Apostila Wanderson Calculo Numerico
Apostila Wanderson Calculo Numerico
Apostila Wanderson Calculo Numerico
Julho de 2009
Sumário
3 Zero de Funções 19
3.1 Método da Bisseção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Método da Falsa-Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Método da Iteração Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 Aproximação de Funções 28
4.1 Teoria de Interpolação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Interpolação Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Fórmula de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4 Diferenciação Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Fórmula de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6 Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.6.1 Critérios de Ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.6.2 Ajuste Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 Integração Numérica 42
5.1 Método dos Trapézios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2 Método de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Método da Quadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1
Capı́tulo 1
Métodos numéricos são conjuntos de procedimentos utilizados para transformar um modelo matemá-
tico num problema numérico ou conjuntos de procedimentos usados para resolver um problema
numérico. A escolha de método mais eficiente para resolver um problema numérico deve envolver a
precisão desejada, a capacidade do método em conduzir bons resultados e o esforço computacional
despendido. Veja referênica (1).
1.1.1 Algoritmo
É a descrição sequencial dos passos que caracterizam um método numérico. O algoritmo fornece
uma descrição completa de operações bem definidas por meio das quais o conjunto de dados de
entrada é transformado em dados de saı́da. Por operações bem definidas entendem-se as aritméticas
e lógicas que um computador pode realizar. Dessa forma, um algoritmo consiste de uma sequência
de n passos, cada um envolvendo um número finito de operações. Ao fim desses n passos, o algoritmo
deve fornecer valores ao menos “próximos”daqueles que são procurados. O número n pode não ser
conhecido a priori, é o caso de algoritmos iterativos cuja idéia será enfocada a seguir, nesse caso,
em geral tem-se para n apenas uma cota superior.
Uma das idéias fundamentais do cálculo numérico é a de iteração ou aproximação sucessiva. Num
sentido amplo, iteração significa a repetição de um processo. Grande parte dos métodos numéricos
é iterativa. Um método iterativo se caracteriza por envolver os seguintes elementos constitutivos:
(i) Tentativa inicial: consiste em uma primeira aproximação para a solução desejada do pro-
blema numérico.
(ii) Equação de recorrência: equação por meio da qual, partindo-se da tentativa inicial, são
realizadas as iterações ou aproximações sucessivas para a solução desejada.
(iii) Teste de parada: é o instrumento por meio do qual o procedimento iterativo é finalizado.
2
CAPÍTULO 1. CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 3
Outro conceito que aparece em cálculo numérico é o de aproximação local de uma função por outra,
que seja de manuseio mais simples. Por exemplo, aproximar uma função não-linear por uma função
linear num determinado intervalo do domı́nio das funções.
1.2 Erros
Na busca da solução do modelo matemático por meio de cálculo numérico, os erros surgem de várias
formas e merecem cuidado especial. Do contrário, pode-se chegar a resultados distintos do que se
esperaria ou até mesmo obter outros que não têm nenhuma relação com a solução do problema
original.
As principais fontes de erros são as seguintes:
É o erro inerente ao método numérico. Surge cada vez que se substitui um procedimento matemático
infinito por um processo finito ou discreto.
ii) Erro relativo - é a razão entre o erro absoluto e o valor exato de um número. Esse erro é
frequentemente dado como porcentagem, por exemplo, 3% de erro relativo significa que o
erro é 0.03. Notação: “ δ ”.
∆x
δx =
x
Exemplo 1.1 Se x = 3, 251408 e x∗ = 3, 2524643, então
e
∆x 1, 0554 × 10−3
δx = = = 3, 24597836 × 10−4 ,
x 3, 251408
ou seja, o erro relativo é de aproximadamente 0, 032%.
vi) δ(xy) = δx + δy
(x) y ∗ ∆x − x∗ ∆y
vii) ∆ ≃
y (y ∗ )2
(x)
viii) δ = δx − δy
y
101102 = 1 × 24 + 0 × 23 + 1 × 22 + 1 × 21 + 0 × 20 = 16 + 0 + 4 + 2 + 0 = 22.
Como segundo exemplo, vamos obter a representação decimal do número binário 11.012 . Neste
caso,
1
11.012 = 1 × 21 + 1 × 20 + 0 × 2−1 + 1 × 2−2 = 2 + 1 + 0 + = 3.25.
4
A conversão de números decimais para números binários é feita através de divisões sucessivas
como mostrado na figura abaixo. O resultado é constituı́do pelos restos das divisões tomados na
ordem inversa,
17 2
1 8 2
0 4 2
0 2 2
0 1 2
1 0
assim, temos que 17 = 100012 .
CAPÍTULO 1. CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 5
3- Separar a parte fracionária e repetir o processo até que a parte fracionária seja igual a 0.
Por exemplo, vamos transformar o número decimal 0.1875 em um número binário, ou seja,
representado na base 2:
O processo termina porque a próxima parte fracionária a ser utilizada é igual a 0. Assim, o
número 0.187510 é escrito como 0.00112 .
Uma função f (x) contı́nua e infinitamente derivável, pode ser representada por uma série de
potências da forma:
∞
∑ f (n) (a)
f (x) = (x − a)n , (1.1)
n!
n=0
onde f (0) (a) = f (a), e f (n) (a) é a derivada de ordem n de f no ponto a. A equação acima denomina-
se série de Taylor da função f em torno do ponto x = a. Quando a = 0, a série recebe o nome de
Maclaurin.
O emprego da série de Taylor para representar f (x) está limitado aos casos em que ela é
convergente. Pela teoria das séries de potências, a série de Taylor é convergente para os valores de
x que satisfazem a desigualdade
|x − a| < r ,
onde r é o raio de convergência da série.
Consegue se mostrar que
|f (n) (a)|
r = limn→∞ (n + 1) .
|f (n+1) (a)|
Se escrevermos h = x − a, a equação (1.1) fica
∞
∑ f (n) (a)
f (a + h) = hn . (1.2)
n!
n=0
Na aplicação da série de Taylor, torna-se impossı́vel computar todos os seus termos. O que se
faz é considerar apenas um número finito deles. Se a série é truncada após o n-ésimo termo, tem-se
a aproximação:
h2 ′′ hn−1 (n−1)
f (a + h) = f (a) + hf ′ (a) + f (a) + · · · + f (a).
2! (n − 1)!
CAPÍTULO 1. CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 6
M
|Rn (x)| ≤ (x − a)n , (1.4)
n!
onde M = max |f (n) (t)| com a ≤ t ≤ x.
Exemplo 1.2 Desenvolver a função f (x) = ex em série de Taylor em torno do ponto x = 0.
Calcule e−1 usando da série obtida, cinco termos, e delimite o erro cometido.
solução:
Nesse caso,
f (x) = ex , a = 0 , e f (0) = f ′ (0) = f ′′ (0) = · · · = f (n) (0) = · · · = 1 .
Portanto,
x2 x3 xn
ex = 1 + x + + + ··· + + ...
2! 3! n!
e o raio de convergência da série é infinito (verifique!). Então
1 1 1
e−1 = 1 − 1 + − + = 0, 375 .
2! 3! 4!
Delimitação do erro:
M
R5 (−1) ≤
|(−1)5 | .
5!
Como M = max |et |, com −1 ≤ t ≤ 0, temos que M = 1, assim,
1.5 Conclusão
Com essas idéias preliminares e que são básicas em cálculo numérico, o fluxograma apresentado no
inı́cio, que indicava as fases de resolução de um problema real, pode agora ser assim reestruturado:
Problema Fı́sico
Modelagem / Modelo Matemático
Implementação Computacional o Escolha do Método
do Método Numérico Numérico Adequado
Análise dos Resultados / Solução
CAPÍTULO 1. CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 7
1.6 Exercı́cios
4. Converta os seguintes números decimais para a base binária: x = 47, y = 93, z = 26.35 e
w = 0.1217.
5. Converta os seguintes números binários para a sua correspondente forma na base decimal:
x = 1101012 , y = 0.11012 , z = 11100.11012 e w = 0.11111012 .
6. Calcule a área de um cı́rculo de raio 100 m, utilizando os seguintes valores aproximados para
π : 3.14, 3.1416, 3.14159 e 3.1415926.
7. Determine os erros absoluto e relativo do exercı́cio anterior, considerando como valor exato
a área obtida através do último valor de π.
a) f (x) = e3x
b) f (x) = sen (2x)
1
c) f (x) =
1 + 3x
d) f (x) = x sen (2x)
a) f (x) = sen x, c = π
1
b) f (x) = , c=1
x
c) f (x) = cos x, c = π
CAPÍTULO 1. CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 8
d) f (x) = ex , c = 3
1
12. Considere a função f (x) = .
x
a) Desenvolva a função f (x) em série de Taylor, em torno do ponto x = 2;
b) Encontre o raio e o intervalo de convergência da série obtida no item anterior;
c) Expresse f ′ (x) e f ′′ (x) em termos de série de potências.
14. Calcular o valor numérico de sen 2, usando a série de Taylor da função sen x (dada abaixo)
com número de termos variando de 2 a 10 termos. Calcular o erro absoluto para cada caso.
Esboçar o gráfico do valor do sen 2 calculado por série de Taylor versus o número de termos
para verificar que ele converge para o valor exato com o aumento do número de termos da
série.
∑∞
x2k+1
sen x = (−1)k , |x| < ∞ .
(2k + 1)!
k=0
com o número de termos variando de 1 a 20 termos e calcular o erro absoluto para cada caso.
Esboçar o gráfico do valor do erro versus número de termos. Observar pelo erro absoluto que
o aumento do número de termos não melhora a precisão do resultado numérico ao contrário
do observado no exercı́cio anterior. Explicar porque isto acontece.
Capı́tulo 2
Sabemos da álgebra linear que o sistema (2.1) admite solução se det A ̸= 0, ou seja, se A é
invertı́vel, e assim sua solução é x = A−1 b. Mas do ponto de vista computacional, calcular a inversa
de uma matriz é muito custoso e, para evitar esse problema, utilizaremos o método de eliminação
de Gauss.
Eliminação Gaussiana
A idéia do método de Gauss é transformar o sistema dado num sistema triangular inferior (ou
superior), utilizando escalonamento de matrizes. Após esse processo, teremos o seguinte sistema:
9
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 10
u11 x1 + u12 x2 + ··· + u1n xn = g1
u22 x2 + ··· + u2n xn = g2
.. .. .. . (2.2)
. . .
unn xn = gn
Uma vez triangularizado o sistema, através do algoritmo da retrosubstituição, encontramos a
solução procurada:
∑
n
gi − uij xj
j=i+1
xi = , i = n, n − 1, · · · , 2, 1,
uii
∑
n
onde uij xj = 0 sempre que j > n.
j=i+1
Exemplo 2.1 Vamos utilizar o método de eliminação de Gauss para resolver o seguinte sistema
linear
2x1 + x2 + x3 = 7
4x1 + 4x2 + 3x3 = 21 . (2.3)
6x1 + 7x2 + 4x3 = 32
Considerando a matriz ampliada do sistema, temos
2 1 1 | 7
[A | b] = 4 4 3 | 21 .
6 7 4 | 32
Passo 1: zerar a21 e a31
′
Passo 2: zerar a32
′
• defino 2 o pivô: a22 = 2
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 11
e assim,
2 1 1 | 7
′′
[A | b] = 0 2 1 | 7 = [U | g]
0 0 −1 | −3
g2 − u23 x3
7 − 1(3)
x2 = = = 2
u22 2
g1 − u12 x2 − u13 x3
7 − 1(2) − 1(3)
x1 = = = 1
u11 2
ALGORITMO DE GAUSS
• i = k + 1, · · · , n, com n = dim A
(k)
• assumo akk ̸= 0 → k o pivô
(k)
aik
• definição dos multiplicadores de linha =⇒ mik = (k)
, i = k + 1, · · · , n
akk
(k+1)
aij
(k) (k)
:= aij − mik akj
• definição das novas linhas da matriz =⇒ .
(k+1) (k) (k)
bi := bi − mik bk
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 12
2.2 Decomposição LU
“Toda matriz não singular admite uma decomposição em duas matrizes triangulares, uma superior
e outra inferior”. Quem garante esse resultado é o próximo teorema.
Exercı́cio 2.1 Resolver o sistema linear abaixo através do método de eliminação de Gauss uti-
lizando quatro casas decimais de precisão na solução.
x + y + z = 1
2x − y + 3z = 0 .
−x + y − 5z = 2
Vamos agora introduzir dois novos métodos que pertencem a classe dos métodos iterativos. Estes
métodos não mais resolvem o sistema exatamente, mas sim, a partir de uma estimativa inicial,
constróem uma sequência de aproximações que converge para a solução exata do sistema. Devido as
limitações de memória computacinal, esses métodos se mostram mais interessantes que os diretos, os
quais gastam grande quantidade de memória computacional (problemas de interesse da engenharia
possuem aproximadamente 105 incógnitas).
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 13
Método de Gauss–Jacobi
O método de G.J. usa a maneira de escrever um sistema linear para gerar uma sequência de
aproximações:
(k+1) 1 ∑n
(k)
xi = bi − aij xj , i = 1, 2, ... , n k = 0, 1, 2, ...
aii j=1
j̸=i
| {z }
F ormula de Gauss−Jacobi
solução:
Método de Gauss–Seidel
Podemos construir uma variante do método de G.J. permitindo que as versões atualizadas das
componentes de x entre na computação na mesma iteração K na qual são calculadas. Isto dá
origem ao método de Gauss-Seidel.
Fórmula Gauss-Seidel :
T ermo novo
z }| { z antigo
}| {
∑
i−1 ∑n
(k)
1
aij xj
(k+1) (k+1)
xi = aii bi − aij xj − , i = 1, 2, ... , n k = 0, 1, 2, ...
j=1 j=i+1
Estudo de Convergência
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 15
Se a diferença, em módulo, entre duas aproximações consecutivas for menor que um parâmetro
pré-estabelecido ε > 0, finalize a computação .
(k+1) (k)
maxi xi − xi ≤ ε → stop
• Caso a matriz for esparsa, também devemos optar por soluções iterativas, pois nestas situações
elas apresentam boa velocidade.
Desvantagens :
Comentário Importante :
Caso a solução não seja convergente, podemos tentar uma reorganização das equações antes de
aplicarmos o método iterativo. Por exemplo, considere o sistema abaixo:
x1 + x2 + 3x4 = 5
5x1 + x2 − x3 − x4 = 4
x − x2 + 5x3 − x4 = 4
1
x1 − 7x2 + x3 + x4 = −4
Tomando chute x(0) = (0, 0, 0, 0)T , a solução utilizando “GS” diverge, lim x(k) ̸= x .Entretanto,
k→∞
ao reordenamento do sistema, [L1 ↔ L2 , e depois, L4 ↔ L2 ]
(antes) (depois)
1 5
1 −7
−→
5 5
1 3
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 16
Critério de convergência:
∑
n
|aii | > |aij | , ∀i = 1, 2, ... , n. (2.4)
j=1
j̸=i
CAPÍTULO 2. RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 17
2.4 Exercı́cios
10x1 + 2x2 + x3 = 15
a) 20x1 − 5x2 + 2x3 = 32
5x1 + 15x2 − 2x3 = 33
3x1 + 10x2 + x3 = −16
b) x1 − 5x2 + 10x3 = 1
x1 + 2x2 + 5x3 = 2
5x1 − 2x2 = 10
c) 10x2 − 3x3 = −50
−2x1 + 5x2 − 2x3 = 60
50x1 − 5x2 + 2x3 = 300
d) − 2x2 + 5x3 = 10
10x1 − 20x3 = −950
2. Encontre a decomposição LU das matrizes dos coeficientes associados aos sistemas do exercı́cio
anterior.
b) Escolha o menor valor inteiro positivo de a e determine uma solução aproximada do sistema,
usando os métodos acima, com critério de parada estabelecido pelo erro abaixo
maxi=1,··· ,3 |xk+1
i − xki | ≤ ε = 1 × 10−3 .
Zero de Funções
O estudo das equações algébricas é, juntamente com a trigonometria uma das áreas mais antigas
da matemática. Ainda na idade média, os matemáticos árabes solucionaram a equação do 2o grau,
e na renascença foram solucionadas as equações do 3o e 4o graus.
Após muito esforço e dedicação por parte dos que pesquisam matemática, ficou provado que
para equações de grau maior que 4, não é possı́vel obter uma solução do tipo combinação dos
coeficientes da equação. É justamente aı́ que surgem os métodos que capturam as raı́zrs dessas
equações.
Estes métodos, também conhecidos como iterativos, constroem uma sequência de aproximações
que poderá convergir para a solução do problema. A seguir, serão apresentados 4 destes métodos:
Bisseção, Falsa-Posição, Iteração Linear e Newton-Raphson.
Um escalar ξ é dito um zero de uma função f (x) (ou simplesmente raiz da equação f (x) = 0), se
e somente se, f (ξ) = 0. Estes zeros são representados geometricamente pela interseção da função
f (x) com o eixo x.
f(x)
x1 x2 x3
raiz múltipla
raízes simples
Conforme ilustrado na figura acima, temos dois tipos de raı́zes: simples (f ′ (ξ) ̸= 0) e múltipla
(f ′ (ξ)
= 0). Os dois primeiros métodos supracitados (Bisseção e Falsa-Posição) só capturam raı́zes
simples, enquanto que o último (Newton-Raphson) captura ambas.
19
CAPÍTULO 3. ZERO DE FUNÇÕES 20
Seja f (x) uma função contı́nua no intervalo [a, b] contendo apenas 1 raiz de f (x) (se f (a) · f (b) < 0
então existe 1 raiz simples no intervalo). A idéia do método é:
4. reinicie o algoritmo.
a=0 b = 0.5 c = 0.25
1o passo f (a) = 1 f (b) = −0.3513 f (c) = 0.2840
f (b) · f (c) < 0 ⇒ a := c
a = 0.25 b = 0.5 c = 0.3750
2o passo f (a) = 0, 2840 f (b) = −0.3513 f (c) = −0.0450
f (b) · f (c) > 0 ⇒ b := c
a = 0.25 b = 0.3750 c = 0.3125
3o passo f (a) = 0.2840 f (b) = −0.0450 f (c) = 0.1168
f (b) · f (c) < 0 ⇒ a := c
..
.
critérios de parada
Se ξ¯ é a aproximação da raiz ξ da equação f (x) = 0 pertencente ao intervalo [a, b], então temos
dois critérios de parada:
( )
I) |f ξ¯ | ≤ ε
II) |b − a| ≤ ε,
f(b)
f(x)
raiz
a
c b
f(a)
É uma variante do método da bisseção, na medida em que utiliza o mesmo algoritmo que o método
da bisseção,
( diferindo
) ( apenas
) na escolha do ponto “c”, que passa a ser a raiz da secante que liga os
pontos a, f (a) e b, f (b) . Veja a figura 3.2.
O novo valor de “c” será dado por
f (b)a − f (a)b
c= .
f (b) − f (a)
Exercı́cio 3.1 Verifique que com o método da falsa-posição, após 3 iterações, o exemplo anterior
nos leva ao seguinte resultado: c = 0.3575 e f (c) = −0.0002.
ALGORITMO BISSECAO
entrada: (f(x),a,b,aux)
ALGORITMO FALSA-POSICAO
entrada: (f(x),a,b,aux)
Vamos estudar agora os chamados métodos do ponto fixo. O mais simples deles é o método da
iteração linear, o qual, mesmo não tendo boa eficiência computacional, é importante para a in-
trodução do método de Newton-Raphson.
Inicialmente, vamos reescrever o problema “Encontrar ξ ∈ R tal que f (ξ) = 0” como “Encontrar
ξ ∈ R tal que ξ = φ(ξ)”, onde φ(x) é uma função de iteração da equação f (x) = 0.
Pra tornar estes problemas equivalente, façamos f (x) = x − φ(x), assim, como f (ξ) = 0, temos
que ξ − φ(ξ) = 0 e, portanto, ξ = φ(ξ) .
Exemplo
√ 3.2 Considere a equação x2 + x − 6 = 0. A sua função de iteração é a função φ(x) =
6 − x.
Uma vez determinada φ(x), o M.I.L. consiste em construir uma sequência de aproximações
{xi }i∈N a partir de um chute inicial x0 e gerada através da relação recursiva xi+1 := φ(xi ) ,
i = 0, 1, 2, · · · .
No exemplo acima, partindo de x0 = 1, 5 terı́amos
√
1. x1 = φ(x0 ) = 6 − 1.5 = 2.1213;
√
2. x2 = φ(x1 ) = 6 − 2.1213 = 1.9694;
√
3. x3 = φ(x2 ) = 6 − 1.9694 = 2.0076;
√
4. x4 = φ(x3 ) = 6 − 2.0076 = 1.9981;
√
5. x5 = φ(x4 ) = 6 − 1.9981 = 2.0005;
e, portanto podemos perceber que o processo converge para ξ = 2.
Entretanto, o M.I.L. não é incondicionalmente convergente como os métodos da bisseção e falsa-
posição. Ao tomarmos como função de iteração φ(x) = 6 − x2 (note que φ(x) não é única), geramos
um processo iterativo divergente, verifique!
CAPÍTULO 3. ZERO DE FUNÇÕES 23
estudo da convergência
Como vimos, φ(x) não é única. Na verdade, sua forma geral é dada pela relação
com A(ξ) ̸= 0. Podemos mostrar a equivalência entre os problemas f (ξ) = 0 e ξ = φ(ξ) da seguinte
maneira
A interpretação gráfica do problema de ponto fixo é a interseção da curva y = φ(x) com a reta
y = x, conforme ilustra a figura 3.3:
y=x
y y
y= ϕ(x) y=x
y= ϕ(x)
ξ x2 x1 x0 x ξ x2 x1 x0 x
Estas figuras sugerem que, para gerarmos um processo convergente, devemos ter baixas derivadas
de φ(x) na vizinhança de ξ. Esta sugestão é confirmada pelo teorema de convergênica do M.I.L.
Teorema 3.1 Teorema de Convergência do M.I.L. - Seja ξ uma raiz de f (x) = 0 isolada no
intervalo [a, b] centrado em ξ. Seja φ(x) uma função de iteração de f (x) = 0. Se:
então a sequência {xi } gerada pelo processo xi+1 := φ(xi ) converge para ξ.
CAPÍTULO 3. ZERO DE FUNÇÕES 24
critérios de parada
I) |xi+1 − xi | ≤ ε;
II) |f (ξ)| ≤ ε,
Observação 3.1 Devemos ser cuidadosos com o 1o critério, pois em algumas situações ele não
corresponde à |xi − ξ| ≤ ε, conforme ilustra a figura abaixo.
ϕ(ξ)
ε
ξ x i+1 xi x
ALGORITMO MIL
entrada(f(x),Phi(x),raiz,x0,aux)
Vimos que o M.I.L. tem convergência lenta e não garantida. A idéia do método de Newton é
construir um método de ponto fixo que garanta e acelere a convergência do processo iterativo
linear. Isto será feito impondo que a derivada da função de iteração seja nula em x = ξ, ou seja,
φ′ (ξ) = 0.
∴ A(ξ)f ′ (ξ) = −1
−1
∴ A(ξ) = .
f ′ (ξ)
xi+1 = φN (xi ), i = 0, 1, 2, · · · ,
f (xi )
xi+1 = xi − . (3.1)
f ′ (xi )
Exercı́cio 3.3 Utilize expansão em série de Taylor para deduzir a fórmula de Newton-Raphson.
interpretação geométrica
As aproximações futuras geradas pela fórmula de Newton serão as raı́zes das tangentes à curva
y = f (x) avaliadas nas aproximações atuais xi , conforme mostra a figura a seguir,
f (xi )
xi+1 − xi = −
f ′ (xi )
f (xi )
xi+1 = xi − .
f ′ (xi )
CAPÍTULO 3. ZERO DE FUNÇÕES 26
y=f(x)
f(xi )
ξ x i+1 xi
Exemplo 3.3 Considere ainda o exemplo 3.2, no qual a partir de uma estimativa inicial x0 = 1.5,
desejamos obter numericamente a raiz ξ = 2 da equação x2 + x − 6 = 0. Aplicando o método de
Newton-Raphson, temos
f (xi )
xi+1 = xi −
f ′ (xi )
x2i + xi − 6 x2 + 6
⇒ xi+1 = xi − = i ,
2xi + 1 2xi + 1
e assim, teremos a seguinte sequência
x1 = φ(x0 ) = 2.06250;
x2 = φ(x1 ) = 2.00076;
x3 = φ(x2 ) = 2.00000.
Observe que, com apenas 3 iterações, obtemos ξ = 2 com precisão de 5 casas decimais!
Para uma pequena análise de convergência, apresentamos o teorema abaixo, que descreve as
condições para que o método de Newton-Raphson seja convergente.
Teorema 3.2 Sejam f (x), f ′ (x), f ′′ (x) ∈ C 0 [a, b] e seja ξ ∈ [a, b] raiz da equação f (x) = 0.
Suponha que f ′ (x) ̸= 0. Então existe um intervalo I ⊂ [a, b] tal que ξ ∈ I e se x0 ∈ I, a sequência
{xi } gerada pela fórmula recursiva xi+1 := φ(xi ), ∀i, irá a convergir para a raiz ξ.
3.5 Exercı́cios
1. Dê um exemplo de uma função f (x) que tenha pelo menos uma raiz, mas que não pode ser
determinada usando o método da bisseção.
3. Seja f (x) = ex + x − 3.
a) Prove, analiticamente, que a equação f (x) = 0 tem, no intervalo [0, 1], apenas uma raiz,
α;
b) Aproxime α utilizando o método da bisseção com 6 iterações.
4. Considere a equação x3 + 3x + 3 = 0.
a) Justifique analiticamente que a equação tem uma única raiz real, α, pertencente ao intervalo
[−1, −0.1].
b) Utilize o método de Newton-Raphson para aproximar a raiz α calculando apenas duas
iterações, x1 e x2 . Escolha o chute inicial x0 .
6. Determine um intervalo (a, b) e uma função de iteração φ(x) associada, de tal forma que,
∀x0 ∈ (a, b), a função de iteração gere uma sequência convergente para a(s) raı́z(es) de cada
uma das funções abaixo, usando o método iterativo linear (MIL) com tolerância ε ≤ 1 × 10−3 :
√
a) f1 (x) = x − e−x ;
b) f2 (x) = ln(x) − x + 2;
x
c) f3 (x) = e 2 − x3 ;
d) f4 (x) = sen (x) − x2 ;
x
e) f5 (x) = − cos(x).
4
7. Determine a(s) raiz(es) da função f1 (x), usando o método da bisseção e o método da falsa
posição com tolerância ε ≤ 1 × 10−3 . Quantas iterações foram necessárias para cada um dos
métodos?
9. Determine o ponto de interseção entre as funções f1 (x) e f2 (x), f2 (x) e f3 (x) e entre
f1 (x), f2 (x) e f3 (x).
10. Defina raiz simples e raiz multipla em termos de multiplicidade algébrica. Interprete geome-
tricamente cada uma delas.
Capı́tulo 4
Aproximação de Funções
A teoria de interpolação tem importantes aplicações nas ciências exatas. Uma delas é fornecer
ferramentas matemáticas para o desenvolvimento de métodos numéricos, nas áreas de integração
numérica, teoria de aproximação e solução de equações diferenciais.
Um 2o uso importante é desenvolver maneiras de trabalhar com funções tabeladas, por exemplo,
interpolar linearmente uma tabela de logaritmos. Entretanto, esta aplicação cai cada vez mais em
desuso com a popularização das máquinas de calcular.
ii) φ(x̄) ∼
= f (x̄), ∀x̄ ̸= xi , i = 0, 1, · · · , n.
y y
ψ=ϕ(ξ)
y=f(x)
y=f(x)
ψ=ϕ(ξ)
x x
Boa aproximação Má aproximação
a) φ(x) = a0 + a1 x + · · · + an xn
28
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 29
A partir de uma tabela com n + 1 pontos de suporte, deseja-se escolher n + 1 funções de base φj (x),
cuja combinação linear será usada para aproximar a função f (x),
∑
n
φ(x) = aj φj (x) = a0 φ0 (x) + a1 φ1 (x) + · · · + an φn (x),
j=0
A escolha mais frequente para as chamadas funções de base, φj (x), são os monômios φj (x) =
xj , j = 0, 1, · · · , n, assim, o problema de interpolação passa a ser expresso por
∑
n
φ(x) = aj xj = a0 + a1 x + · · · + an xn .
j=0
φ(xi ) = yi , i = 0, 1, · · · , n,
portanto,
∑
n
aj (xji ) = yi , i = 0, 1, · · · , n,
j=0
1 x10 ··· xn0 a0 y0
1 x11 ··· xn1 a1 y1
1 x12 ··· xn2 a2 = y2 .
.. .. .. .. .. ..
. . . . . .
1 x1n · · · xnn an yn
xi yi
x0 = 0 y0 = e0 = 1
x1 = 2 y1 = e2 = 7, 3891
1 0 a0 1
=
1 2 a1 7, 3891
φ(x) = 1 + 3, 1946x.
Elevando o grau n de φ(x) esbarramos em dois problemas. O primeiro consiste em gerar sistemas
lineares muito grandes que deverão ser resolvidos, o que pode acontecer se utilizarmos um bom
código de resolução de sistemas. O segundo problema está intimamente ligado a estrutura da matriz
dos coeficientes, que para n muito grande, torna a matriz mal-condicionada limitando o cálculo de
φ(x) somente para n pequenos.
Antes, porém, de apresentarmos outras fórmulas para φ(x), vamos enunciar o teorema da
unicidade do polinômio interpolador, que vai garantir a existência de um único φ(x) para um
mesmo conjunto de pontos suporte.
∏n
x − xk
Lj (x) = .
k=0
xj − xk
k̸=j
Verifique! Em seguida, mostre que a fórmula de Lagrange passa por todos os pontos suporte, ou
seja, φ(xi ) = yi , ∀i.
Exemplo 4.2 Interpolar a função log10 x no intervalo [2, 3] usando apenas dois pontos suporte:
solução:
xi yi
x0 = 2 y0 = log10 2 = 0.301
x1 = 3 y1 = log10 3 = 0.477
Comecemos esse capı́tulo relembrando a definição de derivada de uma função real f (x)
f (x + h) − f (x)
f ′ (x) = lim
h→0 h
o que nos motiva a aproximar essa derivada da seguinte maneira:
f (x + h) − f (x)
∆1 ≡ , (4.2)
h
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 32
desde que h > 0 seja um parâmetro muito pequeno. Mas será que essa aproximação é boa? Vamos
responder essa pergunta utilizando expansão em série de Taylor:
h2 ′′
f (x + h) = f (x) + hf ′ (x) + f (ξ), ξ ∈ (x, x + h)
2
h2 ′′
⇒ f (x + h) − f (x) = hf ′ (x) + f (ξ),
2
dividindo tudo por h temos
f (x + h) − f (x) h
= f ′ (x) + f ′′ (ξ),
h 2
o que nos motiva a definir o erro da aproximação 4.2 como
h ′′
e= f (ξ).
2
Isto significa que se desejamos obter um erro, por exemplo, 10 vezes menor, temos que reduzir h
na mesma proporção, o que, de certa forma, empobrece a aproximação 4.2. Mas, e se conseguirmos
uma aproximação cujo erro seja proporcional a h2 ? Com certeza o erro diminuiria muito mais rápido
comparado a diminuição do parâmetro h.
Vamos considerar uma função real f (x) e a reta r que liga os pontos (x − h, f (x − h)) e
(x + h, f (x + h)), onde h é um parâmetro positivo suficientemente pequeno.
f(x−h)
f(x+h)
f(x)
reta r
x−h x x+h x
f (x + h) − f (x − h)
m= ,
2h
e assim, r tende para a reta tangente a curva no ponto x, ou seja, m → f ′ (x), o que significa que
podemos aproximar a derivada de f (x) da seguinte maneira:
f (x + h) − f (x − h)
∆2 = . (4.3)
2h
Vamos agora verificar a ordem do erro da aproximação 4.3. Considerando o intervalo (x−h, x+h)
e assumindo f (x) uma função suficientemente regular, podemos novamente utilizar expansão em
série de Taylor:
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 33
h2 ′′ h3
f (x + h) = f (x) + hf ′ (x) + f (x) + f ′′′ (ξ),
2 3!
h2 ′′ h3
f (x − h) = f (x) − hf ′ (x) + f (x) − f ′′′ (ξ),
2 3!
onde ξ ∈ (x − h, x + h).
Subtraindo a segunda da primeira equação, temos
h3 ′′′
f (x + h) − f (x − h) = 2hf ′ (x) + 2 f (ξ),
6
e dividindo tudo por 2h obtemos
f (x + h) − f (x − h) h2
= f ′ (x) + f ′′′ (ξ),
2h 6
e portanto, o erro é da ordem de h2 .
Se considerarmos um conjunto de pontos suporte (xi , f (xi )), e aplicarmos o operador ∆1 teremos
f (xi+1 ) − f (xi )
∆1 (f (xi )) = ,
xi+1 − xi
ou ainda,
fi+1 − fi
∆1 fi = .
xi+1 − xi
Podemos generalizar o operador ∆ através da tabela abaixo:
∆0 fi , fi
fi+1 − fi
∆1 fi =
xi+1 − xi
∆1 fi+1 − ∆1 fi
∆2 fi = ∆1 [∆1 fi ] = (4.4)
xi+2 − xi
..
.
Usando ainda a notação ∆n fi = f [xi , xi+1 , · · · , xi+n ], podemos reescrever a tabela 4.4 como:
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 34
∆0 fi = f [xi ]
∆1 fi = f [xi , xi+1 ]
Exercı́cio 4.1 Dados os pontos de suporte abaixo, monte sua tabela de diferenças finitas:
i xi fi
0 0.2 1.22
1 0.4 1.49
2 0.6 1.82
3 0.8 2.23
4 1.0 2.72
Newton teve a idéia de usar o conceito de diferenças finitas escrevendo o polinômio interpolador
como sendo a seguinte combinação linear
φ(x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − x0 )(x − x1 ) · · · (x − xn−1 ),
com os coeficientes aj calculados a partir do operador ∆.
Nós faremos a construção de φ(x) de maneira indutiva. Inicialmente, construimos φ0 (x) que
interpola f (x) em x0 e em x1 , e assim sucessivamente construimos φk (x) que interpola f (x) em
x0 , x1 , · · · , xk , k = 0, 1, · · · , n.
Antes de iniciarmos, é útil observar que ∆ é invariante à ordenação dos pontos suporte xi , por
exemplo:
fi+1 − fi (−1)(fi − fi+1 )
∆fi = f [xi , xi+1 ] = = = f [xi+1 , xi ].
xi+1 − xi (−1)(xi − xi+1 )
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 35
f (x) − f (0)
− f [x0 , x1 ]
x − x0
=
x − x1
Concluimos que φ1 (x) = f0 + f [x0 , x1 ](x − x0 ) e que e1 (x) = f [x0 , x1 , x](x − x0 )(x − x1 )
(função erro que se anula em x = x0 e x = x1 ).
ou ainda
Polinômio de Newton
z }| {
φn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − x0 )(x − x1 ) · · · (x − xn−1 ),
(4.6)
onde a0 = f [x0 ], a1 = f [x0 , x1 ], a2 = f [x0 , x1 , x2 ], · · · , an = f [x0 , x1 , x2 , · · · , xn ].
Exercı́cio 4.2 Construa um interpolante para a tabela abaixo usando poliômio de Newton:
xi fi
6 0.70
7 0.63
8 0.57
9 0.50
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 36
Nas primeiras seções desse capı́tulo, estudamos como interpolar uma função f (x) a partir de um
conjunto de pontos suporte. Nas próximas seções, aprenderemos como ajustar uma curva por entre
estes pontos, sem necessariamente passar por todos eles.
y y
y=f(x)
y=f(x)
x x
INTERPOLAÇÃO AJUSTE
r2
r1
Para solucionarmos este problema, tems que definir este tipo de conceito: “o de melhor aprox-
imação”.
Vamos estabelecer alguns critérios de “melhor” ajuste de uma curva y = φ(x) a um conjunto de
pontos suporte. Será útil definirmos o conceito de resı́duo, ou erro, em cada ponto:
Rk = φ(xk ) − yk , k = 0, 1, · · · , n.
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 37
Este critério é simples, porém é sensı́vel ao sinal dos resı́duos, conforme ilustra a situação abaixo:
y
y=f(x)
ϕ(x0) = y1
ϕ(x1) = y0 y= ϕ(x)
x0 x1 x
∑
n=1
( ) ( ) ( ) ( )
Rk = φ(x0 ) − y0 + φ(x1 ) − y1 = φ(x0 ) − y1 + φ(x1 ) − y0 = 0
k=0
Este critério dá origem ao método conhecido como método dos mı́nimos quadrados. Este método
surge em várias áreas da ciências exatas com nomes diferentes: regressão linear, suavização de dados,
otimização, etc...
Ele se baseia em aproximar uma função f (x) pela combinação linear
∑
n
φ(x) = aj φj (x),
j=0
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 38
onde os coeficientes aj são as incógnitas do problema de ajuste e φj (x) são funções de base con-
hecidas (escolhidas de acordo com o fenômeno estudado).
Para determinarmos os coeficientes aj ′ s, usamos o critério de mı́nimos quadrados:
∑
m
Rk2 = mı́n
k=0
ou
m (∑
∑ n
( )2 )
a φ (x ) − y = mı́n
j j k k
k=0 j=0
O último somátório acima também pode ser escrito da seguinte forma (veja o Apêndice A):
∑
m ∑
n ∑
m
aj φj (xk )φi (xk ) = yk φi (xk ), i = 0, 1, · · · , n,
k=0 j=0 k=0
assim,
n [∑
∑ m ]{ } { ∑
m }
φi (xk )φj (xk ) aj = φi (xk )yk , i = 0, 1, · · · , n,
j=0 k=0 k=0
∑
m ∑
m ∑
m
φ0 (xk )φ1 (xk ) · · · m
φ0 (xk )φ0 (xk ) φ0 (xk )φn (xk ) ∑
k=0
k=0 k=0
φ0 (xk )yk
a0
m
k=0
∑ ∑m ∑m
φ1 (xk )φ1 (xk ) · · ·
φ1 (xk )φn (xk )
∑
φ1 (xk )φ0 (xk )
a1
m
k=0
k=0 k=0 · = φ1 (xk )yk .
..
k=0
.
.. .. .. .. ..
. . . .
m .
∑
m an
∑ ∑m ∑m
φn (xk )yk
φn (xk )φ0 (xk ) φn (xk )φ1 (xk ) · · · φ (x )φ (x ) k=0
n k n k
k=0 k=0 k=0
Afim de construir uma aproximação φ(x) polinomial, particularizaremos o problema geral de ajuste
considerando as funções de base monômios da forma xj :
φj (x) = xj , j = 0, 1, · · · , n,
∑
m ∑
m ∑
m
x2k ··· xnk m
m+1 xk ∑
k=0 k=0 k=0
yk
a0
m
k=0
∑ ∑m ∑m ∑m
n
x k x x
k k xk x2k · · · xk xk
a1
∑
m
k=0
k=0 k=0 k=0 · = xk y k .
..
k=0
.. .. .. .. ..
.
..
. . . . .
.
∑m
m an
xnk yk
∑ ∑m ∑m ∑m
xnk xnk xk xnk x2k · · · xnk xnk k=0
k=0 k=0 k=0 k=0
Observação 4.2 I) Tanto o problema geral como o polinomial, geram matrizes simétricas, o
que facilita bastante a solução numérica do sistema linear.
II) Podemos estimar o grau do polinômio a ser ajustado através do gráfico dos pontos de suporte.
Exemplo 4.3 O número de bactérias, por unidade de volume, existentes em uma cultura após x
horas é dado na tabela abaixo:
número de horas 0 1 2 3 4 5 6
número de bactérias 32 34 37.5 39 43 47 50
Estime o número de bactérias (por unidade de volume) existentes na cultura após um perı́odo
de 24 horas.
solução:
Podemos ver através do gráfico abaixo, que um ajuste polinomial linear, φ(x) = a0 + a1 x, é uma
escolha razoável:
50
48
46
44
42
40
38
36
34
32
0 1 2 3 4 5 6
Determinando os coeficientes:
m
∑
m
∑
m+1 xk
yk
a0
k=0 k=0
· =
m
∑ ∑m a1
∑
m
x2k
xk
xk yk
k=0 k=0 k=0
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 40
onde
∑
6 ∑
6 ∑
6 ∑
6
m + 1 = 7, xk = 21, x2k = 91, yk = 282.5 e xk yk = 933,
k=0 k=0 k=0 k=0
portanto, [ ] { } { }
7 21 a0 282.5
· = ,
21 91 a1 933
cuja solução é a0 = 31.1964 e a1 = 3.0536. Concluimos que o conjunto de pontos será ajustado
pelo polinômio
φ(x) = 31.1964 + 3.0536x,
e portanto, a estimativa do número de bactérias após um perı́odo de 24 horas será de φ(24) bactérias,
onde
φ(24) = 31.1964 + 3.0536(24) = 104.4829.
4.7 Exercı́cios
1. Considere os seguintes pontos suporte x0 = 0, x1 = 0.6 e x2 = 0.9. Encontre polinômios
de grau 1 e de grau 2 para aproximar f (0.45), onde f é uma função dada abaixo. Encontre,
também, o valor do erro absoluto:
a) f (x) = cos x
√
b) f (x) = 1 + x
c) f (x) = ln(x + 1)
4. Qual é a diferença entre interpolação polinomial e o ajuste de curvas pelo método dos mı́nimos
quadrados? É possı́vel obter um mesmo polinômio que interpola e faz o ajuste de curvas pelo
método dos mı́nimos quadrados?
5. Dada a tabela abaixo, faça o gráfico de dispersão dos dados e ajuste uma curva da melhor
maneira possı́vel:
x 0.5 0.75 1.0 1.5 2.0 2.5 3.0
y −2.8 −0.6 1.0 3.2 4.8 6.0 7.0
CAPÍTULO 4. APROXIMAÇÃO DE FUNÇÕES 41
i 1 2 3 4 5
xi 12 16 20 30 40
yi 1.64 2.72 3.96 7.60 11.96
a) φj (x) = xj
b) φj (x) = ejx
9. Os valores funcionais mostrados na tabela a seguir são medidas de uma quantidade A(t) em
metros que varia no tempo. Escolha convenientemente um conjunto de funções φj (x) para
encontrar uma aproximação para A(t) que ajuste, por mı́nimos quadrados, os seguintes dados:
t 0 2 4 6 8 10
A(t) 1.0 1.6 1.4 0.6 0.2 0.8
√
10. Aproximar a função y = 3 x no intervalo [0, 1] por um polinômio de terceiro grau, usando
os valores de x com incremento de 0.1. Resolva este mesmo problema com um polinômio de
segundo grau e compare os resultados.
Capı́tulo 5
Integração Numérica
Neste capı́tulo veremos como calcular numericamente uma integral definida. Muitas integrais não
tem solução exata, ou tem solução exata muito complexa, por esse motivo, os métodos numéricos
surgem como uma ferramenta super importante para o cálculo de tais integrais.
Sabemos que a integral definida de uma função f (x) pode ser vista como a área sob a curva
y = f (x), por exemplo, se f (x) = x2 então, como vemos na figura a seguir, sua área (no intervalo
[0, 1]) será dada pela seguinte integral
y=x2
A
0 1 x
∫ 1
x3 1 1
A= x2 dx = = u.a.
0 3 0 3
O método dos trapézios substitui o integrando f (x) da integral por uma função linear por partes.
Considere a figura 5.1. Primeiro, aproximamos a integral do exemplo anterior pela área do triângulo
definido ligando os pontos (0, f (0)) e (1, f (1)), em seguida, acrescentamos o ponto (0.5, f (0.5)) e
aproximamos a integral pela soma das áreas das duas figuras planas definidas.
42
CAPÍTULO 5. INTEGRAÇÃO NUMÉRICA 43
0 1 x
0 0.5 1 x
f(x)
fi fi+1
fi+2
Ai A
i+1
A A2
1
x0 x1 x2 xi xi+1 xi+2 xn
2. A medida que refinamos nossa partição, diminuimos o erro. Porém, a partir de um valor
crı́tico, isto deixa de ocorrer, conforme ilustra a figura abaixo:
arredondamento
erro truncamento
n
n crítico
No método de Simpson, ao invés de substituirmos o integrando f (x) por uma poligonal, empre-
garemos uma aproximação parabólica, necessitando, portanto, agrupar os pontos 3 a 3.
y
f(x)
f(c)
f(b)
f(a)
a c b x
∫b
Para calcularmos a integral a f (x)dx (veja figura acima) com o método dos trapézios, uti-
lizarı́amos 2 pontos de integração e aproximarı́amos a integral pelo valor da área A = c1 f (a)+c2 f (b),
com c1 = c2 = b−a2 .
No método de Simpson teremos três coeficientes, aproximando a integral pela seguinte expressão:
O problema é determinarmos esses coeficientes, para isso, aplicaremos a fórmula geral acima a
três situações nas quais ela fornecerá a solução exata da integral.
∫ h
A1 = (1)dx = 2h
−h
∫ h
A2 = xdx = 0
−h
∫ h
2h3
A3 = x2 dx =
−h 3
CAPÍTULO 5. INTEGRAÇÃO NUMÉRICA 45
111111111
000000000
000000000
111111111
1
000000000
111111111
000000000
111111111
A 1
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
−h h x
11111111
00000000 y=x
00000000
11111111
00000000
11111111
00000000
11111111
11111111111111111
00000000000000000
A
00000000
11111111
−h
2
h x
00000000
11111111
00000000
11111111
y
1111111111
0000000000 y=x2
0000000000
1111111111
0000000000
1111111111
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
A 3
−h h x
h( )
Ai = fi−1 + 4fi + fi+1
3
onde fi = f (xi ) e h = xi+1 − xi é constante.
h( )
A= f0 + 4f1 + 2f2 + 4f3 + 2f4 + · · · + 2fn−2 + 4fn−1 + fn
3
Exemplo 5.1 Calcule a integral abaixo utilizando o método dos trapézios e o método de Simpson,
ambos com 5 pontos de integração ∫ 6
I(f ) = x2 dx.
2
xi fi
2 4
3 9
4 16
5 25
6 36
h = xi+1 − xi = 1, ∀i.
h( )
A = f0 + 2f1 + 2f2 + 2f3 + f4
2
1( )
= 4 + 2(9) + 2(16) + 2(25) + 36
2
140
= = 70 u.a (solução aproximada).
2
b) Método de Simpson
h( )
A = f0 + 4f1 + 2f2 + 4f3 + f4
3
1( )
= 4 + 4(9) + 2(16) + 4(25) + 36
3
208
= = 69.33 u.a. (solução exata).
3
Como podemos ver, o erro envolvido é muito grande. A idéia que Gauss teve foi de , através da
localização ótima dos pontos de integração, calcular a integral com erro nulo.
A = c1 f (x1 ) + c2 f (x2 ),
CAPÍTULO 5. INTEGRAÇÃO NUMÉRICA 47
erro
A B
a b x
c a b d x
onde, não só os coeficientes c1 e c2 são incógnitas, mas também os pontos de integração x1 e x2
devem ser calculados. Para determiná-los, montaremos 4 situações nos quais a fórmula nos dá a
solução exata.
∫ 1
A1 = (1)dx = 2
−1
∫ 1
A2 = xdx = 0
−1
∫ 1
2
A3 = x2 dx =
−1 3
∫ 1
A4 = x3 dx = 0
−1
111111111
000000000
000000000
111111111
1
000000000
111111111
000000000
111111111
A 1
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
−1 1 x
11111111
00000000
00000000
11111111
y=x
00000000
11111111
00000000
11111111
11111111111111111
00000000000000000
A 2
00000000
11111111
−1 1 x
00000000
11111111
00000000
11111111
y
1111111111
0000000000
0000000000
1111111111
y=x2
y=x2
0000000000
1111111111
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
A 3
−1 1 x
y=x3
000000000000000000
111111111111111111
−1 A 4 1
x
O raciocı́nio anterior pode ser estendido a n pontos de integração. Abaixo mostramos uma
tabela com os valores dos c′i s e dos x′i s avaliados para n = 2, 3 e 4 pontos de integração.
n ci xi
2 c1 = c2 = 1 −x1 = x2 = 0.5773
3 c1 = c3 = 0.5555 −x1 = x3 = 0.7746
c2 = 0.8889 x2 = 0
4 c1 = c4 = 0.3479 −x1 = x4 = 0.8611
c2 = c3 = 0.6522 −x2 = x3 = 0.33998
troca de variáveis
Como a fórmula de Gauss foi deduzida para x ∈ [−1, 1], devemos realizar uma troca das variáveis
de integração para um domı́nio genérico x ∈ [a, b], de modo a podermos calcular a integral
∫ b
I(f ) = f (t)dt.
a
Com a troca de variáveis, criamos a função t(x) = Ax + B tal que
∫ b
I(f ) = f (t)dt
∫ 1 a
( )
= f t(x) t′ (x)dx
∫ −1
1 [ ( )]
= Af t(x) , dx
−1 | {z }
F (x)
e esta nova função F (x) será o integrando usado na fórmula de Gauss, conforme ilustra o exemplo
a seguir.
Exemplo 5.2 Resolver a integral abaixo utilizando o método da quadratura de Gauss com 2 pontos
de integração ∫ 6
I(f ) = t2 dt.
2
O domı́nio de t é [2, 6]. Vamos, então, trocá-lo para x ∈ [−1, 1] segundo a função t(x) = Ax+B:
t = 2 ↔ x = −1 ⇒ A(−1) + B = 2
t = 6 ↔ x = 1 ⇒ A(1) + B = 6,
portanto, A = 2 e B = 4, assim, t(x) = 2x + 4. Temos então,
∫ 6
I(f ) = t2 dt
∫ 1 2
( )
= 2f 2x + 4 dx
∫−11
= 2(2x + 4)2 dx,
−1
e assim, F (x) = 2(2x + 4)2 . Empregando a fórmula de Gauss para 2 pontos de integração
( √ ) (√ )
I(f ) = F − 13 + F 1
3
( √ )2 (√ )2
= 2 − 13 + 4 + 2 1
3 + 4
5.4 Exercı́cios
∫ 0
1. a) Aproxime o valor da integral x2 ex dx utilizando o método dos trapézios e o método
−2
de Simpson com 5 pontos de integração (utilize 6 casas decimais);
b) Sabendo que o valor exato da integral acima, com 6 casas decimais, é I = 0.646647,
encontre o erro absoluto para cada método.
2. a) Utilize o método de Simpson para aproximar a integral abaixo com 5 pontos de integração
(utilize 5 casas decimais):
∫ 1
(x5 − x3 − x − 1) dx.
0
3. Calcule as integrais abaixo pelo método dos trapézios e pelo método de Simpson, usando 4 e
6 divisões do intervalo dado:
∫ 2 ∫ 4
−x √
a) e dx c) x dx
1 1
∫ 5 ∫ 0.6
1 1
b) √ dx d) dx.
2 x 0 1+x
4. Dê um exemplo de uma função, onde o método dos trapézios calcula o valor exato da integral.
5. Dê um exemplo de uma função, onde o método de Simpson calcula o valor exato da integral.
x 2 4 6 8 10 12 14 16 18
f (x) 0.5 0.9 1.1 1.3 1.7 2.1 1.5 1.1 0.6
MW
31
Horas
0 2 4 6 8 10 12 14 16 18 20 22 24
Estime o consumo de energia diário dessa cidade utilizando os métodos abaixo e, em seguida,
compare os resultados:
[1] Sperandio, D., Mendes, J. T., Monken e Silva, L. H., Cálculo Numérico: Caracterı́sticas
Matemáticas e Computacionais dos Métodos Numéricos. Editora Pearson Prentice Hall, São
Paulo, 2003.
[2] Lay, D. C., Álgebra Linear e suas Aplicações. Editora LTC, Rio de Janeiro, 2a edição, 1999.
[3] Leon, S. J., Álgebra Linear com Aplicações. Editora LTC, Rio de Janeiro, 4a edição, 1999.
[4] Golub, G. H., Van Loan, C. F., Matrix Computations. Johns Hopkins University Press, 2nd
ed., 1989.
52