para descobrir estas incógnitas. Note que, estas incógnitas não depende
de F (t), donde podemos escolher F (t) = tk . Portanto,
 R1 
k=0⇒  
 2 = −1 t0 dt = w0 t00 + w1 t01 

 2 = w0 t00 + w1 t01
 R1 
k = 1 ⇒  0 = −1 t1 dt = w0 t0 + w1 t1
 
 0=w t +w t
0 0 1 1
R1 ⇒
2 2
k=2⇒  
 3 = −1 t2 dt = w0 t20 + w1 t21  3 = w0 t0 + w1 t21


2
 R1 
k = 3 ⇒  0 = −1 t3 dt = w0 t30 + w1 t31  0 = w t3 + w t3
 
0 0 1 1

Resolvendo este sistema, temos


−1 1
w0 = 1, w1 = 1, t0 = √ , t1 = √ .
3 3
Até mesmo para n = 1 encontra-se certa dificuldade para se resolver o sistema anterior na busca pela incógnitas
wi e ti . Apresentaremos a seguir as soluções para os casos n = 1, n = 2, . . ., n = 7.

n i ti wi
1 1; 0 ±0, 57735027 1
2 0; 1; ±0, 77456667 5/9
2 0 8/9
3 0; 1; ±0, 86113631 0, 34785484
2; 3; ±0, 33998104 0, 65214516
4 0; 1; ±0, 90617985 0, 23692688
2; 3; ±0, 53846931 0, 47862868
4 ±0 0, 53888889
5 0; 1; ±0, 93246951 0, 17132450
2; 3; ±0, 66120939 0, 36076158
4; 5; ±0, 23861919 0, 46791394
6 0; 1; ±0, 94910791 0, 12948496
2; 3; ±0, 74153119 0, 27970540
4; 5; ±0, 40584515 0, 38183006
6 ±0 0, 41795918
7 0; 1; ±0, 96028986 0, 10122854
2; 3; ±0, 79666648 0, 22238104
4; 5; ±0, 52553242 0, 31370664
6; 7; ±0, 18343464 0, 36268378
R1
Exemplo 10.2. Calcule 0
ex dx por quadratura gaussiana para n = 1 e n = 2.
Solução: Inicialmente, devemos achar F (t),
 
b−a b+a b−a 1 1 1
F (t) = f t+ = e 2 t+ 2 .
2 2 2 2
Para n = 1, temos Z 1 Z 1
x
e dx ≈ F (t)dt = w0 F (t0 ) + w1 F (t1 ) =
0 −1
√ √
= 1.F (−1/ 3) + 1.F (1/ 3) = 1, 717896.

Para n = 2, temos Z 1 Z 1
x
e dx ≈ F (t)dt = w0 F (t0 ) + w1 F (t1 ) + w2 F (t2 ) =
0 −1

5 5 8
= F (0, 77459667) + F (−0, 77459667) + F (0) = 1, 718281.
9 9 9

32
Comparando os casos n = 1 e n = 2 com o resultado obtido via Teorema Fundamental do Cálculo, temos n = 1 ⇒
E1 = |1, 718281828 − 1, 717896| = 3, 85828459.10−4 ;
n = 2 ⇒ E2 = |1, 718281828 − 1, 718281| = 8, 28459.10−7 .

Se F é um polinômio de grau até 3, então esta fórmula fornece o valor exato da integral. Do contrário o erro pode
ser calculado da seguinte forma:
22n+3 ((n + 1)!)4
E= F 2n+2 (ξ)
(2n + 3)((2n + 2)!)3
com ξ ∈ (−1, 1).

10.2 Exercı́cios
R π/2
Exercı́cio 1: Calcule 0 sen(x)dx por quadratura gaussiana com n = 1 e n = 2.
R π/2 R π/2
Resposta: n = 1 ⇒ 0 sen(x)dx ≈ 0, 9984 e n = 1 ⇒ 0 sen(x)dx ≈ 1.

2
Exercı́cio 2: Calcule int1,5
1 e
−x
dx por quadratura gaussiana com n = 1 e n = 2.
R 1,5 −x2 R 1,5 2
Resposta: n = 1 ⇒ 1 e dx ≈ 0, 1094003 e n = 2 ⇒ 1 e−x dxdx ≈ 0, 1093642.

Exercı́cio 3: Escolha uma integral definida particular, cujo valor exato é conhecido pelo Teorema Fundamental
do Cálculo, e compare os métodos de solução da Regra dos Trapézios, 1a e 2a Regras de Simpson e Quadratura
Gaussiana.
Resposta: Aberta!

Observação 10.3. A resposta da questão anterior é aberta. Para a comparação entre os métodos use n = 1, . . . , n = 6
dispondo-os em uma tabela, de forma a compará-los. Obtenha também o valor real da integal definida via Teorema
Fundamental do Cĺaculo. Lembre-se que a quantidade de escolhas para a integral definida é infinita, bem como os
limites de integração!

33
Capı́tulo 11

Solução de Sistemas Lineares


Método Direto de Gauss

11.1 Introdução
É bastante comum nos depararmos com sistemas lineares quadrados, isto é, sistemas lineares de n equações e n
incógnitas. Utilizaremos a seginte notação para tais sistemas:


 a11 x1 + a12 x2 + ... + a1n xn = b1


 a21 x1

+ a22 x2 + ... + a2n xn = b2
.. .. .. .. (11.1)



 . + . + ... + . = .

an1 x1 + an2 x2 + ... + ann xn = bn

O sistema 11.1 admite uma representação matricial da forma AX = B


    
a11 a12 ... a1n x1 b1
    
 a21 a22 ... a2n  x2   b2 
= .
    
 . .. .. .. ..
 ..

 . ... . 
 .  
  . 

an1 an2 ... ann xn bn

Podemos considerar também a chamada matriz aumentada do sistema 11.1


 
a11 a12 . . . a1n b1
 
 a21 a22 . . . a2n b2 
 
 . .. .. ..
 ..

 . ... . . 

an1 an2 ... ann bn

Exemplo 11.1. Considere os sistema 2 × 2



 2x + x2 = 3
1
 x1 + 4x2 = 5

Neste caso,      
2 1 x1 3
A= , X =  , B =  .
1 4 x2 5

Além disso a matriz aumentada deste sistema é dada por


 
2 1 3
A= .
1 4 5

34
Nas seções a seguir, trabalharemos somente com sistemas possı́veis e determinados, isto é, sistemas quadrados
(número de equaçõs igual ao número de incógnitas) cujo determinante da matriz A é não nulo.
Em problemas práticos é comum encontrarmos sistemas lineares de grande porte, por exemplo n > 100. Este fato
nos condu a buscarmos métodos numéricos para encontrarmos a solução de tais sistemas, de tal forma que eles possam
ser implementados computacionalmente.

11.2 Método De Gauss


Este método trabalha por meio do uso de operações elementares na busca por sistemas equivalentes.
Operações Elementares
i) Trocar duas linhas: Li ↔ Lj ;
ii) Multiplicar uma linha por um escalar k 6= 0: Li → kLi ;
iii) Substituir uma linha por uma soma dela própria com um múltiplo escalar de outra: Li → Li + kLj .

Definição 11.2. Dizemos que as matrizes A e B são linha equivalentes, se B pode ser obtida através de operações
elementares em A.
   
0 2 2 1 1 2
Exemplo 11.3. Mostre que as matrizes A =  . e B =   . são linha equivalentes.
1 2 3 0 1 1
Solução: Aplicando operações elementares em A, temos:
       
0 2 2 1 2 3 1 1 2 3 1 1 2
  L1 ↔ L2 ⇒   L1 ↔ L2 ⇒   L1 ↔ L1 − L2 ⇒  .
1 2 3 0 2 2 2 0 1 1 0 1 1

Teorema 11.4. Dois sistemas que possuem matrizes ampliadas equivalentes possuem mesma solução.

Demonstração. Veja em livros de Álgebra Linear.

O Teorema ?? nos permitirá iniciar o Método de Gauss. Este método consiste em transformar a matiz ampliada
de um sistema através de operações elementares em uma matriz da forma:
 
a11 a12 . . . a1n b1
 0 a022 . . . a02n b02 
 
.
 
 . .. .. .. 
 .. . ... . . 
 
0 0 ... a0nn b0n

Na verdade, o Método de Gauss Consiste em transformar a matriz A em uma matriz diagonal. Vejamos alguns
exemplos.

 3x + x2 = 2
1
Exemplo 11.5. Encontre a solução do sistema .
 2x1 + x2 = 1
 
3 1 2
Solução: Temos a seguinte representação matricial para os sistema dado:  .
2 1 1
Devemos deixar a matriz acima na forma dada em 11.2.
   
3 1 2 3 1 2
  L2 ↔ L2 − 2 L1 ⇒  .
2 1 1 3 0 1
− 31
3

 3x + x2 = 2
1
Voltando a forma matricial para a forma de sistema, temos . Portanto, de L2 , temos que
1
 = − 31 3 x2
x2 = −1, donde por substituição em L1 , temos que x1 = 1. Logo, asolução do sistema é dada por S = {(1; 1)}.

35
Observação 11.6. O valor − 23 , o qual multiplicamos L1 antes de somarmos com L2 , será, chamado de m21 . ( obvia
escolha de ı́ndice! )

 2x1

 + 2x2 − x3 = 1
Exemplo 11.7. Encontre a solução do sistema x1 + 2x2 + x3 = 2 .


3x1 − x2 − 4x3 = −1

Solução: Temos a seguinte representação matricial para os sistema dado:
 
2 2 −1 1
 
.
 1 2 1 2 

3 −1 −4 −1
Procederemos na tentativa de colocar a matriz acima na forma dada em 11.2.
     
2 2 −1 1 1
2 2 −1 1 2 2 −1 1
  L2 ↔ L2 − 2 L1 ⇒   5  
 1 2 3 3 L ↔ L + L ⇒  3 3 .
1 2   0 1 2 2  3 3 1  0 1 2 2
 
L3 ↔ L3 − 32 L1 ⇒
 3 
3 −1 −4 −1 0 −4 − 25 − 52 0 − 73 0 0
Portanto, obtemos o seguinte sistema

 2x1

 + 2x2 − x3 = 1
3 3 ,
x2 + 2 x3 = 2

− 73 x2

+ 0 = 0

onde obtemos que x2 = 0, e por substituição em L2 , obtemos x3 = 1. Por fim, substituindo x2 e x3 em L1 , temos
x1 = 1. Logo, a solução do sistema é S = {(1; 0; 1)}.

Observação 11.8. Como em 11.6 temos que os valores − 21 , − 32 e 5


3 são respectivamente chamados de m21 , m31 e
m32 .

11.3 Exercı́cios
Exercı́cio 1: Determine a solução dos  seguintes sistemas lineares: 

 2x + 5x = 6


 x 1 − 5x 2 = −9  2x1 + x2

 − x3 = − 31
1 2
a) b) x1 + x2 = 3 c) x1 + x2 + x3 = − 61
 x1 + x2 = 3  
2
= − 23
 
2x1 − 4x2 = 13 3x1 − x2 − 3x3
 

 
 x1 + 2x2 − x3 + x4 = 3

 0, 25x 1 + 0, 2x2 − x 3 = 0, 2175 


 2x + 2x + x +

1 2 3 3x4 = 8
d) 0, 03x1 + 0, 4x2 + 0, 9x3 = 0, 0007 e)

 
 x 1 − x 2 − x 3 + x4 = 0
x1 − 0, 5x2 − 0, 5x3 = 0, 26
 


 x
1 − x3 + x4 = 1
Respostas: a) 21 ; 1 ; b) Impossı́vel; c) 12 ; −1; 13 ; d) (0, 31; 0, 2; −0, 1); e) (1; 1; 1; 1).
 

Exercı́cio 2: Por meio de sistemas lineares encontre o polinômio do segundo grau que passa pelos pontos (2; 0),
(1, 2), (4, 2).
Resposta: y = x2 − 5x + 6.

Exercı́cio 3: Resolva, por meio de sistemas lineares o seguinte problema:


”Em uma oficina mecânica há exatamente 50 veı́culos, considerando apenas carros e motos. Sabe-se que todos os
pneus destes veı́culos foram trocados, de modo que foram necessários 160 pneus.”
Determine o número de carros e de motos nesta oficina.
Respsota: 30 carros e 20 motos.

36
Capı́tulo 12

Solução de Sistemas Lineares


Método Direto da Decomposição LU

12.1 Decomposição LU
Considere o sistema AX = B em sua forma matricial, com det(A) 6= 0. Suponha que A possa se decompor no
produto de uma matriz triangular inferior L, e uma matriz triangular superior U , tal que A = LU . Assim, AX = B
equvale a (LU )X = B. Dessa forma, obtemos dois sistemas LY = B e U X = Y . Como L e U são triangulares temos
que a resolução destes sistemas é feita por substituição retroativa.

Teorema 12.1. Seja An×n uma matriz qualquer e Akk uma submatriz de An×n formada pela intersecção das primeiras
k linha e k colunas. Se det(A) 6= 0 para k = 1, . . . , n − 1 então existem e são únicasas matrizes L e U .

Para obtermos L e U , utilizaremos eliminação Gaussiana faremos L sendo a matriz inferior com diagonal igual a
1 e multiplicaodres mij , e U uma matriz triangular superior formada pelos elementos da forma final de A. Vejamos o
caso 3 × 3.
     
a11 a12 a13 1 0 0 u11 u12 u13
     
 =  −m21 . 0
 a21 a22 a23   1 0   u22 u23 
 
a31 a32 a33 −m31 −m32 1 0 0 u33

Exemplo 12.2. Aplique o método da decomposição LU ao sistema



 2x1 + 3x2 − x3 = 5


4x1 + 4x2 − 3x3 = 3 .


2x1 − 3x2 + x3 = −1

Solução: Nosso ponto de partida é a matriz A do sistema, que é dada por


 
2 3 −1
 
 4 4 −3 
 
2 −3 1

Temos que m21 = − aa11


21
= −2 e m31 = − aa31
11
= −1, donde obtemos
   
2 3 −1 2 3 −1
  L2 ↔ L2 + m21 L1 ⇒  
−3  −2 .
−1 
 4 4  0
L3 ↔ L3 + m31 L1 ⇒
  
2 −3 1 0 −6 2

37
Tomando agora m23 = − aa23
22
, temos
   
2 3 −1 2 3 −1
   
−2  L3 ↔ L3 + m32 L2 ⇒  0
−1  −2 .
−1 
 0 

0 −6 2 0 0 5

Portanto,    
1 0 0 2 3 −1
   
L=
 2 1 0 
 e U =
 0 −2 .
−1 
1 3 1 0 0 5
Assim, o sistema LY = B equivale a:
     
1 0 0 y1 5 

 y1 = 5
    
 2 1 0   y2  =  3 ⇒ 2y1 + y2 = 3 .
     

1 3 1 y3 −1 y1 + 3y2 + y3 = −1

Por meio de substituição, temos y1 = 5, y2 = −7 e y3 = 15. Agora, podemos montar o sistema U X = Y .


     
2 3 −1 x1 5  2x1 + 3x2 − x3

 = 5
    
 0 −2 −1   x2  =  −7 ⇒ 2x2 − x3 = −7 .
     

0 0 5 x3 15 5x3 = 15

Novamente, por substituição, temos x1 = 1, x2 = 2 e x3 = 3.

Uma observação rápida e sem muito cuidado, nos faz pensar que a decomposição LU é pouco eficiente, uma vez
que ela utiliza do método de Gauss, e portanto, menos eficiente que este. Mas vejamos a diferença na aplicação a
seguir:

Exemplo 12.3. Inversão de Matrizes


É sabido que uma matriz An×n tal que det(A) 6= 0 possui inversa A−1 . Para encontrar A−1 devemos resolver n
sistemas lineares. De fato, fazendo A−1 = X, devemos ter AX = I, onde I é a identidade de ordem n. Os n sistemas
mencionados são os seguintes:

AX1 = [1; 0; 0; . . . ; 0]T , AX2 = [0; 1; 0; . . . ; 0]T , . . . , AXn = [0; 0; 0; . . . ; 1]T ,

onde Xi é o vetor coluna formado pela i-ésima coluna de X, isto é Xi = [x1i ; x2i ; x3i ; . . . ; xni ]T .

Veja que os n sistemas lineares tem a mesma matriz dos coeficientes A. Para usar o método de Gauss deverı́amos
aplicá-lo n vezes. Por outro lado, uma vez obtida a decomposição LU da matriz A, temos que o resto é feito por mera
substituição.

12.2 Exercı́cios
Exercı́cio 1: Determine a solução dos  seguintes sistemas lineares utilizando decomposição LU :

 2x + 5x = 6


 2x1 + x2 − x3 = − 13
1 2
a) b) x1 + x2 + x3 = − 61
 x1 + x2 = 3 
2
= − 23

3x1 − x2 − 3x3

Respostas: a) 21 ; 1 ; b) 12 ; −1; 13 .
 

Exercı́cio 2: Encontre a inversa da matriz a seguir pelos dois métodos descritos no Exemplo 12.3, isto é, por

38
meio do método de Gauss e depois por meio do método da decomposição LU . Descreva qual dos dois métodos é mais
eficiente neste caso.  
2 1 1
 
A=
 1 1 .
1 
2 3 2
 
1 −1 0
 
Resposta: A−1 = 
 0 −2 .
1 
−1 4 −1

39
Capı́tulo 13

Solução de Sistemas Lineares


Método Iterativo de Jacobi

13.1 Introdução
Estudaremos nesta e na próxima seção dois métodos iterativos de resolução de sistemas lineares. Assim, dado
um sistema AX = B, com An×n , devemos obter φ(x), tal que, dada uma aproximação x0 , tenhamos a sequência
x1 = φ(x0 ), x2 = φ(x2 ), . . ., xn = φ(xn−1 ), . . ., de modo que limn→∞ xn = x̄, onde x̄ é a solução exata do sistema
AX = B.
Como estaremos trabalhando com métodos iterativos, devemos ter um critério de parada. Neste caso, a definição
a seguir será bastante útil.

Definição 13.1. Dado v = (α1 , α2 , . . . , αn ), com αi ∈ R, definiremos ||v|| = max{|α1 |, |α2 |, . . . , |αn |}.

Exemplo 13.2. Dado u = (1; −3, 2), temos que ||u|| = max{|1|, | − 3|, |2|} = max{1, 3, 2} = 3.

Definição 13.3. Seja A uma matiz quadrada de ordem n. Definiremos a norma de A, isto é, ||A||, como sendo
 
X n 
||A|| = max |aij |; i = 1, . . . , n .
 
j=1

Exemplo 13.4. Encontre a norma da matriz


 
1 −6 3
 
A=
 0 10 .
3 
4 4 3

Solução: Temos que

||A|| = max {|1| + | − 6| + |3|; |0| + |10| + |3|; |4| + |4| + |3|} = max {10; 13; 11} = 13.

De posse da Definição 13.1 devemos parar os métodos iterativos quando, para um dado δ > 0, tivermos ||xn −
xn−1 || < δ. Neste caso, a solução será dada por xn .

13.2 Método Iterativo de Jacobi


Considere o sistema 3 × 3:

(L1 ) 
 a11 x1
 + a12 x2 + a13 x3 = b1
(L2 ) a21 x1 + a22 x2 + a23 x3 = b2 .


(L3 ) a31 x1 + a32 x2 + a33 x3 = b3

40
Em cada linha Li isolemos a variável xi :

b1 a12 a13
L1 ⇒ x1 = − x2 − x3
a11 a11 a11
b2 a21 a23
L2 ⇒ x2 = − x1 − x3
a22 a22 a22
b3 a31 a32
L3 ⇒ x3 = − x1 − x2 .
a33 a33 a33
Podemos organizar em uma forma matricial como segue
       
b1
x1 0 − aa12 − aa11
13
x1
   a11   11
  
 x2  =  b2  +  − a21 − aa22
21  . 
0   x2  .

   a22   a22
b3
x3 a33 − aa31
33
− aa33
32
0 x3

Montamos portanto a função de iteração de Jacobi:

φ(x) = d + F x.

O caso geral é análogo, neste caso as matrizes F e d são dadas por:


   
0 − aa12
11
− aa13
11
... − aa1n
11
b1
a11
 a
− aa21 − aa2n b2
  
 − 21 0 ...   
 a22 22 22 a22
F = , d= .
  
 ... ..
.
..
.
..
.
..
.   ..
. 
   
− aann n1
− aann
n2
− aann
n3
... 0 bn
ann

Exemplo
 13.5. Resolva, por meio do método de Jacobi, os sistemas a seguir considerando δ = 0, 2:
 2x − x = 1
1 2
a) x0 = (0; 0)
 x1 + 2x2 = 3

 3x1 + x2 − x3 = 3


b) x1 + 4x2 + x3 = 6 x0 = (0, 5; 0, 5; 0)


2x1 − x2 + 6x3 = 7

Solução: a) Temos que
  
 2x − 1 1
1 x2 = 1  2x
1 = 1 + x2  x
1 = 2 + 2 x2
⇒ ⇒ .
3 1
 x1 + 2x2 = 3  2x2 = 3 − x1  x2 = 2 − 2 x1

Neste caso, as matrizes F e d são dadas por:


   
1 1
0 2 2
F = , d= .
− 12 0 3
2

Donde,        
1 1
0 0 0, 5
x1 = φ(x0 ) = d + F x0 =  2 + 2 . = .
3
2 − 21 0 0 1, 5

Devemos continuar, pois ||x1 − x0 || = ||(0, 5; 1, 5) − (0; 0)|| = ||(0, 5; 1, 5)|| = 1, 5 > δ. Assim,
       
1 1
0 2   0, 5  1, 25
x2 = φ(x1 ) = d + F x1 =  2  +  . =  , ||x2 − x1 || = 0, 75 > δ.
3 1
2 −2 0 1, 5 1, 25
       
1 1
0 1, 25 1, 125
x3 = φ(x2 ) = d + F x2 =  2 + 2 . =  , ||x3 − x2 || = 0, 375 > δ.
3
2 − 12 0 1, 25 0, 875

41
       
1 1
0 1, 125 0, 9375
x4 = φ(x3 ) = d + F x3 =  2 + 2 . =  , ||x3 − x2 || = 0, 1875 > δ.
3
2 − 12 0 0, 875 0, 9375

Logo, a solução procurada é x4 = (0, 9375; 0, 9375).


b) Neste caso, 
1 1
 x1

 = 1 − 3 x2 + 3 x3
3 1 1
x2 = 2 − 4 x1 − 4 x3

7 1 1

x3 = − 3 x2 + 6 x2

6

Por uma questão de simplificação, optemos pela função de iteração escrita da seguinte forma:
1 1 3 1 1 7 1 1
φ(x1 ; x2 ; x3 ) = (1 − x2 + x3 ; − x1 − x3 ; − x2 + x2 ).
3 3 2 4 4 6 3 6
Assim,
x1 = φ(x0 ) = φ(0, 5; 0, 5; 0) = (0, 83333; 1, 375; 1, 08333), ||x1 − x0 || = 1, 08333 > δ;

x2 = φ(x1 ) = φ(0, 83333; 1, 375; 1, 08333) = (0, 90278; 1, 02084; 1, 11806), ||x2 − x1 || = 0, 35416 > δ;

x3 = φ(x2 ) = φ(0, 90278; 1, 02084; 1, 11806) = (1, 03241; 0, 99479; 1, 03588), ||x3 − x2 || = 0, 12963 < δ.

Logo, a solução procurada é dada por x3 = (1, 03241; 0, 99479; 1, 03588). Além disso, a solução exata é x̄ = (1; 1; 1),
donde obtemos
ereal = ||x̄ − x3 || = ||(1; 1; 1) − (1, 03241; 0, 99479; 1, 03588)||

ereal = ||(0, 03241; 0, 00521; 0, 03588)|| = 0, 03588.

Exemplo 13.6. Considere o sistema a seguir



 x1

 + 2x2 − x3 = 2
2x1 − x2 + 2x3 = 3 ,


x1 − x2 + 4x3 = 4

cuja solução exata é dada por x̄ = (1; 1; 1). Obser que se aplicarmos o método de Jacobi a este sistema partindo de
x0 = (0; 0; 0), produziremos a seguinte sequência.

x0 = (0; 0; 0), x1 = (2; −3; 1), x2 = (9; 3; −0, 25), x3 = (−4, 25; 14, 5; −0, 5), explode!!!

O que ocorreu no Exemplo 13.6, isto é, por que as iterações por meio do método de Jacobi parecem não convergir?
Será que há alguma hipótese para que o método de Jacobi nos nos aproxime da solução exata?
A respostas às questões anteriores repousa no seguinte teorema
Pn
Teorema 13.7. Se para cada i = 1, . . . , n, temos que j=1 |fij | ≤ L < 1, então o método iterativo de Jacobi (e
também o de Gauss-Sidel, logo mais) convergem para a solução do sistema.

Exemplo 13.8. Apliquemos o Teorema 13.7 aos Exemplos 13.5 e 13.6.


Temos, que o Teorema 13.7 afirma simplesmente que se a ||F || ≤ L < 1 então o método de Jacobi (e Gauss-Sidel)
converge. Pois bem,
No Exemplo 13.5 item a) , temos

||F || = max{|0| + |1/2|, | − 1/2| + |0|} = 1/2 < 1.

Portanto, o método de Jacobi converge, isto é, ele pode ser aplicado.
No Exemplo 13.5 item b) , temos

||F || = max{|0| + | − 1/3| + |1/3|, |1/4| + |0| + | − 1/4|, | − 1/3| + |1/6| + |0|} = 2/3 < 1.

42
Portanto, o método de Jacobi converge, isto é, ele pode ser aplicado.
No Exemplo 13.6, temos que

||F || = max{|0| + | − 2| + |1|, |2| + |0| + |2|, | − 1/4| + |1/4| + |0|} = 2.

Portanto, o método de Jacobi não pode ser aplicado. Observe que o Teorema 13.7 não afirma no caso em que
||F || = L ≥ 1.

13.3 Exercı́cios
Exercı́cio 1: Use o Teorema 13.7 para verificar a convergência de cada um dos sistemas a seguir. Em no caso de as
hipóteses do teorema serem satisfeias encontre a solução com a tolerância δ e a aproximação inicial x0 . Compare a
solução
 obtida com a solução exata, isto é, aquela obtida por meio de um método direto.
 1, 5x + 0, 8x = 1, 23
1 2
a) , δ = 0, 1, x0 = (0; 0).
 2, 1x1 − 3, 2x2 = −0, 87

 4x1 + x2 − 2x3 = 3


b) 3x2 + x3 = 11 δ = 0, 1, x0 = (0, 5; 0, 5; 0, 5).


2x1 − x2 + 6x3 = 11




 7x1 + x2 − 2x3 + x4 = 7


 4x2 + x4 = 5
c) δ = 0, 05, x0 = (2; 2; 2; 2).


 x1 + 5x3 − x4 = 5


 x
1 + x2 − 2x3 − 5x4 = −5

 3x1 + 6x2 − 2x3 = 7


d) 4x1 + 3x2 + x3 = 8 δ = 0, 1, x0 = (0; 0; 0).


2x1 − x2 + 6x3 = 7

Respostas: a) Converge. Solução aproximada x6 = (0, 5214375; 0, 625725). Solução exata = (0, 5; 0, 6);
b) Converge. Solução aproximada x5 = (0, 997685185; 3, 006944444; 1, 97492284). Solução exata = (1; 3; 2);
c) Converge. Solução aproximada x4 = (0, 998714286; 0, 997303572; 1, 003697959; 0, 998102041). Solução exata =
(1; 1; 1; 1);
d) O Teorema 13.7 não se aplica. Solução exata = (1; 1; 1; 1).

Exercı́cio 2: Por meio de operações elementares, coloque os sistemas a seguir numa forma que sempre convir-
jampara o método iterativo de Jacobi. 
 x1

 + 3x2 − x3 = 7  x1

 + 3x2 − x3 = −3
a) −x1 + x2 + 7x3 = 1 , b) 4x1 + x2 − 4x3 = −1 .

 

4x1 + x2 = 6 x1 − x2 + x3 = 3
 

Respostas: a) Faça, seguidamene, as seguintes operações elementares: i) L1 ↔ L3 , ii) L2 ↔ L3 .


b) Faça, seguidamente, as seguintes operações elementares: i) L1 ↔ L2 , ii) L1 → L1 + L3 , iii) L3 → L1 + L3 .

43
Capı́tulo 14

Solução de Sistemas Lineares


Método Iterativo de Gauss-Sidel

14.1 Método Iterativo de Gauss-Sidel


O método de Gauss-Sidel é bem semelhante ao método de Jacobi, tratando-se somente de uma leve modificação
neste último.
No método de Jacobi tinhamos que a i-ésima coordenada de uma k-ésima iteração era da por
n
bi 1 X
xki = − aij xj ,
aii aii
j=1,j6=i

onde, facilmente nota-se que uma dada solução xk depende exclusivamente dos elementos (coordenadas) da solução
anterior. No método de Gauss-Sidel, isso muda, desta vez usaremos tanto coordenadas da aproximação anterior como
coordenadas da solução atual que vão sendo obtidas. Isso é feito da seguinte forma:

1
xk1 = b1 − a12 xk−1 − a13 xk−1 − . . . − a1n xk−1

2 3 n
a11
1
xk2 = b2 − a21 xk1 − a23 xk−1 − . . . − a2n xk−1

3 n
a22
..
.
1
xkk = bn − an1 xk2 − an2 xk3 − . . . − an n−1 xkn .

ann
Exemplo
 14.1. Resolva, por meio do método de Gauss-Sidel, os sistemas a seguir considerando δ = 0, 2:
 2x
1 − x2 = 1
a) x0 = (0; 0)
 x1 + 2x2 = 3

 3x1

 + x2 − x3 = 3
b) x1 + 4x2 + x3 = 6 x0 = (0, 5; 0, 5; 0)


2x1 − x2 + 6x3 = 7

Solução: a) Temos que a função de iteração de Gauss-Sidel é dada por:

 xk = 1 + 1 xk−1
1 2 2 2
,
 xk = 5 − 1 k
2 2 2 x2

donde obtemos

x0 = (0; 0), x1 = (0, 5; 1, 25), x2 = (1, 125; 0, 9375), x3 = (0, 96875; 1, 015625),

44
uma vez que ||x3 − x2 || = 0, 15625 < δ. Compare os resultados obtidos neste exemplo com os resultados obtidos no
Exemplo 13.5.
b) Temos que a função de iteração de Gauss-Sidel é dada por:

k 1 k−1 1 k−1
 x1 = 1 − 3 x2

 + 3 x3
3 1 k 1 k−1
xk2 = 2 − 4 x1 − 4 x3
,

7 1 k 1 k

xk3 = − 3 x1 + 6 x2

6

donde obtemos
x0 = (0, 5; 0, 5; 0), x1 = (0, 833333333; 1, 291666667; 1, 104166667),

x2 = (0, 9375; 0, 989583333; 1, 019097222), x3 = (1, 009837964; 0, 992766204; 0, 995515046),

uma vez que ||x3 − x2 || = 0, 072337964 < δ.

14.2 Exercı́cios
Exercı́cio 1: Utilize o método de Gauss-Sidel aos intens a), b) e c) do Exercı́cio 1, da Seção 13.3.
Respostas: a) x3 = (0, 48628; 0, 59099625); b) x3 = (1, 017361111; 2, 99537037; 1, 993441358);
c) x4 = (0, 974689796; 0, 987975; 1, 014682041; 0, 986660143).

Exercı́cio 2: Dado o sistema 


 5x1

 − 2x2 − x3 = −2
x1 + 8x2 + x3 = 20 ,


x1 − x2 + 4x3 = 11

i) determine a solução exata, ii) calcule 5 iterações para os métodos de Jacobi e Gauss-Sidel e compare os resultados
com a solução real. Considere x0 = (0; 0; 0).
Respostas:
i) Gauss (1; 2; 3);
ii) Jacobi (0, 977640625; 2, 011542969; 3, 001123047), Gauss-Sidel (0, 997533609; 2, 000823402; 3, 000822448).
Erros: eJacobi = 0, 022359375, eGauss−Sidel = 0, 002466391.

45
Capı́tulo 15

Solução de Sistemas Lineares


Número Condicional

15.1 Número Condicional


Considere um sistema n × n, AX = B e uma soluçã aproximada xk . Definimos o vetor resı́duo rk = B − Axk .
Intuitivamente somos levados a pensar que quanto mais próximo do vetor nulo o vetor rk estiver, melhor será a solução
xk . Porém, esta intuição é falha como veremos:

Exemplo 15.1. Considere o sistema



 x1 − 1, 001x2 = 2, 001
.
 0, 999x1 + x2 = 1, 999

Este sistema tem solução exata x̄ = (1; 1). Para a aproximação xk = (2; 0, 001), temos que o resı́duo é dado por
       
2, 001 0, 999 1, 001 2 −0, 000001
rk =  − . = .
1, 999 1, 999 1 0, 001 0

Veja que o resı́duo rk é quase nulo, porém, a solução exata x̄ = (1; 1), é bem diferente da aproximação xk = (1; 0, 001).
Se não tivessemos idéia de x̄, seriamos levados a pensar que xk se tratava de uma boa aproximação.

O Exemplo 15.1 apresenta uma certa peculiaridade, mais especificamente na matriz de seu sistema.

Definição 15.2. Seja An×n uma matriz tal que det(A) 6= 0. Definimos o número condicional de A como sendo
Cond(A) = ||A||.||A−1 ||.

Exemplo 15.3. Determine o número condicional da matriz


 
2 1
A= .
4 3

Solução: Temos que a inversa de A, é dada por


 
3
− 21
A−1 =  2
.
−2 1

Portanto, Cond(A) = ||A||.||A−1 || = 7.3 = 21.

Quando Cond(A) ≈ 1 dizemos que a matriz A é bem condicionada, ou seja, pequenas perturbações no vetor B
refletem em pequenas variações no vetor X. Por outro lado, e Cond(A) é muito grande, então pequenas perturbações
no vetor B produzem uma grande variação no vetor solução X. Vejamos o exemplo a seguir:

46
Exemplo 15.4. Um certo produto a ser transportado é fornecido em dois tipos de embalagens diferentes, constando
para ambas o peso bruto de 400 gramas. O encarregado da companhia transportadora deseja saber o peso exato de
cada tipo. Como, ao pesar as duas embalagens em uma balança , cuja precisão vai até 100 gramas, não encontra um
diferença significativa, ele idealiza o seguinte processo; sobre a balança coloca 11 embalagens do 1o tipo e 5 do segundo
tipo e lê o peso 6, 4 kg; em seguida, tira duas do 1o tipo e uma do segundo tipo, lendo agora 5, 2 kg. Ele espera que a
solução do sistema de equações 
 11x + 5x2 = 6, 4
1
.
 9x1 + 4x2 = 5, 2

forneça os pesos exatos de x1 e x2 , uma vez que o maior número de embalágens deve acentuar a diferença de pesos.
Ao encontrar x1 = 0, 4 e x2 = 0, 4, ele conclui que a precisão de até 100 gramas fornecida pela balança não é
suficiente. Resolve então tentar a mesma experiência com uma balança de precisãode até 10 gramas. Então agora,
para a primeira pesada, 6, 45 kg e, para a segunda, 5, 16 kg. Resolvendo o sistema:

 11x + 5x = 6, 45
1 2
 9x1 + 4x2 = 5, 16

ele encontra surpreendido os valores


x1 = 0 kg ex2 = 1, 29 kg.

Evidentemente, esta última balança está com uma descalibragem de cerca de 0, 05 kg.

Observe que, no Exemplo 15.4 uma pequena descalibragem de aproximadamente 0, 05 kg implicou em valores tão
diferentes dos verdadeiros? Isso se deve ao fato de a matriz do sistema em questão ser mal condicionada. Observe que
as retas determinadas pelas equações do sistema são quase coincidentes!

15.2 Exercı́cios
Exercı́cio 1: Calcule o número condicional de cada matriz
 a seguir. 

1 1
   1 −1 −1
2 3  1 2  
a)  b)   c)  0 1 −1
 .
1 1
1, 00001 2

3 4
0 0 1
Respostas: a) 50; b) 600, 002; c) 12.

47