Calculo Numerico Um Livro Colaborativo V

Cálculo Numérico
Um Livro Colaborativo
Versão Python
21 de junho de 2017
Organizadores
Dagoberto Adriano Rizzotto Justo - UFRGS
Esequia Sauter - UFRGS
Fabio Souto de Azevedo - UFRGS
Leonardo Fernandes Guidi - UFRGS
Matheus Correia dos Santos - UFRGS
Pedro Henrique de Almeida Konzen - UFRGS
ii
Licença
Este trabalho está licenciado sob a Licença Creative Commons Atribuição-

CompartilhaIgual 3.0 Não Adaptada. Para ver uma cópia desta licença, visite
http://creativecommons.org/licenses/by-sa/3.0/ ou envie uma carta para Creative
Commons, PO Box 1866, Mountain View, CA 94042, USA.
iii
Nota dos organizadores
Estamos escrevendo este livro de forma colaborativa desde 2011 e, recente-

mente, decidimos por abrir à colaborações externas. Nosso objetivo é produzir um
material didático no nível de graduação de excelente qualidade e de acesso livre
pela colaboração entre professores e alunos de universidades, institutos de educa-
ção e demais interessados na análise, estudo e aplicação de métodos numéricos nos
mais diversos ramos da ciência e da tecnologia.
O sucesso do projeto depende da colaboração! Edite você mesmo o livro, dê
sugestões ou nos avise de erros e imprecisões. Toda a colaboração é bem vinda.
Saiba mais visitando o site oficial do projeto:
http://www.ufrgs.br/numerico
Nós preparamos uma série de ações para ajudá-lo a participar. Em primeiro

lugar, o acesso irrestrito ao livro pode se dar através do site oficial do projeto.
Disponibilizamos o livro na versão original em PDF e versões adaptadas em HTML,
EPUB e Slides. Além disso, o livro está escrito em código LATEX disponível em
repositório GitHub público.
Nada disso estaria completo sem uma licença apropriada à colaboração. Por
isso, escolhemos disponibilizar o material do livro sob licença Creative Commons
Atribuição-CompartilhaIgual 3.0 Não Adaptada (CC-BY-SA 3.0). Ou seja, você
pode copiar, redistribuir, alterar e construir um novo material para qualquer uso,
inclusive comercial. Leia a licença para maiores informações.
Desejamos-lhe ótimas colaborações!
iv
Prefácio
Este livro busca abordar os tópicos de um curso de introdução ao cálculo numé-

rico moderno oferecido a estudantes de matemática, física, engenharias e outros.
A ênfase é colocada na formulação de problemas, implementação em computador
da resolução e interpretação de resultados. Pressupõe-se que o estudante domine
conhecimentos e habilidades típicas desenvolvidas em cursos de graduação de cál-
culo, álgebra linear e equações diferenciais. Conhecimentos prévios em linguagem
de computadores é fortemente recomendável, embora apenas técnicas elementares
de programação sejam realmente necessárias.
Nesta versão do livro, fazemos ênfase na utilização da linguagem computacional
Python para a implementação dos métodos numéricos abordados. Recomendamos
ao leitor ter à sua disposição um computador com o interpretador Python 2.7
(ou superior) e o conjunto de biblioteca SciPy instalados. Não é necessário estar
familiarizado com esta linguagem, mas recomendamos a leitura do Apêndice A,
no qual apresentamos uma rápida introdução a esta linguagem com ênfase naquilo
que é mais essencial para a leitura do livro. Alternativamente, existem algumas
soluções em nuvem que fornecem acesso a consoles online Python. Veja, por
exemplo, o SageMathCloud.
Os códigos computacionais dos métodos numéricos apresentados no livro são
implementados em uma abordagem didática. Isto é, temos o objetivo de que a im-
plementação em linguagem computacional venha a auxiliar o leitor no aprendizado
das técnicas numéricas que são apresentadas no livro. Implementações computa-
cionais eficientes de técnicas de cálculo numérico podem ser obtidas na série de
livros “Numerical Recipes”, veja [10].
v
Sumário
Capa i
Organizadores ii
Licença iii
Nota dos organizadores iv
Prefácio v
Sumário x
1 Introdução 1
2 Representação de números e aritmética de máquina 3

2.1 Sistema de numeração e mudança de base . . . . . . . . . . . . . . 3
2.2 Notação científica e notação normalizada . . . . . . . . . . . . . . . 10
2.2.1 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Representação decimal finita . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Arredondamento de números . . . . . . . . . . . . . . . . . . 12
2.4 Representação de números em máquina . . . . . . . . . . . . . . . . 13
2.4.1 Números inteiros . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.2 Sistema de ponto fixo . . . . . . . . . . . . . . . . . . . . . . 16
2.4.3 Sistema de ponto flutuante . . . . . . . . . . . . . . . . . . . 17
2.4.4 Precisão e épsilon de máquina . . . . . . . . . . . . . . . . . 20
2.4.5 Distribuição dos números . . . . . . . . . . . . . . . . . . . . 20
2.5 Tipos de erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Erros nas operações elementares . . . . . . . . . . . . . . . . . . . . 25
2.7 Cancelamento catastrófico . . . . . . . . . . . . . . . . . . . . . . . 25
2.8 Condicionamento de um problema . . . . . . . . . . . . . . . . . . . 28
2.9 Mais exemplos de cancelamento catastrófico . . . . . . . . . . . . . 33
vi
SUMÁRIO vii
3 Solução de equações de uma variável 43

3.1 Existência e unicidade . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Método da bisseção . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Código Python: método da bisseção . . . . . . . . . . . . . . 50
3.3 Iteração de ponto fixo . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.1 Teorema do ponto fixo . . . . . . . . . . . . . . . . . . . . . 57
3.3.2 Teste de convergência . . . . . . . . . . . . . . . . . . . . . . 60
3.3.3 Estabilidade e convergência . . . . . . . . . . . . . . . . . . 61
3.3.4 Erro absoluto e tolerância . . . . . . . . . . . . . . . . . . . 62
3.4 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . 68
3.4.1 Interpretação geométrica . . . . . . . . . . . . . . . . . . . . 69
3.4.2 Análise de convergência . . . . . . . . . . . . . . . . . . . . 70
3.5 Método das secantes . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.5.1 Interpretação geométrica . . . . . . . . . . . . . . . . . . . . 76
3.6 Critérios de parada . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.7 Exercícios finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Solução de sistemas lineares 87

4.1 Eliminação gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.1 Eliminação gaussiana com pivotamento parcial . . . . . . . . 91
4.2 Complexidade de algoritmos em álgebra linear . . . . . . . . . . . . 96
4.3 Sistemas triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Fatoração LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.1 Código Python: Fatoração LU . . . . . . . . . . . . . . . . . 102
4.4.2 Custo computacional para resolver um sistema linear usando
fatoração LU . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.4.3 Custo para resolver m sistemas lineares . . . . . . . . . . . . 103
4.4.4 Custo para calcular a matriz inversa de A . . . . . . . . . . 103
4.5 Método da matriz tridiagonal . . . . . . . . . . . . . . . . . . . . . 104
4.6 Condicionamento de sistemas lineares . . . . . . . . . . . . . . . . . 111
4.6.1 Norma de vetores . . . . . . . . . . . . . . . . . . . . . . . . 112
4.6.2 Norma de matrizes . . . . . . . . . . . . . . . . . . . . . . . 113
4.6.3 Número de condicionamento . . . . . . . . . . . . . . . . . . 114
4.7 Métodos iterativos para sistemas lineares . . . . . . . . . . . . . . . 117
4.7.1 Método de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . 117
4.7.2 Método de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 119
4.8 Cálculo de autovalores e autovetores . . . . . . . . . . . . . . . . . 130
4.8.1 Método da Potência . . . . . . . . . . . . . . . . . . . . . . 130
4.8.2 Método da iteração Inversa . . . . . . . . . . . . . . . . . . 134
Licença CC-BY-SA-3.0. Contato: [email protected]

viii Cálculo Numérico
5 Solução de sistemas de equações não lineares 138

5.1 Método de Newton para sistemas . . . . . . . . . . . . . . . . . . . 141
5.1.1 Código Python: Newton para Sistemas . . . . . . . . . . . . 144
5.2 Linearização de uma função de várias variáveis . . . . . . . . . . . . 152
5.2.1 Gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5.2.2 Matriz jacobiana . . . . . . . . . . . . . . . . . . . . . . . . 153
6 Interpolação 156
6.1 Interpolação polinomial . . . . . . . . . . . . . . . . . . . . . . . . . 157
6.2 Diferenças divididas de Newton . . . . . . . . . . . . . . . . . . . . 161
6.3 Polinômios de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . 163
6.4 Aproximação de funções reais por polinômios interpoladores . . . . 164
6.5 Interpolação linear segmentada . . . . . . . . . . . . . . . . . . . . 167
6.6 Interpolação cúbica segmentada - spline . . . . . . . . . . . . . . . . 168
6.6.1 Spline natural . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.6.2 Spline fixado . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.6.3 Spline not-a-knot . . . . . . . . . . . . . . . . . . . . . . . . 174
6.6.4 Spline periódico . . . . . . . . . . . . . . . . . . . . . . . . . 175
7 Ajuste de curvas 177

7.1 Ajuste de uma reta . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.2 Ajuste linear geral . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
7.2.1 Ajuste polinomial . . . . . . . . . . . . . . . . . . . . . . . . 188
7.3 Aproximando problemas não lineares por problemas lineares . . . . 192
8 Derivação Numérica 197

8.1 Diferenças finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
8.1.1 Diferenças finitas via série de Taylor . . . . . . . . . . . . . 199
8.1.2 Erros de arredondamento . . . . . . . . . . . . . . . . . . . . 203
8.2 Diferença finita para derivada segunda . . . . . . . . . . . . . . . . 207
8.3 Obtenção de fórmulas por polinômios interpoladores . . . . . . . . . 208
8.3.1 Exercícios resolvidos . . . . . . . . . . . . . . . . . . . . . . 211
8.4 Fórmulas de diferenças finitas . . . . . . . . . . . . . . . . . . . . . 211
8.5 Derivada via ajuste ou interpolação . . . . . . . . . . . . . . . . . . 214
9 Integração Numérica 216

9.1 Regras de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . 218
9.1.1 Somas de Riemann . . . . . . . . . . . . . . . . . . . . . . . 219

SUMÁRIO ix
9.1.2 Regra do trapézio . . . . . . . . . . . . . . . . . . . . . . . . 220

9.1.3 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . 222
9.2 Obtenção das regras de quadratura . . . . . . . . . . . . . . . . . . 226
9.3 Regras compostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.3.1 Método composto dos trapézios . . . . . . . . . . . . . . . . 228
9.3.2 Método composto de Simpson . . . . . . . . . . . . . . . . . 229
9.4 O método de Romberg . . . . . . . . . . . . . . . . . . . . . . . . . 231
9.5 Ordem de precisão . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
9.6 Quadratura de Gauss-Legendre . . . . . . . . . . . . . . . . . . . . 240
10 Problemas de valor inicial 248

10.1 Teoria de equações diferenciais . . . . . . . . . . . . . . . . . . . . . 249
10.2 Método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
10.2.1 Ordem de precisão . . . . . . . . . . . . . . . . . . . . . . . 255
10.2.2 Erro de truncamento Local . . . . . . . . . . . . . . . . . . . 256
10.2.3 Erro de truncamento Global . . . . . . . . . . . . . . . . . . 257
10.3 Convergência, consistência e estabilidade . . . . . . . . . . . . . . . 257
10.3.1 Convergência . . . . . . . . . . . . . . . . . . . . . . . . . . 257
10.3.2 Consistência . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
10.3.3 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
10.4 O método de Euler implícito . . . . . . . . . . . . . . . . . . . . . . 259
10.5 Método Trapezoidal . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
10.6 O método de Heun . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
10.7 O método theta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
10.8 O método de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . 263
10.9 Estabilidade dos métodos de Taylor . . . . . . . . . . . . . . . . . . 263
10.10Métodos de Passo Múltiplo . . . . . . . . . . . . . . . . . . . . . . . 264
10.11O método de Adams-Bashforth . . . . . . . . . . . . . . . . . . . . 265
10.12O método de Adams-Moulton . . . . . . . . . . . . . . . . . . . . . 266
10.13Método BDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
10.14Ordem e convergência de métodos de passo múltiplo . . . . . . . . . 268
10.14.1 Consistência, Estabilidade e Convergência . . . . . . . . . . 268
10.14.2 As barreiras de Dahlquist . . . . . . . . . . . . . . . . . . . 269
10.15Estabilidade dos métodos de passo múltiplo . . . . . . . . . . . . . 269
10.16Métodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . 270
10.16.1 Método de Runge-Kutta Explícito . . . . . . . . . . . . . . . 270
10.16.2 Método de RK ν = 2 . . . . . . . . . . . . . . . . . . . . . . 271
10.16.3 Método de Runge-Kutta implícito (IRK) . . . . . . . . . . . 272
10.17Estimativa da ordem de convergência . . . . . . . . . . . . . . . . . 273
10.17.1 Método 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274

x Cálculo Numérico
10.17.2 Método 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274

10.18Sistemas de equações diferenciais e equações de ordem superior . . . 275
10.19Exercícios finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
11 Problemas de Valores de Contorno 281

11.1 Método de Diferenças Finitas . . . . . . . . . . . . . . . . . . . . . 281
A Rápida Introdução ao Python 293

A.1 Sobre a linguagem Python . . . . . . . . . . . . . . . . . . . . . . . 293
A.1.1 Instalação e Execução . . . . . . . . . . . . . . . . . . . . . 293
A.1.2 Usando Python . . . . . . . . . . . . . . . . . . . . . . . . . 294
A.2 Elementos da linguagem . . . . . . . . . . . . . . . . . . . . . . . . 295
A.2.1 Operações matemáticas elementares . . . . . . . . . . . . . . 296
A.2.2 Funções e constantes elementares . . . . . . . . . . . . . . . 296
A.2.3 Operadores lógicos . . . . . . . . . . . . . . . . . . . . . . . 297
A.3 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
A.3.1 Obtendo dados de uma matriz . . . . . . . . . . . . . . . . . 298
A.3.2 Operações matriciais e elemento-a-elemento . . . . . . . . . 300
A.4 Estruturas de ramificação e repetição . . . . . . . . . . . . . . . . . 301
A.4.1 A instrução de ramificação “if” . . . . . . . . . . . . . . . . 301
A.4.2 A instrução de repetição “for” . . . . . . . . . . . . . . . . . 301
A.4.3 A instrução de repetição “while” . . . . . . . . . . . . . . . . 302
A.5 Funções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
A.6 Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Respostas dos Exercícios 305
Referências Bibliográficas 319
Colaboradores 320
Índice Remissivo 321

Capítulo 1
Introdução
Cálculo numérico é a disciplina que estuda as técnicas para a solução apro-

ximada de problemas matemáticos. Estas técnicas são de natureza analítica e
computacional. As principais preocupações normalmente envolvem exatidão e de-
sempenho.
Aliado ao aumento contínuo da capacidade de computação disponível, o desen-
volvimento de métodos numéricos tornou a simulação computacional de modelos
matemáticos uma prática usual nas mais diversas áreas científicas e tecnológicas.
As então chamadas simulações numéricas são constituídas de um arranjo de vários
esquemas numéricos dedicados a resolver problemas específicos como, por exemplo:
resolver equações algébricas, resolver sistemas lineares, interpolar e ajustar pontos,
calcular derivadas e integrais, resolver equações diferenciais ordinárias etc. Neste
livro, abordamos o desenvolvimento, a implementação, a utilização e os aspectos
teóricos de métodos numéricos para a resolução desses problemas.
Trabalharemos com problemas que abordam aspectos teóricos e de utilização
dos métodos estudados, bem como com problemas de interesse na engenharia, na
física e na matemática aplicada.
A necessidade de aplicar aproximações numéricas decorre do fato de que esses
problemas podem se mostrar intratáveis se dispomos apenas de meios puramente
analíticos, como aqueles estudados nos cursos de cálculo e álgebra linear. Por
exemplo, o teorema de Abel-Ruffini nos garante que não existe uma fórmula algé-
brica, isto é, envolvendo apenas operações aritméticas e radicais, para calcular as
raízes de uma equação polinomial de qualquer grau, mas apenas casos particulares:
• Simplesmente isolar a incógnita para encontrar a raiz de uma equação do

primeiro grau;
• Fórmula de Bhaskara para encontrar raízes de uma equação do segundo grau;
• Fórmula de Cardano para encontrar raízes de uma equação do terceiro grau;
1
2 Cálculo Numérico
• Existe expressão para equações de quarto grau;
• Casos simplificados de equações de grau maior que 4 onde alguns coeficientes

são nulos também podem ser resolvidos.
Equações não polinomiais podem ser ainda mais complicadas de resolver exata-
mente, por exemplo:
cos(x) = x e xex = 10
Para resolver o problema de valor inicial
y ′ + xy = x,
y(0) = 2,
2 /2
podemos usar o método de fator integrante e obtemos y = 1 + e−x . Já o cálculo
da solução exata para o problema
y ′ + xy = e−y ,
y(0) = 2,
não é possível.
Da mesma forma, resolvemos a integral
Z 2
2
xe−x dx
1
pelo método da substituição e obtemos 21 (e−1 − e−2 ). Porém a integral

Z 2
2
e−x dx
1
não pode ser resolvida analiticamente.

A maioria dos modelos de fenômenos reais chegam em problemas matemáticos
onde a solução analítica é difícil (ou impossível) de ser encontrada, mesmo quando
provamos que ela existe. Nesse curso propomos calcular aproximações numéricas
para esses problemas, que apesar de, em geral, serem diferentes da solução exata,
mostraremos que elas podem ser bem próximas.
Para entender a construção de aproximações é necessário estudar um pouco
como funciona a aritmética de computador e erros de arredondamento. Como
computadores, em geral, usam uma base binária para representar números, come-
çaremos falando em mudança de base.

Capítulo 2
Representação de números e
aritmética de máquina
Neste capítulo, discutiremos sobre formas de representação de números em

computadores. Iniciamos com uma discussão sobre representação posicional e mu-
dança de base. Então, discutimos sobre representação com número de dígitos
finitos e, mais especificamente, as representações de números inteiros, ponto fixo e
ponto flutuante em computadores.
A representação de números e a aritmética em computadores levam aos cha-
mados erros de arredondamento e de truncamento. Ao final deste capítulo, discu-
tiremos sobre os efeitos do erro de arredondamento na computação científica.
Ao longo do capítulo, faremos alguns comentários usando códigos em Python 2.7.
Nestes, estaremos assumindo que os seguintes módulos estão carregados:
>>> from __future__ import division
>>> import numpy as np
A primeira instrução garante que divisões de números inteiros sejam computadas
em ponto flutuante (double) e a segunda carrega a biblioteca de computação
científica numpy.
2.1 Sistema de numeração e mudança de base

Usualmente, utilizamos o sistema de numeração decimal para representar nú-
meros. Esse é um sistema de numeração posicional onde a posição do dígito indica
a potência de 10 que o dígito está representando.
Exemplo 2.1.1. O número 293 é decomposto como
293 = 2 centenas + 9 dezenas + 3 unidades
= 2 · 102 + 9 · 101 + 3 · 100 .
3
O sistema de numeração posicional também pode ser usado com outras bases.
Vejamos a seguinte definição.
Definição 2.1.1 (Sistema de numeração de base b). Dado um número natural

b > 1 e o conjunto de símbolos {±
±, 0 , 1 , 2 , . . . , b − 11}1 , a sequência de símbolos
(dn dn−1 · · · d1 d0 ,d−1 d−2 · · · )b
representa o número positivo
dn · bn + dn−1 · bn−1 + · · · + d0 · b0 + d−1 · b−1 + d−2 · b−2 + · · ·
Para representar números negativos usamos o símbolo − a esquerda do numeral2 .
Observação 2.1.1 (b ≥ 10). Para sistemas de numeração com base b ≥ 10 é usual

utilizar as seguintes notações:
• No sistema de numeração decimal (b = 10), costumamos representar o nú-

mero sem os parênteses e o subíndice, ou seja,
±dn dn−1 . . . d1 d0 ,d−1 d−2 . . . := ±(dn dn−1 . . . d1 d0 ,d−1 d−2 . . .)10 .
• Se b > 10, usamos as letras A, B, C, · · · para denotar os algarismos: A = 10,

B = 11, C = 12, D = 13, E = 14, F = 15.
Exemplo 2.1.2 (Sistema binário). O sistema de numeração em base dois é cha-

mado de binário e os algarismos binários são conhecidos como bits (do inglês bi-
nary digits). Um bit pode assumir dois valores distintos: 0 ou 1. Por exemplo:
x = (1001,101)2
= 1 · 23 + 0 · 22 + 0 · 21 + 1 · 20 + 1 · 2−1 + 0 · 2−2 + 1 · 2−3
= 8 + 0 + 0 + 1 + 0,5 + 0 + 0,125 = 9,625.
Ou seja, (1001,101)2 é igual a 9,625 no sistema decimal.

Em Python podemos converter o número (1001,101)2 para a base decimal com-
putando
>>> 1*2**3 + 0*2**2 + 0*2**1 + 1*2**0 + 1*2**-1 + 0*2**-2 + 1*2**-3

9.625
1
Para b > 10, veja a observação 2.1.1.
2
O uso do símbolo + é opcional na representação de números positivos.

2.1. SISTEMA DE NUMERAÇÃO E MUDANÇA DE BASE 5
Exemplo 2.1.3 (Sistema quaternário). No sistema quaternário a base b é igual a

4 e, portanto, temos o seguinte conjunto de algarismos {0, 1, 2, 3}. Por exemplo:
(301,2)4 = 3 · 42 + 0 · 41 + 1 · 40 + 2 · 4−1 = 49,5.
Verifique no computador!
Exemplo 2.1.4 (Sistema octal). No sistema octal a base é b = 8. Por exemplo:
(1357,24)8 = 1 · 83 + 3 · 82 + 5 · 81 + 7 · 80 + 2 · 8−1 + 4 · 8−2

= 512 + 192 + 40 + 7 + 0,25 + 0,0625 = 751,3125.
Exemplo 2.1.5 (Sistema hexadecimal). O sistema de numeração cuja a base é
b = 16 é chamado de sistema hexadecimal. Neste, temos o conjunto de algarismos
{0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F }. Convertendo o número (E2AC)16 para
a base 10 temos
(E2AC)16 = 14 · 163 + 2 · 162 + 10 · 161 + 12 · 160
= 57344 + 512 + 160 + 12 = 58028.
Observação 2.1.2. Python tem algumas sintaxes para representar números em
algumas bases. Por exemplo, temos:
>>> print(0b1001) #bin -> dec
9
>>> print(0157) #oct -> dec
111
>>> print(0xbeba) #hex -> dec
48826
Nos exemplos acima vimos como converter números representados em um sis-
tema de numeração de base b para o sistema decimal. Agora, vamos estudar
como fazer o processo inverso. Isto é, dado um número decimal (X)10 queremos
escrevê-lo em uma outra base b, isto é, queremos obter a seguinte representação:
(X)10 = (dn dn−1 · · · d0 ,d−1 · · · )b
= dn · bn + dn−1 · bn−1 + · · · + d0 · b0 + d−1 · b−1 + d−2 · b−2 + · · ·
Separando as partes inteira e fracionária de X, isto é, X = X i + X f , temos
X i = dn · bn + · · · + dn−1 bn−1 · · · + d1 · b1 + d0 · b0

e
d−1 d−2
Xf =+ 2 + ···
b1 b
Nosso objetivo é determinar os algarismos {dn , dn−1 , ...}.
Primeiramente, vejamos como tratar a parte inteira X i . Calculando sua divisão
de X i por b, temos:
Xi d0
= + d1 + d2 · b1 + · · · + dn−1 · bn−2 + dn · bn−1 .
b b
Observe que d0 é o resto da divisão de X i por b, pois d1 + d2 · b1 + · · · + dn−1 ·

bn−2 + dn · bn−1 é inteiro e db0 é uma fração com d0 < b. Da mesma forma, o resto
da divisão de d1 + d2 · b1 + · · · + dn−1 · bn−2 + dn · bn−1 por b é d1 . Ou seja, repetindo
este processo encontramos os algarismos d0 , d1 , d2 , . . ., dn .
Vamos, agora, converter a parte fracionária X f do número decimal X para o
sistema de base b. Multiplicando X f por b, temos
d−2 d−3
bX f = d−1 + + 2 + ···
b b
Observe que a parte inteira desse produto é d−1 e d−2
b
+ db−3
2 + · · · é a parte fracio-
d−2 d−3
nária. Quando multiplicamos b + b2 + · · · por b novamente, encontramos d−2 .
Repetindo este processo encontramos os demais algarismos.
Exemplo 2.1.6. Vamos converter o número 9,625 para a base binária (b = 2).
Primeiramente, decompomos 9,625 na soma de suas partes inteira e fracionária.
9,625 = 9 + 0,625.
Conversão da parte inteira. Para converter a parte inteira, fazemos suces-

sivas divisões por b = 2 obtendo
9=4·2+1
= (2 · 2 + 0) · 2 + 1
= 23 + 1.
Ou seja, temos que 9 = (1001)2 . Em Python, podemos usar os comandos int

(truncamento) e a operação % (resto da divisão) para computar esta conversão da
seguinte forma
>>> x = 9
>>> d0 = x%2; x = int(x/2); print("d0 = %d, x = %d" % (d0,x))
d0 = 1, x = 4


d1 = 0, x = 2
d2 = 0, x = 1
d3 = 1, x = 0
Conversão da parte fracionária. Para converter a parte fracionária, fazemos

sucessivas multiplicações por b = 2 obtendo
0,625 = 1,25 · 2−1 = 1 · 2−1 + 0,25 · 2−1

= 1 · 2−1 + (0,5 · 2−1 ) · 2−1 = 1 · 2−1 + 0,5 · 2−2
= 1 · 2−1 + (1 · 2−1 ) · 2−2 = 1 · 2−1 + 1 · 2−3 .
Ou seja, temos que 0,625 = (0,101)2 . Em Python, podemos computar esta con-
versão da parte fracionária da seguinte forma
>>> x=0.625
>>> d = int(2*x); x = 2*x - d; print("d = %d, x = %f" % (d,x))
d = 1, x = 0.250000
d = 0, x = 0.500000
d = 1, x = 0.000000
Conclusão. Da conversão das partes inteira e fracionária de 9,625, obtemos

9 = (1001)2 e 0,625 = (0,101)2 . Logo, concluímos que 9,625 = (1001,101)2 .
Observação 2.1.3. Python oferece algumas funções para a conversão de números

inteiros em base decimal para uma base dada. Por exemplo, temos:
>>> print(bin(9))
0b1001
>>> print(oct(111))
0157
>>> print(hex(48826))
0xbeba
Observação 2.1.4. Uma maneira de converter um número dado em uma base b1

para uma base b2 é fazer em duas partes: primeiro converter o número dado na
base b2 para base decimal e depois converter para a base b1 .

Exercícios resolvidos
ER 2.1.1. Obtenha a representação do número 125,583̄ na base 6.
Solução. Decompomos 125,583̄ nas suas partes inteira 125 e fracionária 0,583̄.
Então, convertemos cada parte.
Conversão da parte inteira. Vamos escrever o número 125 na base 6. Para
tanto, fazemos sucessivas divisões por 6 como segue:
125 = 20 · 6 + 5 (125 dividido por 6 é igual a 20 e resta 5)
= (3 · 6 + 2) · 6 + 5 = 3 · 62 + 2 · 6 + 5,
logo 125 = (325)6 .
Estes cálculos podem ser feitos em Python com o auxílio do comando % e da
função int. Com o primeiro calculamos o resto da divisão entre dois números,
enquanto que a segunda retorna a parte inteira de um número dado. No nosso
exemplo, temos:
>>> q = 125; d0 = (q % 6); print(q,d0)
>>> q = int(q/6); d1 = (q % 6); print(q,d1)
>>> q = int(q/6); d2 = (q % 6); print(q,d2)
Verifique!
Conversão da parte fracionária. Para converter 0,583̄ para a base 6, faze-
mos sucessivas multiplicações por 6 como segue:
0,583 = 3,5 · 6−1 (0,583 multiplicado por 6 é igual a 3,5)
= 3 · 6−1 + 0,5 · 6−1
= 3 · 6−1 + (3 · 6−1 ) · 6−1
= 3 · 6−1 + 3 · 6−2 ,
logo 0,583 = (0,33)6 . As contas feitas aqui, também podem ser computadas em
Python. Você sabe como? ♦
ER 2.1.2. Obtenha a representação na base 4 do número (101,01)2 .
Solução. Começamos convertendo (101,01)2 para a base decimal:
(1001,101)2 = 1 · 22 + 1 · 20 + 1 · 2−2 = 5,25.
Então, convermetos 5,25 para a base 4. Para sua parte inteira, temos
5 = 1 · 4 + 1 = (11)4 .
Para sua parte fracionária, temos
0,25 = 1 · 4−1 = (0,1)4 .
Logo, (101,01)2 = (11,1)4 . Verifique estas contas no computador! ♦

Exercícios
E 2.1.1. Converta para base decimal cada um dos seguintes números:
a) (100)2
b) (100)3
c) (100)b
d) (12)5
e) (AA)16
f) (7,1)8
g) (3,12)5
E 2.1.2. Escreva os números abaixo na base decimal.
a) (25,13)8
b) (101,1)2
c) (12F,4)16
d) (11,2)3
E 2.1.3. Escreva o número 5,5 em base binária.
E 2.1.4. Escreva o número 17,109375 em base hexadecimal (b = 16).
E 2.1.5. Escreva cada número decimal na base b.
a) 7,6 na base b = 5
b) 29,16 na base b = 6
E 2.1.6. Escreva (12.4)8 em base decimal e binária.
E 2.1.7. Escreva cada número dado para a base b.
a) (45,1)8 para a base b = 2

b) (21,2)8 para a base b = 16

c) (1001,101)2 para a base b = 8
d) (1001,101)2 para a base b = 16
E 2.1.8. Quantos algarismos são necessários para representar o número 937163832173947

em base binária? E em base 7? Dica: Qual é o menor e o maior inteiro que pode
ser escrito em dada base com N algarismos?
2.2 Notação científica e notação normalizada

Como vimos, no sistema posicional usual um número x na base b é representado
por
x = ±(dn dn−1 · · · d0 ,d−1 d−2 d−3 · · · )b ,
onde dn 6= 0 e di ∈ {0, 1, . . . , b − 1} é o dígito da i-ésima posição. Alternativa-
mente, é costumeiro usarmos a chamada notação científica. Nesta, o número x é
representado como
x = ±(M )b × be ,
onde (M )b = (dm dm−1 · · · d0 ,d−1 d−2 d−3 · · · )b é chamada de mantissa e e ∈ Z é
chamado de expoente de x.
Exemplo 2.2.1. a) O número 602,2141 em notação científica pode ser escrito
como
602,2141 × 100 = 60,22141 × 101 = 0,6022141 × 103 .
b) O número (1010,10)2 pode ser escrito em notação científica como (10,1010)2 ×

22 .
Observamos que um número pode ser representado de várias formas equivalen-
tes em notação científica. Para termos uma representação única introduzimos o
conceito de notação normalizada.
Definição 2.2.1. Um número x na base b é dito estar representado em notação
(científica) normalizada quando está escrito na forma
x = (−1)s (M )b × bE ,
onde (M )b = (d1 ,d−1 d−2 d−3 · · · )b , com d1 6= 034 , s é 0 para positivo e 1 para
negativo, E é o expoente.
3
Em algumas referências é usado Mb = (0,d−1 d−2 d−3 ·)b .
4
No caso de x = 0, Mb = (0,00 · · · )b .

2.3. REPRESENTAÇÃO DECIMAL FINITA 11
Exemplo 2.2.2. Vejamos os seguintes casos:

a) O número 602,2141 em notação (científica) normalizada é representado por
6,022141 × 102 .
b) O número (1010,10)2 escrito em notação normalizada é (1,01010)2 × 23 .
Observação 2.2.1. Em Python, podemos controlar a impressão de números usando
o comando print. Por exemplo:
>>> print("%1.5f" % -np.pi)
-3.14159
>>> print("%1.5e" % -np.pi)
-3.14159e+00
No primeiro caso, obtemos a representação em ponto flutuante decimal com 6
dígitos do número −π. No segundo caso, obtemos a representação em notação
científica normalizada com 6 dígitos.
2.2.1 Exercícios
E 2.2.1. Represente os seguintes números em notação científica normalizada:
a) 299792,458 b) 66,2607 × 10−35

c) 0,6674 × 10−7 d) 9806,65 × 101
E 2.2.2. Use o computador para verificar as respostas do Exercício 2.2.1.
2.3 Representação decimal finita

Em computadores, é usual representarmos números usando uma quantidade
de dígitos finita. A quantidade a ser usada normalmente depende da precisão
com que as computações estão sendo feitas. Ocorre, que quando restringimos
a representação a um número finito de dígitos, muitos números não podem ser
representado de forma exata. Por exemplo, dízimas infinitas e números irracionais
não são usualmente representados de forma exata em computadores. Esta questão
nos leva aos conceitos de número de dígitos significativos e arredondamento.
Definição 2.3.1 (Número de dígitos significativos). Um número decimal x =
±d1 ,d−1 · · · d−i d−i−1 · · · d−i−n d−i−n−1 ·×10E é dito ter n dígitos significativos quando
dj = 0 para j ≥ −i e j ≤ −i − n − 1.
Exemplo 2.3.1. O número 0,0602100 × 10−3 tem 4 dígitos significativos.

2.3.1 Arredondamento de números

Quando representamos um número x com uma quantidade de dígitos menor
que a de dígitos significativos acabamos com uma aproximação deste. Este pro-
cedimento é chamado arredondamento de um número. Mais precisamente, seja
dado
x = ±d0 ,d1 d2 . . . dk−1 dk dk+1 . . . dn × 10e
em notação normalizada, i.e. d0 6= 0. Podemos representar x com k dígitos
fazendo:
1. Arredondamento por truncamento (ou corte): aproximamos x por
x̄ = ±d0 ,d1 d2 . . . dk × 10e
simplesmente descartando os dígitos dj com j > k.
2. Arredondamento por proximidade: se dk+1 < 5 aproximamos x por
x̄ = ±d0 ,d1 d2 . . . dk × 10e
senão aproximamos x por5
x̄ = ±(d0 ,d1 d2 . . . dk + 10−k ) × 10e
Exemplo 2.3.2. Represente os números x1 = 0,567, x2 = 0,233, x3 = −0,675

e x4 = 0,314159265 . . . × 101 com dois dígitos significativos por truncamento e
arredondamento.
Solução. Vejamos cada caso:
• Por truncamento:
x1 = 0,56, x2 = 0,23, x3 = −0,67 e x4 = 3,1.
Em Python, podemos obter a representação de x3 = −0,675 fazendo:
>>> int(-0.675*1e2)/1e2
e, em notação normalizada, temos:

5
Note que essas duas opções são equivalentes a somar 5 no dígito a direita do corte e depois
arredondar por corte, ou seja, arredondar por corte
±(d0 ,d1 d2 . . . dk dk+1 + 5 × 10−(k+1) ) × 10e

2.4. REPRESENTAÇÃO DE NÚMEROS EM MÁQUINA 13
>>> print("%1.1e" % (int(-0.675*1e2)/1e2))

-6.7e-01
• Por arredondamento:
x1 = 0,57; x2 = 0,23; x3 = −0,68 e x4 = 3,1.
Em Python, a representação de números por arredondamento é o padrão.

Assim, para obtermos a representação desejada de x3 = 0,675 fazemos:
>>> print("%1.2f" % (-0.675))

-0.68
e, em notação normalizada:
>>> print("%1.1e" % (-0.675))

-6.8e-01
Observação 2.3.1. Observe que o arredondamento pode mudar todos os dígitos e

o expoente da representação em ponto flutuante de um número dado. Por exemplo,
o arredondamento de 0,9999 × 10−1 com 3 dígitos significativos é 0,1 × 100 .
2.4 Representação de números em máquina

Os computadores, em geral, usam a base binária para representar os números,
onde as posições, chamadas de bits, assume as condições “verdadeiro” ou “falso”,
ou seja, 1 ou 0, respectivamente. Os computadores representam os números com
uma quantidade fixa de bits, o que se traduz em um conjunto finito de números re-
presentáveis. Os demais números são tomados por proximidade àqueles conhecidos,
gerando erros de arredondamento. Por exemplo, em aritmética
√ de computador, o
número 2 tem representação
√ 2 exata, logo 22
= 4, mas 3 não tem representação
finita, logo ( 3) 6= 3.
Veja isso em Python:
>>> 2**2 == 4
True
>>> np.sqrt(3)**2 == 3
False

2.4.1 Números inteiros
Tipicamente, um número inteiro é armazenado em um computador como uma

sequência de dígitos binários de comprimento fixo denominado registro.
Representação sem sinal
Um registro com n bits da forma
dn−1 dn−2 ··· d1 d0
representa o número (dn−1 dn−2 ...d1 d0 )2 .

Assim, é possível representar números inteiros entre 2n − 1 e 0, sendo
[111 . . . 111] = 2n−1 + 2n−2 + · · · + 21 + 20 = 2n − 1,

..
.
[000 . . . 011] = 3,
[000 . . . 010] = 2,
[000 . . . 001] = 1,
[000 . . . 000] = 0.
Representação com bit de sinal
O bit mais significativo (o primeiro à esquerda) representa o sinal: por conven-

ção, 0 significa positivo e 1 significa negativo. Um registro com n bits da forma
s dn−2 ··· d1 d0
representa o número (−1)s (dn−2 . . . d1 d0 )2 . Assim, é possível representar números

inteiros entre −2n−1 e 2n−1 , com duas representações para o zero: (1000 . . . 000)2
e (00000 . . . 000)2 .

Exemplo 2.4.1. Em um registro com 8 bits, teremos os números
[11111111] = −(26 + · · · + 2 + 1) = −127,

..
.
[10000001] = −1,
[10000000] = −0,
[01111111] = 26 + · · · + 2 + 1 = 127,
..
.
[00000010] = 2,
[00000001] = 1,
[00000000] = 0.
Representação complemento de dois
O bit mais significativo (o primeiro à esquerda) representa o coeficiente de

−2 . Um registro com n bits da forma:
n−1
dn−1 dn−2 ··· d1 d0
representa o número −dn−1 2n−1 + (dn−2 . . . d1 d0 )2 .
Observação 2.4.1. Note que todo registro começando com 1 será um número
negativo.
Exemplo 2.4.2. O registro com 8 bits [01000011] representa o número:
−0(27 ) + (1000011)2 = 26 + 2 + 1 = 67.
Agora, o registro [10111101] representa:
−1(27 ) + (0111101)2 = −128 + 25 + 24 + 23 + 22 + 1 = −67.
Note que podemos obter a representação de −67 invertendo os dígitos de 67 em

binário e somando 1.

Exemplo 2.4.3. Em um registro com 8 bits, teremos os números
[11111111] = −27 + 26 + · · · + 2 + 1 = −1
..
.
[10000001] = −27 + 1 = −127
[10000000] = −27 = −128
[01111111] = 26 + · · · + 2 + 1 = 127
..
.
[00000010] = 2
[00000001] = 1
[00000000] = 0
2.4.2 Sistema de ponto fixo

O sistema de ponto fixo representa as partes inteira e fracionária do número
com uma quantidade fixas de dígitos.
Exemplo 2.4.4. Em um computador de 32 bits que usa o sistema de ponto fixo,

o registro
d31 d30 d29 ··· d1 d0
pode representar o número
• (−1)d31 (d30 d29 · · · d17 d16 , d15 d14 · · · d1 d0 )2 se o sinal for representado por um
dígito. Observe que nesse caso o zero possui duas representações possíveis:
[10000000000000000000000000000000]
e
[00000000000000000000000000000000]
• (d30 d29 · · · d17 d16 )2 − d31 (215 − 2−16 ) + (0,d15 d14 · · · d1 d0 )2 se o sinal do nú-
mero estiver representado por uma implementação em complemento de um.
Observe que o zero também possui duas representações possíveis:
[11111111111111111111111111111111]
e
[00000000000000000000000000000000]

• (d30 d29 · · · d17 d16 )2 − d31 215 + (0,d15 d14 · · · d1 d0 )2 se o sinal do número estiver
representado por uma implementação em complemento de dois. Nesse caso
o zero é unicamente representado por
[00000000000000000000000000000000]
Observe que 16 dígitos são usados para representar a parte fracionária, 15 são para
representar a parte inteira e um dígito, o d31 , está relacionado ao sinal do número.
2.4.3 Sistema de ponto flutuante

O sistema de ponto flutuante não possui quantidade fixa de dígitos para as
partes inteira e fracionária do número.
Podemos definir uma máquina F em ponto flutuante de dois modos:
F (β,|M |,|E|,BIAS) ou F (β,|M |,EM IN ,EM AX )
onde
• β é a base (em geral 2 ou 10),
• |M | é o número de dígitos da mantissa,
• |E| é o número de dígitos do expoente,
• BIAS é um valor de deslocamento do expoente (veja a seguir),
• EM IN é o menor expoente,
• EM AX é o maior expoente.
Considere uma máquina com um registro de 64 bits e base β = 2. Pelo padrão
IEEE754, 1 bit é usado para o sinal, 11 bits para o expoente e 52 bits são usados
para o significando tal que
s c10 c9 ··· c0 m1 m2 ··· m51 m52
represente o número (o BIAS = 1023 por definição)

x = (−1)s M × 2c−BIAS ,
onde a característica é representada por
c = (c10 c9 · · · c1 c0 )2 = c10 210 + · · · + c1 21 + c0 20
e o significando por
M = (1.m1 m2 · · · m51 m52 )2 .

Observação 2.4.2. Em base 2 não é necessário armazenar o primeiro dígito (por

quê?).
Exemplo 2.4.5. O registro
[0|100 0000 0000|1010 0000 0000 . . . 0000 0000]
representa o número
(−1)0 (1 + 2−1 + 2−3 ) × 21024−1023 = (1 + 0.5 + 0.125)2 = 3.25.
O expoente deslocado
Uma maneira de representar os expoentes inteiros é deslocar todos eles uma
mesma quantidade. Desta forma permitimos a representação de números negativos
e a ordem deles continua crescente. O expoente é representado por um inteiro sem
sinal do qual é deslocado o BIAS.
Tendo |E| dígitos para representar o expoente, geralmente o BIAS é predefi-
nido de tal forma a dividir a tabela ao meio de tal forma que o expoente um seja
representado pelo sequência [100 . . . 000].
Exemplo 2.4.6. Com 64 bits, pelo padrão IEEE754, temos que |E| := 11. As-
sim, (100 0000 0000)2 = 210 = 1024. Como queremos que esta sequência represente
o 1, definimos BIAS := 1023, pois
1024 − BIAS = 1.
Com 32 bits, temos |E| := 8 e BIAS := 127. E com 128 bits, temos |E| := 15
e BIAS := 16383.
Com |E| = 11 temos
[111 1111 1111] = reservado
[111 1111 1110] = 2046 − BIAS = 102310 = EM AX
..
.=
[100 0000 0001] = 210 + 1 − BIAS = 210
[100 0000 0000] = 210 − BIAS = 110
[011 1111 1111] = 1023 − BIAS = 010
[011 1111 1110] = 1022 − BIAS = −110
..
.=
[000 0000 0001] = 1 − BIAS = −1022 = EM IN
[000 0000 0000] = reservado

O maior expoente é dado por EM AX = 1023 e o menor expoente é dado por

EM IN = −1022.
O menor número representável positivo é dado pelo registro
[0|000 0000 0001|0000 0000 0000 . . . 0000 0000]
quando s = 0, c = 1 e M = (1.000...000)2 , ou seja,
M IN R = (1 + 0)2 × 21−1023 ≈ 0.2225 × 10−307 .
O maior número representável é dado por
[0|111 1111 1110|1111 1111 · · · 1111 1111]
quando s = 0, c = 2046 e M = (1.1111 1111 · · · 1111)2 = 2 − 2−52 , ou seja,
M AXR = (2 − 2−52 ) × 22046−1023 ≈ 21024 ≈ 0.17977 × 10309 .
Observação 2.4.3. Em Python, podemos podemos obter o maior e o menor
double positivo não nulo com os comandos:
>>> import sys
>>> sys.float_info.max
1.7976931348623157e+308
>>> sys.float_info.min
2.2250738585072014e-308
Outras informações sobre a representação em ponto flutuante podem ser obtidas
com sys.float_info.
Casos especiais
O zero é um caso especial representado pelo registro
[0|000 0000 0000|0000 0000 0000...0000 0000]
Os expoentes reservados são usados para casos especiais:
• c = [0000...0000] é usado para representar o zero (se m = 0) e os números
subnormais (se m 6= 0).
• c = [1111...1111] é usado para representar o infinito (se m = 0) e NaN (se
m 6= 0).
Os números subnormais6 tem a forma
x = (−1)s (0.m1 m2 · · · m51 m52 )2 × 21−BIAS .
6
Note que poderíamos definir números um pouco menores que o M IN R.

2.4.4 Precisão e épsilon de máquina

A precisão p de uma máquina é o número de dígitos significativos usado para
representar um número. Note que p = |M | + 1 em binário e p = |M | para outras
bases.
O épsilon de máquina, ǫmach = ǫ, é definido de forma que 1 + ǫ seja o menor
número representável maior que 1, isto é, 1 + ǫ é representável, mas não existem
números representáveis em (1, 1 + ǫ).
Exemplo 2.4.7. Com 64 bits, temos que o épsilon será dado por
1 → (1.0000 0000....0000)2 × 20
ǫ → +(0.0000 0000....0001)2 × 20 = 2−52
(1.0000 0000....0001)2 × 20 6= 1
Assim, ǫ = 2−52 .
Em Python, podemos obter o épsilon de máquina com os comandos:
>>> import sys

>>> sys.float_info.epsilon
2.220446049250313e-16
Observe, também, os seguintes resultados:
>>> eps = sys.float_info.epsilon

>>> 1 + 1e-16 == 1
True
>>> 1 + eps == 1
False
2.4.5 Distribuição dos números

Utilizando uma máquina em ponto flutuante, temos um número finito de nú-
meros que podemos representar.
Um número muito pequeno geralmente é aproximado por zero (underflow) e
um número muito grande (overflow) geralmente faz o cálculo parar. Além disso,
os números não estão uniformemente espaçados no eixo real. Números pequenos
estão bem próximos enquanto que números com expoentes grandes estão bem
distantes.
Se tentarmos armazenar um número que não é representável, devemos utilizar
o número mais próximo, gerando os erros de arredondamento.

2.5. TIPOS DE ERROS 21
Exercícios
E 2.4.1. Usando a representação complemento de dois de números inteiros

com 8 bits, escreva o número decimal que corresponde aos seguintes barramentos:
a) [01100010].
b) [00011101].
c) [11100011].
E 2.4.2. Usando a representação complemento de dois de números inteiros

com 16 bits, escreva o número decimal que corresponde aos seguintes barramentos:
a) [0110001001100010].
b) [0001110100011101].
c) [1110001011100011].
E 2.4.3. Usando a representação de ponto flutuante com 64 bits, escreva o

número decimal que corresponde aos seguintes barramentos:
a) [0|10000000000|111000 . . . 0].
b) [1|10000000001|0111000 . . . 0].
E 2.4.4. Explique a diferença entre o sistema de ponto fixo e ponto flutuante.
2.5 Tipos de erros

Em geral, os números não são representados de forma exata nos computadores.
Isto nos leva ao chamado erro de arredondamento. Quando resolvemos problemas
com técnicas numéricas estamos sujeitos a este e outros tipos de erros. Nesta
seção, veremos quais são estes erros e como controlá-los, quando possível.
Quando fazemos aproximações numéricas, os erros são gerados de várias formas,
sendo as principais delas as seguintes:
1. Incerteza dos dados: equipamentos de medição possuem precisão finita,
acarretando erros nas medidas físicas.
2. Erros de Arredondamento: são aqueles relacionados com as limitações
que existem na forma representar números de máquina.

3. Erros de Truncamento: surgem quando aproximamos um procedimento

formado por uma sequência infinita de passos através de um procedimento
finito. Por exemplo, a definição de integral é dada por uma soma infinita e a
aproximamos por um soma finita. O erro de truncamento deve ser analisado
para cada método empregado.
Uma questão fundamental é a quantificação dos erros que estamos sujeitos ao
computar a solução de um dado problema. Para tanto, precisamos definir medidas
de erros (ou de exatidão). As medidas de erro mais utilizadas são o erro absoluto
e o erro relativo.
Definição 2.5.1 (Erro absoluto e relativo). Seja x um número real e x sua apro-
ximação. O erro absoluto da aproximação x é definido como
|x − x|.
O erro relativo da aproximação x é definido como

|x − x|
, x 6= 0.
|x|
Observação 2.5.1. Observe que o erro relativo é adimensional e, muitas vezes,
é dado em porcentagem. Mais precisamente, o erro relativo em porcentagem da
aproximação x é dado por
|x − x̄|
× 100%.
|x|
Exemplo 2.5.1. Sejam x = 123456,789 e sua aproximação x̄ = 123000. O erro
absoluto é
|x − x̄| = |123456,789 − 123000| = 456,789
e o erro relativo é
|x − x̄| 456,789
= ≈ 0,00369999 ou 0,36%
|x| 123456,789
Exemplo 2.5.2. Sejam y = 1,23456789 e ȳ = 1,13. O erro absoluto é
|y − ȳ| = |1,23456789 − 1,13| = 0,10456789
que parece pequeno se compararmos com o exemplo anterior. Entretanto o erro

relativo é
|y − ȳ| 0,10456789
= ≈ 0,08469999 ou 8,4%
|y| 1,23456789
Note que o erro relativo leva em consideração a escala do problema.

2.5. TIPOS DE ERROS 23
Exemplo 2.5.3. Observe os erros absolutos e relativos em cada caso
x x̄ Erro absoluto Erro relativo

0,3 × 10−2 0,3 × 10−2 0,3 × 10−3 10%
0,3 0,3 0,3 × 10−2 10%
0,3 × 102 0,3 × 102 0,3 × 101 10%
Outra forma de medir a exatidão de uma aproximação numérica é contar o
número de dígitos significativos corretos em relação ao valor exato.
Definição 2.5.2 (Número de dígitos significativos corretos). A aproximação x de
um número x tem s dígitos significativos corretos quando7
|x − x|
< 5 × 10−s .
|x|
Exemplo 2.5.4. Vejamos os seguintes casos:
a) A aproximação de x = 0,333333 por x = 0,333 tem 3 dígitos significativos
corretos, pois
|x − x| 0,000333
= ≈ 0,000999 ≤ 5 × 10−33 .
|x| 0,333333
b) Considere as aproximações x̄1 = 0,666 e x̄2 = 0,667 de x = 0,666888. Os

erros relativos são
|x − x̄1 | |0,666888 − 0,666|
= ≈ 0,00133... < 5 × 10−3 .
|x| 0,666888
|x − x̄2 | |0,666888 − 0,667|
= ≈ 0,000167... < 5 × 10−4 .
|x| 0,666888
Note que x̄1 possui 3 dígitos significativos corretos e x̄2 possui 4 dígitos
significativos (o quarto dígito é o dígito 0 que não aparece a direita, i.e,
x̄2 = 0.6670. Isto também leva a conclusão que x2 aproxima melhor o valor
de x do que x1 pois está mais próximo de x.
7
Esta definição é apresentada em [3]. Não existe uma definição única na literatura para o
conceito de dígitos significativos corretos, embora não precisamente equivalentes, elas transmitem
o mesmo conceito. Uma maneira de interpretar essa regra é: calcula-se o erro relativo na forma
normalizada e a partir da ordem do expoente temos o número de dígitos significativos corretos.
Como queremos o expoente, podemos estimar s por

|x − x|
DIGSE(x,x̄) = s ≈ int log10 .
|x|

c) x = 9,999 aproxima x = 10 com 4 dígitos significativos corretos, pois
|x − x| |10 − 9,999|
= ≈ 0,0000999... < 5 × 10−4 .
|x| 10
d) Considere as aproximações x1 = 1,49 e x2 = 1,5 de x = 1. Da definição,

temos que 1,49 aproxima 1 com um dígito significativo correto (verifique),
enquanto 1,5 tem zero dígito significativo correto, pois:
|1 − 1,5|
= 5 × 10−1 < 5 × 100 .
|1|
Exercícios
E 2.5.1. Calcule os erros absoluto e relativo das aproximações x̄ para x.
a) x = π = 3,14159265358979 . . . e x̄ = 3,141
b) x = 1,00001 e x̄ = 1
c) x = 100001 e x̄ = 100000
E 2.5.2. Arredonde os seguintes números para cinco algarismos significativos:
a) 1,7888544
b) 1788,8544
c) 0,0017888544
d) 0,004596632
e) 2,1754999 × 10−10
f) 2,1754999 × 1010
E 2.5.3. Represente os seguintes números com três dígitos significativos

usando arredondamento por truncamento e arredondamento por proximidade.
a) 3276.
b) 42,55.
c) 0,00003331.

2.6. ERROS NAS OPERAÇÕES ELEMENTARES 25
E 2.5.4. Usando a definição 2.5.2, verifique quantos são os dígitos significativos

corretos na aproximação de x por x̄.
a) x = 2,5834 e x̄ = 2,6
b) x = 100 e x̄ = 99
E 2.5.5. Resolva a equação 0,1x − 0,01 = 12 usando arredondamento com

três dígitos significativos em cada passo e compare com o resultado analítico.
E 2.5.6. Calcule o erro relativo e absoluto envolvido nas seguintes aproxima-

ções e expresse as respostas com três algarismos significativos corretos.
a) x = 3,1415926535898 e x̃ = 3,141593
b) x = 1
7
e x̃ = 1,43 × 10−1
2.6 Erros nas operações elementares

O erro relativo presente nas operações elementares de adição, subtração, mul-
tiplicação e divisão é da ordem do épsilon de máquina. Se estivermos usando uma
máquina com 64 bits, temos que ǫ = 2−52 ≈ 2,22E16.
Este erro é bem pequeno! Assumindo que x e y são representados com todos
dígitos corretos, temos aproximadamente 15 dígitos significativos corretos quando
fazemos uma das operações x + y, x − y, x × y ou x/y.
Mesmo que fizéssemos, por exemplo, 1000 operações elementares em ponto
flutuante sucessivas, teríamos, no pior dos casos, acumulado todos esses erros e
perdido 3 casas decimais (1000 × 10−15 ≈ 10−12 ).
Entretanto, quando subtraímos números muito próximos, os problemas aumen-
tam.
2.7 Cancelamento catastrófico

Quando fazemos subtrações com números muito próximos entre si ocorre o
cancelamento catastrófico, onde podemos perder vários dígitos de precisão em uma
única subtração.
Exemplo 2.7.1. Efetue a operação
0,987624687925 − 0,987624 = 0,687925 × 10−6
usando arredondamento com seis dígitos significativos e observe a diferença se
comparado com resultado sem arredondamento.

Solução. Os números arredondados com seis dígitos para a mantissa resultam na

seguinte diferença
0,987625 − 0,987624 = 0,100000 × 10−5
Observe que os erros relativos entre os números exatos e aproximados no lado

esquerdo são bem pequenos,
|0,987624687925 − 0,987625|
= 0,00003159
|0,987624687925|
e
|0,987624 − 0,987624|
= 0%,
|0,987624|
enquanto no lado direito o erro relativo é enorme:
|0,100000 × 10−5 − 0,687925 × 10−6 |
= 45,36%.
0,687925 × 10−6
♦
Exemplo 2.7.2. Considere o problema de encontrar as raízes da equação de se-
gundo grau
x2 + 300x − 0,014 = 0,
usando seis dígitos significativos.
Aplicando a fórmula de Bhaskara com a = 0,100000 × 101 , b = 0,300000 × 103
e c = 0,140000 × 10−1 , temos o discriminante:
∆ = b2 − 4 · a · c
= 0,300000 × 103 × 0,300000 × 103
+ 0,400000 × 101 × 0,100000 × 101 × 0,140000 × 10−1
= 0,900000 × 105 + 0,560000 × 10−1
= 0,900001 × 105
e as raízes:
√
−0,300000 × 103 ± ∆
x1 ,x2 =
0,200000 × 101
√
−0,300000 × 103 ± 0,900001 × 105
=
0,200000 × 101
−0,300000 × 103 ± 0,300000 × 103
=
0,200000 × 101

2.7. CANCELAMENTO CATASTRÓFICO 27
Então, as duas raízes obtidas com erros de arredondamento, são:
−0,300000 × 103 − 0,300000 × 103

x̃1 =
0,200000 × 101
0,600000 × 103
=− = −0,300000 × 103
0,200000 × 101
e
−0,300000 × 103 + 0,300000 × 103
x̃2 = = 0,000000 × 100
0,200000 × 101
No entanto, os valores das raízes com seis dígitos significativos livres de erros de
arredondamento, são:
x1 = −0,300000 × 103 e x2 = 0,466667 × 10−4 .
Observe que a primeira raiz apresenta seis dígitos significativos corretos, mas a
segunda não possui nenhum dígito significativo correto.
√ Observe que isto acontece porque b é muito maior que 4ac, ou seja, b ≈
2
b2 − 4ac, logo a diferença

√
−b + b2 − 4ac
estará próxima de zero. Uma maneira de evitar o cancelamento catastrófico é

aplicar procedimentos analíticos na expressão para eliminar essa diferença. Um
técnica padrão consiste usar uma expansão em série de Taylor em torno da origem,
tal como:
√ 1
1 − x = 1 − x + O(x2 ).
2
Substituindo esta aproximação na fórmula de Bhaskara, temos:
√
−b ± b2 − 4ac
x =
2a
q
−b ± b 1 − 4ac
b2
=
2a

−b ± b 1 − 4ac
2b2
≈
2a
Observe que 4ac

b2
é um número pequeno e por isso a expansão faz sentido. Voltamos

no exemplo anterior e calculamos as duas raízes com o nova expressão
−b − b + 4ac b c
x̃1 = 2b
=− +
2a a b
0,300000 × 103 0,140000 × 10−1
= − −
0,100000 × 101 0,300000 × 103
= −0,300000 × 10 − 0,466667 × 10−4
3
= −0,300000 × 103
−b + b − 4ac
x̃2 = 2b
2a
4ac
= −
4ab
c −0,140000 × 10−1
= − =− = 0,466667 × 10−4
b 0,300000 × 103
Observe que o efeito catastrófico foi eliminado.

Observação 2.7.1. O cancelamento catastrófico também poderia ter sido evitado
através do seguinte truque analítico:
√ √ √
−b + b2 − 4ac −b + b2 − 4ac −b − b2 − 4ac
x2 = = · √
2a 2a −b − b2 − 4ac
b2 − (b2 − 4ac) 4ac
= √ = √
2a −b − b2 − 4ac 2a −b − b2 − 4ac
2c
= − √
b + b2 − 4ac
2.8 Condicionamento de um problema

Nesta seção, utilizaremos a seguinte descrição abstrata para o conceito de “re-
solver um problema”: dado um conjunto de dados de entrada, encontrar os dados
de saída. Se denotamos pela variável x os dados de entrada e pela variável y os
dados de saída, resolver o problema significa encontrar y dado x. Em termos ma-
temáticos, a resolução de um problema é realizada pelo mapeamento f : x → y,
ou simplesmente y = f (x).
É certo que, na maioria das aplicações, os dados de entrada do problema —
isto é, x — não são conhecidos com total exatidão, devido a diversas fontes de
erros, como incertezas na coleta dos dados e erros de arredondamento. O conceito

2.8. CONDICIONAMENTO DE UM PROBLEMA 29
de condicionamento está relacionado à forma como os erros nos dados de entrada

influenciam os dados de saída.
Para fins de análise, denotaremos por x, os dados de entrada com precisão
absoluta e por x∗ , os dados com erro. Definiremos também a solução y ∗ , do
problema com dados de entrada x∗ , ou seja, y ∗ = f (x∗ ).
Estamos interessados em saber se os erros cometidos na entrada ∆x = x − x∗
influenciaram na saída do problema ∆y = y − y ∗ . No caso mais simples, temos
que x ∈ R e y ∈ R. Assumindo que f seja diferenciável, a partir da série de Taylor
f (x + ∆x) ≈ f (x) + f ′ (x)∆x
obtemos (subtraindo f (x) dos dois lados)
∆y = f (x + ∆x) − f (x) ≈ f ′ (x)∆x
Para relacionarmos os erros relativos, dividimos o lado esquerdo por y, o lado

direito por f (x) = y e obtemos
∆y f ′ (x) x∆x
≈
y f (x) x
sugerindo a definição de número de condicionamento de um problema.
Definição 2.8.1. Seja f uma função diferenciável. O número de condiciona-
mento de um problema é definido como

xf ′ (x)
κf (x) :=

f (x)

e fornece uma estimativa de quanto os erros relativos na entrada ∆x serão am-

x
plificados na saída ∆y .

y
De modo geral, quando f depende de várias variáveis, podemos obter

n

∂f
X
δf = |f (x1 ,x2 ,...,xn ) − f (x̄1 , x̄2 ,...,x̄n )| ≈ (x1 , x2 ,...,xn ) δxi
∂xi
i=1
Uma matriz de números de condicionamento também poderia ser obtida como

em [5].
√
Exemplo 2.8.1. Considere o problema de calcular x em x = 2. Se usarmos
x∗ = 1,999, quanto será o erro relativo na saída? O erro relativo na entrada é

∆x 2 − 1,999

= = 0,0005

x
2

O número de condicionamento do problema calcular a raiz é

xf ′ (x) 1
x √
2 x 1
κf (x) :=

= √ =
f (x)
x 2
Ou seja,
√ os erros na entrada√serão diminuídos pela metade. De fato, usando
y = 2 = 1,4142136... e y ∗ = 1,999 = 1,41386..., obtemos
√ √
∆y 2 − 1,999
= √ ≈ 0,000250031...
y 2
Exemplo 2.8.2. Considere a função f (x) = 10
1−x2
e x∗ = 0,9995 com um erro
absoluto na entrada de 0,0001.
Calculando y ∗ = f (x∗ ) temos
10
y∗ = ≈ 10002,500625157739705173
1 − (0,9995)2
Mas qual é a estimativa de erro nessa resposta? Quantos dígitos significativos
temos nessa resposta?
Sabendo que f ′ (x) = −20x/(1 − x2 )2 , o número de condicionamento é

xf ′ (x) 2x2
κf (x) :=

=

f (x) 1 − x2
o que nos fornece para x∗ = 0,9995,

κf (0,9995) ≈ 1998,5
Como o erro relativo na entrada é

∆x 0,0001
= ≈ 0,00010005...

x 0,9995
temos que o erro na saída será aproximadamente

∆y ∆x
κf (x) ≈ 1998,5 × 0,00010005... ≈ 0,1999

y
≈
x
ou seja um erro relativo de aproximadamente 19,99%.
Note que se usarmos x1 = 0,9994 e x2 = 0,9996 (ambos no intervalo do erro
absoluto da entrada) encontramos
y1∗ ≈ 8335,83
y2∗ ≈ 12520,50
confirmando a estimativa de 19,99%.

2.8. CONDICIONAMENTO DE UM PROBLEMA 31
Exemplo 2.8.3. Seja f (x) = x exp(x). Calcule o erro absoluto ao calcular f (x)
sabendo que x = 2 ± 0,05.
Solução. Temos que x ≈ 2 com erro absoluto de δx = 0,05. Neste caso, calculamos
δf , isto é, o erro absoluto ao calcular f (x), por:
δf = |f ′ (x)|δx .
Como f ′ (x) = (1 + x)ex , temos:
δf = |(1 + x)ex | · δx
= |3e2 | · 0,05 = 1,1084.
Portanto, o erro absoluto ao calcular f (x) quando x = 2 ± 0,05 é de 1,1084. ♦

2
Exemplo 2.8.4. Calcule o erro relativo ao medir f (x,y) = x x+1
2 e
2y
sabendo que
x ≈ 3 é conhecido com 10% de erro e y ≈ 2 é conhecido com 3% de erro.
Solução. Calculamos as derivadas parciais de f :
∂f 2x3 − (2x3 + 2x) 2y 2e2y

= e =− 3
∂x x4 x
e
∂f x2 + 1 2y
=2 e
∂y x2
Calculamos o erro absoluto em termos do erro relativo:
δx
= 0,1 ⇒ δx = 3 · 0,1 = 0,3
|x|
δy
= 0,03 ⇒ δy = 2 · 0,03 = 0,06
|y|
Aplicando a expressão para estimar o erro em f temos

δf = ∂f
∂x x
∂f
δ + ∂y δy
2e4
= 27
· 0,3 + 2 9+1
9
e4 · 0,06 = 8,493045557
Portanto, o erro relativo ao calcular f é estimado por

δf 8,493045557
= 9+1 4 = 14%
|f | 9
e

Exemplo 2.8.5. No exemplo anterior, reduza o erro relativo em x pela metade e

calcule o erro relativo em f . Depois, repita o processo reduzindo o erro relativo
em y pela metade.
Solução. Na primeira situação temos x = 3 com erro relativo de 5% e δx =

0,05 · 3 = 0,15. Calculamos δf = 7,886399450 e o erro relativo em f de 13%.
Na segunda situação, temos y = 2 com erro de 1,5% e δy = 2 · 0,015 = 0,03.
Calculamos δf = 4,853168892 e o erro relativo em f de 8%. Observe que mesma
o erro relativo em x sendo maior, o erro em y é mais significante na função. ♦
Exemplo 2.8.6. Considere um triângulo retângulo onde a hipotenusa e um dos

catetos são conhecidos a menos de um erro: hipotenusa a = 3±0,01 metros e cateto
b = 2 ± 0,01 metros. Calcule o erro absoluto ao calcular a área dessa triângulo.
Solução. Primeiro vamos encontrar a expressão para a área em função da hipo-

tenusa a e um cateto b. A tamanho √ de segundo cateto c é dado pelo teorema de
Pitágoras, a2 = b2 + c2 , ou seja, c = a2 − b2 . Portanto a área é
√
bc b a2 − b2
A= = .
2 2
Agora calculamos as derivadas
∂A ab
= √ 2 ,
∂a 2 a − b2
√
∂A a2 − b2 b2
= − √ 2 ,
∂b 2 2 a − b2
e substituindo na estimativa para o erro δA em termos de δa = 0,01 e δb = 0,01:

∂A ∂A
+

δA ≈ δ δ
∂a a ∂b b

√ √
3 5 5
≈ · 0,01 + · 0,01 = 0,01565247584
5 10
0,01
Em termos do erro relativo temos erro na hipotenusa de 3
≈ 0,333%, erro no
cateto de 0,01
2
= 0,5% e erro na área de
0,01565247584
√
2 32 −22
= 0,7%
2

2.9. MAIS EXEMPLOS DE CANCELAMENTO CATASTRÓFICO 33
Exercícios
E 2.8.1. Considere que a variável x ≈ 2 é conhecida com um erro relativo

de 1% e a variável y ≈ 10 com um erro relativo de 10%. Calcule o erro relativo
associado a z quando:
y4 x
z= e .
1 + y4
Suponha que você precise conhecer o valor de z com um erro de 0,5%. Você propõe
uma melhoria na medição da variável x ou y? Explique.
E 2.8.2. A corrente I em ampères e a tensão V em volts em uma lâmpada se

relacionam conforme a seguinte expressão:
α
V
I= ,
V0
onde α é um número entre 0 e 1 e V0 é tensão nominal em volts. Sabendo que
V0 = 220 ± 3% e α = −0,8 ± 4%, calcule a corrente e o erro relativo associado
quando a tensão vale 220 ± 1%.
Obs:. Este problema pode ser resolvido de duas formas distintas: usando a ex-
pressão aproximada para a propagação de erro e inspecionando os valores máximos
e mínimos que a expressão pode assumir. Pratique os dois métodos.
E 2.8.3. A corrente I em ampères e a tensão V em volts em uma lâmpada se

relacionam conforme a seguinte expressão:
α
V
I=
V0
Onde α é um número entre 0 e 1 e V0 é a tensão nominal em volts. Sabendo que
V0 = 220±3% e α = 0,8±4% Calcule a corrente e o erro relativo associado quando
a tensão vale 220 ± 1%. Dica: lembre que xα = eα ln(x)
2.9 Mais exemplos de cancelamento catastrófico

Exemplo 2.9.1. Considere o seguinte processo iterativo:
1
x0 =
3
xn+1 = 4xn − 1, n ∈ N.
Observe que x0 = 13 , x1 = 4 · 13 − 1 = 13 , x2 = 31 , ou seja, temos uma sequência

constante igual a 31 . No entanto, ao calcularmos no computador, usando o sistema

de numeração ’double’, a sequencia obtida não é constante e, de fato, diverge. Faça

o teste em Python, colocando:
>>> x = 1/3; x
e itere algumas vezes a linha de comando:
>>> x = 4*x-1; x
Para compreender o que acontece, devemos levar em consideração que o número
1
3
= 0,3 possui um representação infinita tanto na base decimal quanto na base
binária. Logo, sua representação de máquina inclui um erro de arredondamento.
Seja ǫ a diferença entre o valor exato de 13 e sua representação de máquina, isto é,
x̃0 = 31 + ǫ. A sequência efetivamente calculada no computador é:
1
x̃0 = +ǫ
3
1 1

x̃1 = 4x0 − 1 = 4 + ǫ − 1 = + 4ǫ
3 3
1 1

x̃2 = 4x1 − 1 = 4 + 4ǫ − 1 = + 42 ǫ
3 3
..
.
1
x̃n = + 4n ǫ
3
Portanto o limite da sequência diverge,
lim |x̃n | = ∞
x→∞
Qual o número de condicionamento desse problema?

Exemplo 2.9.2. Observe a seguinte identidade
(1 + x) − 1
f (x) = =1
x
Calcule o valor da expressão à esquerda para x = 10−12 , x = 10−13 , x = 10−14 ,
x = 10−15 , x = 10−16 e x = 10−17 . Observe que quando x se aproxima do ǫ de
máquina a expressão perde o significado. Veja a figura 2.1 com o gráfico de f (x)
em escala logarítmica.
Exemplo 2.9.3. Neste exemplo, estamos interessados em compreender mais de-

talhadamente o comportamento da expressão
1
n
1+
n

Figura 2.1: Gráfico na função do exemplo 2.9.2.
n
Figura 2.2: Gráfico de 1 + n1 em função de n em escala linear-logarítmica vari-
ando de 100 até 1018 . Veja o exemplo 2.9.3.

quando n é um número grande ao computá-la em sistemas de numeral de ponto

flutuante com acurácia finita. Um resultado bem conhecido do cálculo nos diz que
o limite de (2.9.3) quando n tende a infinito é o número de Euler:
1
n
lim 1+ = e = 2,718281828459...
n→∞ n
Sabemos também que a sequência produzida por (2.9.3) é crescente, isto é:
1 1 1 2 1 3

1+ < 1+ < 1+ < ···
1 2 3
No entanto, quando calculamos essa expressão no Python, nos defrontamos
com o seguinte resultado:
n n
n 1+ 1
n
n 1+ 1
n
1 2,0000000000000 102 2,7048138294215

2 2,2500000000000 104 2,7181459268249
3 2,3703703703704 106 2,7182804690957
4 2,4414062500000 108 2,7182817983391
5 2,4883200000000 1010 2,7182820532348
6 2,5216263717421 1012 2,7185234960372
7 2,5464996970407 1014 2,7161100340870
8 2,5657845139503 1016 1,0000000000000
9 2,5811747917132 1018 1,0000000000000
10 2,5937424601000 1020 1,0000000000000
n
Podemos resumir esses dados no gráfico de 1 + n1 em função de n, veja a
figura 2.9.
Observe que quando n se torna grande, da ordem de 1015 , o gráfico da fun-
ção deixa de se crescente e apresenta oscilações. Observe também que a expres-
são se torna identicamente igual a 1 depois de um certo limiar. Tais fenômenos
não são intrínsecos da função f (n) = (1 + 1/n)n , mas oriundas de erros de
arredondamento, isto é, são resultados numéricos espúrios. A fim de pôr o com-
portamento numérico de tal expressão, apresentamos abaixo o gráfico da mesma
função, porém restrito à região entre 1014 e 1016 .

Para compreendermos melhor por que existe um limiar N que, quando atin-
gido torna a expressão do exemplo acima identicamente igual a 1, observamos a
sequência de operações realizadas pelo computador:
n → 1/n → 1 + 1/n → (1 + 1/n)n (2.1)
Devido ao limite de precisão da representação de números em ponto flutuante,

existe um menor número representável que é maior do que 1. Este número é
1+eps, onde eps é chamado de épsilon de máquina e é o menor número que
somado a 1 produz um resultado superior a 1 no sistema de numeração usado.
O épsilon de máquina no sistema de numeração double vale aproximadamente
2,22 × 10−16 . Em Python podemos obter o épsilon de máquina com o seguinte
comando numpy:
>>> eps = np.finfo(float).eps
>>> print(eps)
2.22044604925e-16
>>> 1+eps == 1
False
>>> 1+eps
1.0000000000000002
Quando somamos a 1 um número positivo inferior ao épsilon de máquina, obtemos
o número 1. Dessa forma, o resultado obtido pela operação de ponto flutuante
1 + n para 0 < n < 2,22 × 10−16 é 1.
Portanto, quando realizamos a sequência de operações dada em (2.1), toda
informação contida no número n é perdida na soma com 1 quando 1/n é menor
que o épsilon de máquina, o que ocorre quando n > 5 × 1015 . Assim, (1 + 1/n) é
aproximado para 1 e a última operação se resume a 1n , o que é igual a 1 mesmo
quando n é grande.
Um erro comum é acreditar que o perda de significância se deve ao fato de 1/n
ser muito pequeno para ser representado e é aproximando para 0. Isto é falso, o
sistema de ponto de flutuante permite representar números de magnitude muito
inferior ao épsilon de máquina. O problema surge da limitação no tamanho da
mantissa. Observe como a seguinte sequência de operações não perde significância
para números positivos x muito menores que o épsilon de máquina:
n → 1/n → 1/(1/n) (2.2)
compare o desempenho numérico desta sequência de operações para valores pe-

quenos de n com o da seguinte sequência:
n → 1 + n → (1 + n) − 1. (2.3)

n
Finalmente, notamos que quando tentamos calcular 1 + 1
n
para n grande, existe
perda de significância no cálculo de 1 + 1/n.
Exemplo 2.9.4 (Analogia da balança). Observe a seguinte comparação interes-
sante que pode ser feita para ilustrar os sistemas de numeração com ponto fixo e
flutuante: o sistema de ponto fixo é como uma balança cujas marcas estão igual-
mente espaçadas; o sistema de ponto flutuante é como uma balança cuja distância
entre as marcas é proporcional à massa medida. Assim, podemos ter uma ba-
lança de ponto fixo cujas marcas estão sempre distanciadas de 100g (100g, 200g,
300g, ..., 1Kg, 1,1Kg,...) e outra balança de ponto flutuante cujas marcas estão
distanciadas sempre de aproximadamente um décimo do valor lido (100g, 110g,
121g, 133g, ..., 1Kg, 1,1Kg, 1,21Kg, ...) A balança de ponto fixo apresenta uma
resolução baixa para pequenas medidas, porém uma resolução alta para grandes
medidas. A balança de ponto flutuante distribui a resolução de forma proporcional
ao longo da escala.
Seguindo nesta analogia, o fenômeno de perda de significância pode ser inter-
pretado como a seguir: imagine que você deseje obter o peso de um gato (apro-
ximadamente 4Kg). Dois processos estão disponíveis: colocar o gato diretamente
na balança ou medir seu peso com o gato e, depois, sem o gato. Na balança
de ponto flutuante, a incerteza associada na medida do peso do gato (sozinho) é
aproximadamente 10% de 4Kg, isto é, 400g. Já a incerteza associada à medida da
uma pessoa (aproximadamente 70Kg) com o gato é de 10% do peso total, isto é,
aproximadamente 7Kg. Esta incerteza é da mesma ordem de grandeza da medida
a ser realizada, tornado o processo impossível de ser realizado, já que teríamos
uma incerteza da ordem de 14Kg (devido à dupla medição) sobre uma grandeza
de 4Kg.
ER 2.9.1. Deseja-se medir a concentração de dois diferentes oxidantes no ar. Três
sensores eletroquímicos estão disponíveis para a medida e apresentam a seguintes
respostas:
v1 = 270[A] + 30[B], v2 = 140[A] + 20[B] e v3 = 15[A] + 200[B]
as tensões v1 , v2 e v3 são dadas em mV e as concentrações em milimol/l.

a) Encontre uma expressão para os valores de [A] e [B] em termos de v1 e v2 e,
depois, em termos de v1 e v3 . Dica: Se ad 6= bc, então a matriz A dada por
 
a b 
A= 
c d

é inversível e sua inversa é dada por

 
1  d −b 
A−1 =  .
ad − bc −c a
b) Sabendo que incerteza relativa associada às sensibilidades dos sensores 1 e 2 é

de 2% e que a incerteza relativa associada às sensibilidades do sensor 3 é 10%,
verifique a incerteza associada à medida feita com o par 1 − 2 e o par 1 − 3.
Use [A] = [B] = 10milimol/l. Dica: Você deve diferenciar as grandezas [A] e
[B] em relação aos valores das tensões.
Solução. Em ambos casos, temos a seguinte estrutura:

    
S11 S12  [A] v1 
  =
 
S21 S22 [B] v2
De forma que
   −1     
 [A]  S11 S12  v1  1  S22 −S12  v1 
 =    =   
[B] S21 S22 v2 S11 S22 − S12 S21 −S21 S11 v2
Portanto
S22 v1 − S12 v2
[A] =
S11 S22 − S12 S21
−S21 v1 + S11 v2
[B] =
S11 S22 − S12 S21
Usando derivação logarítmica, temos
1 ∂[A] S22
= −
[A] ∂S11 S11 S22 − S12 S21
1 ∂[A] v2 S21 [A] S22
= − + =− ·
[A] ∂S12 S22 v1 − S12 v2 S11 S22 − S12 S21 [B] S11 S22 − S12 S21
1 ∂[A] S12
=
[A] ∂S21 S11 S22 − S12 S21
1 ∂[A] v1 S11 [A] S12
= − = ·
[A] ∂S22 S22 v1 − S12 v2 S11 S22 − S12 S21 [B] S11 S22 − S12 S21

e
1 ∂ [B] v2 S22 [B] S21
= − =
[B] ∂S11 −S21 v1 + S11 v2 S11 S22 − S12 S21 [A] S11 S22 − S12 S21
1 ∂ [B] S21
=
[B] ∂S12 S11 S22 − S12 S21
1 ∂ [B] v1 S21 [B] S11
= − + =−
[B] ∂S21 −S21 v1 + S11 v2 S11 S22 − S12 S21 [A] S11 S22 − S12 S21
1 ∂ [B] S11
= −
[B] ∂S22 S11 S22 − S12 S21
E o erro associado às medidas pode ser aproximado por

1 1 ∂[A] 1 ∂[A] 1 ∂[A] 1 ∂[A]
δ[A] = δS11 +

δS12 +

δS21 +

δS
[A] [A] ∂S11 [A] ∂S12 [A] ∂S21 [A] ∂S22 22
" #
1 [A] [A]
= S22 δS11 + S22 δS12 + S12 δS21 + S12 δS22
|det S| [B] [B]
Analogamente, temos:
" #
1 1 [B] [B]
δ[B] = S21 δS11 + S21 δS11 + S11 δS21 + S11 δS22
[B] |det S| [A] [A]
onde não se indicou |Sij | nem |[.]| pois são todos positivos.
Fazemos agora a aplicação numérica: Caso do par 1-2:

270 30
det S = = 1200

140 20

1 1
δ[A] = [20 × 270 × 2% + 20 × 30 × 2% + 30 × 140 × 2% + 30 × 20 × 2%]
[A] 1200
216
= = 0.18 = 18%
1200
1 1
δ[B] = [140 × 270 × 2% + 140 × 30 × 2% + 270 × 140 × 2% + 270 × 20 × 2%]
[B] 1200
426
= = 0.355 = 35.5%
1200
Caso do par 1-3:

270 30
det S = = 53550

15 200


1 1
δ[A] = [200 × 270 × 2% + 200 × 30 × 2% + 30 × 15 × 10% + 30 × 200 × 10%]
[A] 53550
1804,6
= ≈ 0.0337 = 3.37%
52550
1 1
δ[B] = [15 × 270 × 2% + 15 × 30 × 2% + 270 × 15 × 10% + 270 × 200 × 10%]
[B] 53550
5895
= ≈ 0.11 = 11%
53550
Conclusão, apesar de o sensor 3 apresentar uma incerteza cinco vezes maior na
sensibilidade, a escolha do sensor 3 para fazer par ao sensor 1 parece mais ade-
quada. ♦
Exercícios
E 2.9.1. Considere as expressões:
exp(1/µ)
1 + exp(1/µ)
e
1
exp(−1/µ) + 1
com µ > 0. Verifique que elas são idênticas como funções reais. Teste no compu-
tador cada uma delas para µ = 0,1, µ = 0,01 e µ = 0,001. Qual dessas expressões
é mais adequada quando µ é um número pequeno? Por quê?
E 2.9.2. Encontre expressões alternativas para calcular o valor das seguintes

funções quando x é próximo de zero.
1−cos(x)
a) f (x) = x2
√
b) g(x) = 1+x−1
√
c) h(x) = x + 106 − 103
√ √
d) i(x) = 1 + ex − 2 Dica: Faça y = ex − 1
E 2.9.3. Use uma identidade trigonométrica adequada para mostrar que:

!2
1 − cos(x) 1 sen (x/2)
= .
x 2 2 x/2

Analise o desempenho destas duas expressões no computador quando x vale 10−5 ,

10−6 , 10−7 , 10−8 , 10−9 , 10−200 e 0. Discuta o resultado. Dica: Para |x| < 10−5 ,
f (x) pode ser aproximada por 1/2 − x2 /24 com erro de truncamento inferior a
10−22 .
E 2.9.4. Reescreva as expressões:
√ √
e2x + 1 − ex e e2x + x2 − ex
de modo que seja possível calcular seus valores para x = 100 utilizando a aritmética
de ponto flutuante ("Double") no computador.
E 2.9.5. Na teoria da relatividade restrita, a energia cinética de uma partícula

e sua velocidade se relacionam pela seguinte fórmula:
 
1
E = mc2  q − 1 ,
1− (v/c)2
onde E é a energia cinética da partícula, m é a massa de repouso, v o módulo da

velocidade e c a velocidade da luz no vácuo dada por c = 299792458m/s. Considere
que a massa de repouso m = 9,10938291 × 10−31 Kg do elétron seja conhecida com
erro relativo de 10−9 . Qual é o valor da energia e o erro relativo associado a essa
grandeza quando v = 0,1c, v = 0,5c, v = 0,99c e v = 0,999c sendo que a incerteza
relativa na medida da velocidade é 10−5 ?

Capítulo 3
Solução de equações de uma

variável
Neste capítulo, buscaremos aproximações numéricas para a solução de equa-

ções de uma variável real. Observamos que obter uma solução para uma tal
dada equação é equivalente a encontrar um zero de uma função apropriada.
Com isso, iniciamos este capítulo discutindo sobre condições de existência e unici-
dade de raízes de funções de uma variável real. Então, apresentamos o método da
bisseção como uma primeira abordagem numérica para a solução de tais equações.
Em seguida, exploramos uma outra abordagem via iteração do ponto fixo.
Desta, obtemos o método de Newton1 , para o qual discutimos sua aplicação
e convergência. Por fim, apresentamos o método das secantes como uma das
possíveis variações do método de Newton.
Ao longo do capítulo, apresentamos algumas computações com Python. Nestas,
estaremos assumindo o que os seguintes módulos estão carregados:

>>> import matplotlib.pyplot as plt
>>> import scipy as sci
>>> from scipy import optimize
A segunda instrução carrega a biblioteca de computação científica numpy e a

terceira carrega a biblioteca gráfica matplotlib.
1
Sir Isaac Newton, 1642 - 1727, matemático e físico inglês.
43
f(a)
x∗ b
a x
f(b)
Figura 3.1: Teorema de Bolzano.
3.1 Existência e unicidade

O teorema de Bolzano2 nos fornece condições suficientes para a existên-
cia do zero de uma função. Este é uma aplicação direta do teorema do valor
intermediário.
Teorema 3.1.1 (Teorema de Bolzano). Se f : [a, b] → R, y = f (x), é uma função
contínua tal que f (a) · f (b) < 0, então existe x∗ ∈ (a, b) tal que f (x∗ ) = 0.
Demonstração. O resultado é uma consequência imediata do teorema do valor
intermediário que estabelece que dada uma função contínua f : [a, b] → R, y =
f (x), tal que f (a) < f (b) (ou f (b) < f (a)), então para qualquer d ∈ (f (a), f (b))
(ou k ∈ (f (b), f (a))) existe x∗ ∈ (a, b) tal que f (x∗ ) = k. Ou seja, nestas notações,
se f (a) · f (b) < 0, então f (a) < 0 < f (b) (ou f (b) < 0 < f (a)). Logo, tomando
k = 0, temos que existe x∗ ∈ (a, b) tal que f (x∗ ) = k = 0.
Em outras palavras, se f (x) é uma função contínua em um dado intervalo no
qual ela troca de sinal, então ela têm pelo menos um zero neste intervalo (veja a
figura 3.1).
Exemplo 3.1.1. Mostre que existe pelo menos uma solução da equação ex = x+2
no intervalo (−2,0).
Solução. Primeiramente, observamos que resolver a equação ex = x + 2 é equi-
valente a resolver f (x) = 0 com f (x) = ex − x − 2. Agora, como f (−2) = e−2 > 0
2
Bernhard Placidus Johann Gonzal Nepomuk Bolzano, 1781 - 1848, matemático do Reino da
Boêmia.

3.1. EXISTÊNCIA E UNICIDADE 45
e f (0) = −2 < 0, temos do teorema de Bolzano que existe pelo menos um zero de
f (x) no intervalo (−2, 0). E, portanto, existe pelo menos uma solução da equação
dada no intervalo (−2, 0).
Podemos usar Python para estudarmos esta função. Por exemplo, podemos
definir a função f (x) e computá-la nos extremos do intervalo dado com os seguintes
comandos:
>>> def f(x): return np.exp(x)-x-2
...
>>> f(-2),f(0)
(0.13533528323661281, -1.0)
Alternativamente (e com maior precisão), podemos verificar diretamente o sinal
da função nos pontos desejados com a função numpy.sign:
>>> np.sign(f(-2)*f(0))
-1.0
♦
Quando procuramos aproximações para zeros de funções, é aconselhável isolar
cada raiz em um intervalo. Desta forma, gostaríamos de poder garantir a existência
e a unicidade da raiz dentro de um dado intervalo. A seguinte proposição nos
fornece condições suficientes para tanto.
Proposição 3.1.1. Se f : [a, b] → R é um função diferenciável, f (a) · f (b) < 0 e

f ′ (x) > 0 (ou f ′ (x) < 0) para todo x ∈ (a, b), então existe um único x∗ ∈ (a, b) tal
que f (x∗ ) = 0.
Em outras palavras, para garantirmos que exista um único zero de uma dada
função diferenciável em um intervalo, é suficiente que ela troque de sinal e seja
monótona neste intervalo.
Exemplo 3.1.2. No exemplo 3.1.1, mostramos que existe pelo menos um zero de
f (x) = ex − x − 2 no intervalo (−2,0), pois f (x) é contínua e f (−2) · f (0) < 0.
Agora, observamos que, além disso, f ′ (x) = ex − 1 e, portanto, f ′ (x) < 0 para
todo x ∈ (−2,0). Logo, da proposição 3.1.1, temos garantida a existência de um
único zero no intervalo dado.
Podemos inspecionar o comportamento da função f (x) = ex − x − 2 e de sua
derivada fazendo seus gráficos no Python. Para tanto, podemos usar o seguinte
código Python:
>>> def f(x): return np.exp(x)-x-2

...
>>> xx = np.linspace(-2,0)

>>> plt.plot(xx,f(xx))
>>> plt.grid(); plt.show()
>>> def fl(x): return np.exp(x)-1

...
>>> plt.plot(xx,fl(xx))
>>> plt.grid(); plt.show()
A discussão feita nesta seção, especialmente o teorema de Bolzano, nos fornece

os fundamentos para o método da bisseção, o qual discutimos na próxima seção.
Exercícios
E 3.1.1. Mostre que cos x = x tem solução no intervalo [0, π/2].
E 3.1.2. Mostre que cos x = x tem uma única solução no intervalo [0, π/2].
E 3.1.3. Interprete a equação cos(x) = kx como o problema de encontrar a

intersecção da curva y = cos(x) com y = kx. Encontre o valor positivo k para o
qual essa equação admite exatamente duas raízes positivas distintas.
E 3.1.4. Mostre que a equação:
1
ln(x) + x3 − = 10
x
possui uma única solução positiva.
E 3.1.5. Use o teorema de Bolzano para mostrar que o erro absoluto ao

aproximar o zero da função f (x) = ex − x − 2 por x = −1,841 é menor que 10−3 .
E 3.1.6. Mostre que o erro absoluto associado à aproximação x = 1,962 para

a solução exata x∗ de:
ex + sen (x) + x = 10
é menor que 10−4 .
E 3.1.7. Mostre que a equação
1
ln(x) + x − =v
x
possui uma solução para cada v real e que esta solução é única.

3.2. MÉTODO DA BISSEÇÃO 47
f (b)
a x(0)
x(1) b x
f (x(0) )
f (a)
Figura 3.2: Método da bisseção.
3.2 Método da bisseção

O método da bisseção explora o fato de que uma função contínua f : [a, b] →
R com f (a) · f (b) < 0 tem um zero no intervalo (a, b) (veja o teorema de Bol-
zano 3.1.1). Assim, a ideia para aproximar o zero de uma tal função f (x) é tomar,
como primeira aproximação, o ponto médio do intervalo [a, b], isto é:
(a + b)
x(0) = .
2
Pode ocorrer de f (x(0) ) = 0 e, neste caso, o zero de f (x) é x∗ = x(0) . Caso
contrário, se f (a) · f (x(0) ) < 0, então x∗ ∈ (a, x(0) ). Neste caso, tomamos como
segunda aproximação do zero de f (x) o ponto médio do intervalo [a, x(0) ], isto
é, x(1) = (a + x(0) )/2. Noutro caso, temos f (x(0) ) · f (b) < 0 e, então, tomamos
x(1) = (x(0) + b)/2. Repetimos este procedimento até obtermos a aproximação
desejada (veja figura 3.2).
De forma mais precisa, suponha que queiramos calcular uma aproximação com
uma certa precisão T OL para um zero x∗ de uma dada função contínua f : [a, b] →
R tal que f (a) · f (b) < 0. Iniciamos, tomando n = 0 e:
a(n) + b(n)
a(n) = a, b(n) = b e x(n) = .
2
Verificamos o critério de parada, isto é, se f (x(n) ) = 0 ou:
|b(n) − a(n) |
< T OL,
2
Tabela 3.1: Iteração do método da bisseção para o exemplo 3.2.1.

|b(n) − a(n) |
n a(n) b(n) x(n) f (a(n) )f (x(n) )
2
0 −2 0 −1 <0 1
1 −2 −1 −1,5 <0 0,5
2 −2 −1,5 −1,75 <0 0,25
3 −2 −1,75 −1,875 >0 0,125
4 −1,875 −1,75 −1,8125 <0 0,0625
então x(n) é a aproximação desejada. Caso contrário, preparamos a próxima ite-

ração n + 1 da seguinte forma: se f (a(n) ) · f (x(n) ) < 0, então setamos a(n+1) = a(n)
e b(n+1) = x(n) ; noutro caso, se f (x(n) ) · f (b(n) ) < 0, então setamos a(n+1) = x(n) e
b(n+1) = b(n) . Trocando n por n + 1, temos a nova aproximação do zero de f (x)
dada por:
a(n+1) + b(n+1)
x(n+1) = .
2
Voltamos a verificar o critério de parada acima e, caso não satisfeito, iteramos
novamente. Iteramos até obtermos a aproximação desejada ou o número máximo
de iterações ter sido atingido.
Exemplo 3.2.1. Use o método da bisseção para calcular uma solução de ex = x+2
no intervalo [−2, 0] com precisão T OL = 10−1 .
Solução. Primeiramente, observamos que resolver a equação dada é equivalente

a calcular o zero de f (x) = ex − x − 2. Além disso, temos f (−2) · f (0) < 0.
Desta forma, podemos iniciar o método da bisseção tomando o intervalo inicial
[a(0) , b(0) ] = [−2, 0] e:
a(0) + b(0)
x(0) = = −1.
2
Apresentamos as iterações na tabela 3.1. Observamos que a precisão T OL = 10−1
foi obtida na quarta iteração com o zero de f (x) sendo aproximado por x(4) =
1,8125.
Usando Python neste exemplos, temos:
>>> def f(x): return np.exp(x) - x - 2
...
>>> a=-2; b=0; x = (a+b)/2; [a,b,x]
[-2, 0, -1.0]

>>> [(b-a)/2, np.sign(f(a)*f(x))]

[1.0, -1.0]
>>> b=x; x=(a+b)/2; [a,b,x]
[-2, -1.0, -1.5]
>>> [(b-a)/2, np.sign(f(a)*f(x))]
e, assim, sucessivamente. Veja o código completo na Seção 3.2.1. ♦
Vamos, agora, discutir sobre a convergência do método da bisseção. O pró-

ximo teorema 3.2.1 nos garante a convergência do método da bisseção.
Teorema 3.2.1 (Convergência do método da bisseção). Sejam f : [a, b] → R uma

função contínua tal que f (a)·f (b) < 0 e x∗ o único zero de f (x) no intervalo (a, b).
Então, a sequência {x(n) }n>=0 do método da bisseção satisfaz:
b−a
|x(n) − x∗ | < , ∀n ≥ 0,
2n+1
isto é, x(n) → x∗ quando n → ∞.
Demonstração. Notemos que, a cada iteração, a distância entre a aproximação x(n)

e o zero x∗ da função é menor que a metade do tamanho do intervalo [a(n) , b(n) ]
(veja figura 3.2), isto é:
b(n) − a(n)
|x(n) − x∗ | < .
2
Por construção do método, temos [a(n) , b(n) ] ⊂ [a(n−1) , b(n−1) ] e:
(n) (n) b(n−1) − a(n−1)

b −a = .
2
Desta forma:
b(n) − a(n) b(n−1) − a(n−1) b(0) − a(0)

|x(n) − x∗ | < = = · · · = , ∀n ≥ 1.
2 22 2n+1
Logo, vemos que:
b−a
|x(n) − x∗ | < , ∀n ≥ 0.
2n+1
Observamos que a hipótese de que f (x) tenha um único zero no intervalo não
é necessária. Se a função tiver mais de um zero no intervalo inicial, as iterações
irão convergir para um dos zeros. Veja o exercício 3.2.3.

Observação 3.2.1. O teorema 3.2.1 nos fornece uma estimativa para a conver-
gência do método da bisseção. Aproximadamente, temos:
1
|x(n+1) − x∗ | . |x(n) − x∗ |.
2
Isto nos leva a concluir que o método da bisseção tem taxa de convergência
linear.
Exemplo 3.2.2. No exemplo 3.2.1, precisamos de 4 iterações do método da bis-

seção para computar uma aproximação com precisão de 10−1 do zero de f (x) =
ex − x − 2 tomando como intervalo inicial [a, b] = [−2, 0]. Poderíamos ter estimado
o número de iterações a priori, pois, como vimos acima:
b−a
|x(n) − x∗ | ≤ , n ≥ 0.
2n+1
Logo, temos:
b−a 2
|x(n) − x∗ | < =
2n+1 2n+1
= 2 < 10−1 ⇒ n > − log2 10−1 ≈ 3,32.
−n
O que está de acordo com o experimento numérico realizado naquele exemplo.
O método da bisseção tem a boa propriedade de garantia de convergência, bem

como de fornecer uma simples estimativa da precisão da aproximação calculada.
Entretanto, a taxa de convergência linear é superada por outros métodos. A
construção de tais métodos está, normalmente, associada a iteração do ponto fixo,
a qual exploramos na próxima seção.
3.2.1 Código Python: método da bisseção

O seguinte código é uma implementação em Python do algoritmo da bisseção.
As variáveis de entrada são:
• f - função objetivo
• a - extremo esquerdo do intervalo de inspeção [a, b]
• b - extremo direito do intervalo de inspeção [a, b]
• TOL - tolerância (critério de parada)
• N - número máximo de iterações

A variável de saída é:
• p - aproximação da raiz de f, isto é, f (p) ≈ 0.
from __future__ import division
def bissecao(f, a, b, TOL, N):

i = 1
fa = f(a)
while (i <= N):
#iteracao da bissecao
p = a + (b-a)/2
fp = f(p)
#condicao de parada
if ((fp == 0) or ((b-a)/2 < TOL)):
return p
#bissecta o intervalo
i = i+1
if (fa * fp > 0):
a = p
fa = fp
else:
b = p
raise NameError('Num. max. de iter. excedido!');
Exercícios
√
E 3.2.1. Considere a equação x = cos(x). Use o método da bisseção com
intervalo inicial [a, b] = [0, 1] e x(1) = (a + b)/2 para calcular a aproximação x(4)
da solução desta equação.
E 3.2.2. Trace o gráfico e isole as três primeiras raízes positivas da função:

2 x
f (x) = 5 sen (x ) − exp
10
em intervalos de comprimento 0,1. Então, use o método da bisseção para obter
aproximações dos zeros desta função com precisão de 10−5 .
E 3.2.3. O polinômio p(x) = −4+8x−5x2 +x3 tem raízes x1 = 1 e x2 = x3 = 2

no intervalo [1/2, 3].

a) Se o método da bisseção for usando com o intervalo inicial [1/2, 3], para qual
raiz as iterações convergem?
b) É possível usar o método da bisseção para a raiz x = 2? Justifique sua

resposta.
√ √
E 3.2.4. O polinômio f (x) = x4 − 4x2 + 4 possui raízes duplas em 2 e − 2.
O método da bisseção pode ser aplicados a f ? Explique.
E 3.2.5. Mostre que a equação do problema 3.1.7 possui uma solução no

intervalo [1, v + 1] para todo v positivo. Dica: defina f (x) = ln(x) + x − x1 − v e
considere a seguinte estimativa:
Z v+1 Z v+1
′
f (v + 1) = f (1) + f (x)dx ≥ −v + dx = 0.
1 1
Use esta estimativa para iniciar o método de bisseção e obtenha o valor da raiz
com pelo menos 6 algarismos significativos para v = 1, 2, 3, 4 e 5.
E 3.2.6. (Estática) Considere o seguinte problema físico: uma plataforma está

fixa a uma parede através de uma dobradiça cujo momento é dado por:
τ = kθ,
onde θ é angulo da plataforma com a horizontal e k é uma constante positiva. A

plataforma é feita de material homogêneo, seu peso é P e sua largura é l. Modele
a relação entre o ângulo θ e o peso P próprio da plataforma. Encontre o valor
de θ quando l = 1 m, P = 200 N, k = 50 Nm/rad, sabendo que o sistema está
em equilíbrio. Use o método da bisseção e expresse o resultado com 4 algarismos
significativos.
E 3.2.7. Considere a equação de Lambert dada por:
xex = t,
onde t é um número real positivo. Mostre que esta equação possui uma única
solução x∗ que pertence ao intervalo [0, t]. Usando esta estimativa como intervalo
inicial, quantos passos são necessário para obter o valor numérico de x∗ com erro
absoluto inferior a 10−6 quando t = 1, t = 10 e t = 100 através do método da
bisseção? Obtenha esses valores.
E 3.2.8. (Eletrônica) O desenho abaixo mostra um circuito não linear envol-

vendo uma fonte de tensão constante, um diodo retificador e um resistor. Sabendo

3.3. ITERAÇÃO DE PONTO FIXO 53
que a relação entre a corrente (Id ) e a tensão (vd ) no diodo é dada pela seguinte
expressão:
vd
Id = IR exp −1 ,
vt
onde IR é a corrente de condução reversa e vt , a tensão térmica dada por vt = kTq
com k, a constante de Boltzmann, T a temperatura de operação e q, a carga do
elétron. Aqui IR = 1pA = 10−12 A, T = 300 K. Escreva o problema como uma
equação na incógnita vd e, usando o método da bisseção, resolva este problema
com 3 algarismos significativos para os seguintes casos:
a) V = 30 V e R = 1 kΩ.
b) V = 3 V e R = 1 kΩ.
c) V = 3 V e R = 10 kΩ.
d) V = 300 mV e R = 1 kΩ.
e) V = −300 mV e R = 1 kΩ.
f) V = −30 V e R = 1 kΩ.
g) V = −30 V e R = 10 kΩ.
Dica: V = RId + vd .
E 3.2.9. (Propagação de erros) Obtenha os valores de Id no problema 3.2.8.

Lembre que existem duas expressões disponíveis:

vd
Id = IR exp −1
vt
e
v − vd
Id =
R
Faça o estudo da propagação do erro e decida qual a melhor expressão em cada
caso.
3.3 Iteração de ponto fixo

Nesta seção, discutimos a abordagem da iteração do ponto fixo para a solu-
ção numérica de equações de uma variável real. Observamos que sempre podemos

reescrever uma equação da forma f (x) = 0 (problema de encontrar os zeros de uma

função) em uma equação equivalente na forma g(x) = x (problema de ponto
fixo). Um ponto x = x∗ tal que g(x∗ ) = x∗ é chamado de ponto fixo da função
g(x). Geometricamente, um ponto fixo de uma função é um ponto de interseção
entre a reta y = x com o gráfico da função (veja figura 3.3).
y
y=x
x∗
y = g(x)
x∗ x
Figura 3.3: Ponto fixo g(x∗ ) = x∗ .
Exemplo 3.3.1. Resolver a equação ex = x + 2 é equivalente a resolver f (x) = 0,

com f (x) = ex −x−2. Estes são equivalentes a resolver g(x) = x, com g(x) = ex −2.
Ou seja, temos:
ex = x + 2 ⇔ ex − x − 2 = 0 ⇔ ex − 2 = x
Dada uma função g(x), a iteração do ponto fixo consiste em computar a

seguinte sequência recursiva:
x(n+1) = g(x(n) ), n ≥ 1,
onde x(1) é uma aproximação inicial do ponto fixo.

Exemplo 3.3.2 (Método babilônico). O método babilônico3 é de uma iteração de
ponto fixo para extrair a raiz quadrada de um número positivo A, isto é, resolver
a equação x2 = A. √
Seja r > 0 uma aproximação para A. Temos três possibilidades:
√ √ √
• r > A =⇒ Ar < A =⇒ A ∈ Ar , r ;
3
Heron de Alexandria, 10 d.C. - 70 d.C., matemático grego.

√ √
• r= A =⇒ A
r
= A;
√ √ √
• r < A =⇒ Ar > A =⇒ A ∈ r, Ar .
√
Ou seja, A sempre está no intervalo entre r e Ar , no qual podemos buscar uma
nova aproximação como, por exemplo, pelo ponto médio:
r+ A
x= r
.
2
Aplicando esse método repetidas vezes, podemos construir a iteração (de ponto
fixo):
x(1) = r
x(n) A
x(n+1) = + (n) , n = 1,2,3,...
2 2x
√
Por exemplo, para obter uma aproximação para 5, podemos iniciar com a
aproximação inicial r = 2 e A = 5. Então, tomamos x(1) = 2 e daí seguem as
aproximações:
2 2,5
x(2) = + = 2,25
2 2
2,25 2,5
x(3) = + = 2,2361111
2 2,25
2,2361111 2,5
x(4) = + = 2,236068
2 2,2361111
2,236068 2,5
x(5) = + = 2,236068
2 2,236068
O método babilônico sugere que a iteração do ponto fixo pode ser uma abor-
dagem eficiente para a solução de equações. Ficam, entretanto, as seguintes per-
guntas:
1. Será que a iteração do ponto fixo é convergente?
2. Caso seja convergente, será que o limite x∗ = limn→∞ x(n) é um ponto fixo?
3. Caso seja convergente, qual é a taxa de convergência?
A segunda pergunta é a mais fácil de ser respondida. No caso de g(x) ser
contínua, se x(n) → x∗ ∈ Dom (g), então:

x∗ = lim x(n) = lim g(x(n−1) ) = g lim x(n−1) = g(x∗ ).
n→∞ n→∞ n→∞
Antes de respondermos as outras perguntas acima, vejamos mais um exemplo.

Tabela 3.2: Iterações do ponto fixo para o exemplo 3.3.3.

(n) (n)
n x1 x2
1 1,700 1,700
2 2,047 1,735
3 −0,8812 1,743
4 4,3013 1,746
5 −149,4 1,746
Exemplo 3.3.3. Considere o problema de encontrar o zero da função f (x) =

xex − 10. Uma maneira geral de construir um problema de ponto fixo equivalente
é o seguinte:
f (x) = 0 ⇒ αf (x) = 0 ⇒ x − αf (x) = x,
para qualquer parâmetro α 6= 0. Consideremos, então, as seguintes duas funções:
g1 (x) = x − 0,5f (x) e g2 (x) = x − 0,05f (x).
Notamos que o ponto fixo destas duas funções coincide com o zero de f (x). Cons-
truindo as iterações do ponto fixo:
(n+1) (n) (n+1) (n)
x1 = g1 (x1 ) e x2 = g2 (x2 ),
(1) (1)
tomando x1 = x2 = 1,7, obtemos os resultados apresentados na tabela 3.2.
Observamos que, enquanto, a iteração do ponto fixo com a função g1 (x) (α = 0,5)
parece divergir, a iteração com a função g2 (x) (α = 0,05) parece convergir.
Em Python, podemos computar as iterações do ponto fixo x(n+1) = g1 (x(n) )
com o seguinte código:
>>> def f(x): return x*np.exp(x)-10
...
>>> def g1(x): return x-0.5*f(x)
...
>>> x=1.7
>>> x=g1(x);x
2.0471447170318804
>>> x=g1(x);x
-0.88119413893725618
e, assim, sucessivamente. Itere com a função g2 (x) e verifique a convergência!
Afim de estudarmos a convergência da iteração do ponto fixo, apresentamos o
teorema do ponto fixo.

3.3.1 Teorema do ponto fixo

O teorema do ponto fixo nos fornece condições suficientes para a existência e
unicidade do ponto fixo, bem como para a convergência das iterações do método.
Definição 3.3.1. Uma contração é uma função real g : [a, b] → [a, b] tal que:
|g(x) − g(y)| ≤ β|x − y|, 0 ≤ β < 1.
Observação 3.3.1. Seja g : [a, b] → [a, b], y=g(x).
• Se g(x) é uma contração, então g(x) função contínua.
• Se |g ′ (x)| < k, 0 < k < 1, para todo x ∈ [a, b], então g(x) é uma contração.
Teorema 3.3.1 (Teorema do ponto fixo). Se g : [a,b] → [a,b] é uma contração,

então existe um único ponto x∗ ∈ [a, b] tal que g(x∗ ) = x∗ , isto é, x∗ é ponto fixo
de g(x). Além disso, a sequência {x(n) }n∈N dada por:
x(n+1) = g(x(n) )
converge para x∗ para qualquer x(1) ∈ [a, b].
Demonstração. Começamos demonstrando que existe pelo menos um ponto fixo.

Para tal definimos a função f (x) = x − g(x) e observamos que:
f (a) = a − g(a) ≤ a − a = 0
e
f (b) = b − g(b) ≥ b − b = 0
Se f (a) = a ou f (b) = b, então o ponto fixo existe. Caso contrário, as desigualdades
são estritas e a f (x) muda de sinal no intervalo. Como esta função é contínua, pelo
teorema de Bolzano 3.1.1, existe um ponto x∗ no intervalo (a, b) tal que f (x∗ ) = 0,
ou seja, g(x∗ ) = x∗ . Isto mostra a existência.
Para provar que o ponto fixo é único, observamos que se x∗ e x∗∗ são pontos
fixos, eles devem ser iguais, pois:
|x∗ − x∗∗ | = |g(x∗ ) − g(x∗∗ )| ≤ β|x∗ − x∗∗ |.
A desigualdade |x∗ − x∗∗ | ≤ β|x∗ − x∗∗ | com 0 ≤ β < 1 implica |x∗ − x∗∗ | = 0.
Para demonstrar a convergência da sequência, observamos que:
|x(n+1) − x∗ | = |g(x(n) ) − x∗ | = |g(x(n) ) − g(x∗ )| ≤ β|x(n) − x∗ |.

Daí, temos:
|x(n) − x∗ | ≤ β|x(n−1) − x∗ | ≤ β 2 |x(n−2) − x∗ | ≤ · · · ≤ β n |x(0) − x∗ |.
Portanto, como 0 ≤ β < 1, temos:
lim |x(n) − x∗ | = 0,
n→∞
ou seja, x(n) → x∗ quando n → ∞.

Observação 3.3.2. Do teorema do ponto fixo, temos que se g(x) é uma contração
com constante 0 ≤ β < 1, então:
|x(n+1) − x∗ | ≤ β|x(n) − x∗ |, n ≥ 1.
Isto é, as iterações do ponto fixo têm taxa de convergência linear.

Exemplo 3.3.4. Mostre que o teorema do ponto fixo se aplica a função g(x) =
cos(x) no intervalo [1/2, 1], isto é, a iteração de ponto fixo converge para a solução
da equação cos x = x. Então, calcule as iterações do ponto fixo com aproximação
inicial x(1) = 0,7, estime o erro absoluto da aproximação e verfique a taxa de
convergência.
Solução. Basta mostrarmos que:
a) g ([1/2,1]) ⊆ [1/2,1];
b) |g ′ (x)| < β, 0 < β < 1, ∀x ∈ [1/2,1].
Para provar a), observamos que g(x) é decrescente no intervalo, pelo que temos:
0,54 < cos(1) ≤ cos(x) ≤ cos(1/2) < 0,88
Como [0,54, 0,88] ⊆ [0,5, 1], temos o item a).

Para provar o item b), observamos que:
g ′ (x) = − sen (x).
Da mesma forma, temos a estimativa:
−0,85 < − sen (1) ≤ − sen (x) ≤ − sen (1/2) < −0,47.
Assim, |g ′ (x)| < 0,85 temos a desigualdade com β = 0,85 < 1.

A Tabela 3.3 apresenta o comportamento numérico da iteração do ponto fixo:
x(1) = 0,7
x(n+1) = cos(x(n) ), n ≥ 1.

n x(n) ǫn := |x(n) − x∗ |
1 0,70000 3,9E−02
2 0,76484 2,6E−02
3 0,72149 1,8E−02
4 0,75082 1,2E−02
5 0,73113 8,0E−03
6 0,74442 5,3E−03
7 0,73548 3,6E−03
Tabela 3.3: Iteração do ponto fixo para o exemplo 3.3.4.
Figura 3.4: Decaimento do erro ǫn = |x(n) − x∗ | da iteração do ponto fixo estudada

no Exemplo 3.3.4.

Para estimar o erro, consideramos x∗ = 0,7390851605. A Figura 3.4 mostrar o

decaimento do erro ǫn = |x(n) − x∗ | comparado com a taxa de convergência linear
com β = 0,85.
Em Python, podemos computar estas iterações, o erro absoluto com o seguinte
código:
#funcao do pto. fixo
def g(x):
return np.cos(x)
#est. da solucao
xe = sci.optimize.fixed_point(g, 0.7)
#aprox. inicial
x0 = 0.7
eps = np.fabs(x0-xe)
print("%1.5f %1.1e\n" % (x0, eps))
for i in np.arange(7):
x = g(x0);
eps = np.fabs(x-xe);
print("%1.5f %1.1e\n" % (x, eps))
x0 = x
♦
3.3.2 Teste de convergência

Seja g : [a,b] → R uma função C 0 [a,b] e x∗ ∈ (a,b) um ponto fixo de g. Então
x∗ é dito estável se existe uma região (x∗ − δ,x∗ + δ) chamada bacia de atração tal
que x(n+1) = g(x(n) ) é convergente sempre que x(0) ∈ (x∗ − δ,x∗ + δ).
Proposição 3.3.1 (Teste de convergência). Se g ∈ C 1 [a,b] e |g ′ (x∗ )| < 1, então

x∗ é estável. Se |g ′ (x∗ )| > 1 é instável e o teste é inconclusivo quando |g ′ (x∗ )| = 1.
Exemplo 3.3.5. No exemplo 3.3.3, observamos que a função g1 (x) nos forneceu
uma iteração divergente, enquanto que a função g2 (x) forneceu uma iteração con-
vergente (veja a figura 3.5. A razão destes comportamentos é explicada pelo teste
da convergência. Com efeito, sabemos que o ponto fixo destas funções está no
intervalo [1,6, 1,8] e temos:
|g1′ (x)| = |1 − 0,5(x + 1)ex | > 4,8, ∀x ∈ [1,6, 1,8],

2.0 1.80
y = g2 (x) y=x
1.9 y = g1 (x)
1.75 x(2)
(1)
1.8 x x(1) x∗
x∗
1.7 1.70
1.6
y=x 1.65
1.5 x (2)
1.4 1.60
1.60 1.65 1.70 1.75 1.80 1.60 1.65 1.70 1.75 1.80
Figura 3.5: Ilustração das iterações do ponto fixo para: (esquerda) y = g1 (x) e
(direita) y = g2 (x). Veja exemplo 3.3.5.
enquanto:
|g2′ (x)| = |1 − 0,05(x + 1)ex | < 0,962, ∀x ∈ [1,6, 1,8].
3.3.3 Estabilidade e convergência

A fim de compreendermos melhor os conceitos de estabilidade e convergência,
considere uma função Φ(x) com um ponto fixo x∗ = g(x∗ ) e analisemos o seguinte
processo iterativo:

x(n+1) = g x(n)
x(0) = x
Vamos supor que a função g(x) pode ser aproximada por seu polinômio de Taylor
em torno do ponto fixo:

g(x) = g(x∗ ) + (x − x∗ )g ′ (x∗ ) + O (x − x∗ )2 , n ≥ 0

= x∗ + (x − x∗ )g ′ (x∗ ) + O (x − x∗ )2
≈ x∗ + (x − x∗ )g ′ (x∗ )
Substituindo na relação de recorrência, temos

x(n+1) = g x(n) ≈ x∗ + (x(n) − x∗ )g ′ (x∗ )
Ou seja:
x(n+1) − x∗ ≈ (x(n) − x∗ )g ′ (x∗ )

Tomando módulos, temos:

(n+1)
− x∗ ≈ x(n) − x∗ |g ′ (x∗ )| ,

x
| {z } | {z }
ǫn+1 ǫn

onde ǫn = x(n) − x∗ .

Observação 3.3.3. A análise acima, concluímos:

• Se |g ′ (x∗ )| < 1, então, a distância de x(n) até o ponto fixo x∗ está diminuindo
a cada passo.
• Se |g ′ (x∗ )| > 1, então, a distância de x(n) até o ponto fixo x∗ está aumentando
a cada passo.
• Se |g ′ (x∗ )| = 1, então, nossa aproximação de primeira ordem não é suficiente

para compreender o comportamento da sequência.
3.3.4 Erro absoluto e tolerância

Na prática, quando se aplica uma iteração como esta, não
se conhece de ante-
mão o valor do ponto fixo x . Assim, o erro ǫn = x − x precisa ser estimado
∗ (n) ∗
com base nos valores calculados x(n) . Uma abordagem frequente é analisar a evo-
lução da diferença entre dois elementos da sequência:

∆n = x(n+1) − x(n)

A pergunta natural é: Será que o erro ǫn = x(n) − x∗ é pequeno quando

∆n = x(n+1) − x(n) for pequeno?

Para responder a esta pergunta, observamos que
x∗ = lim x(n)
n→∞
portanto:

x∗ − x(N ) = x(N +1) − x(N ) + x(N +2) − x(N +1) + x(N +3) − x(N +2) + . . .
∞
X
= x(N +k+1) − x(N +k)
k=0
Usamos também as expressões:
x(n+1) ≈ x∗ + (x(n) − x∗ )g ′ (x∗ )

x(n) ≈ x∗ + (x(n−1) − x∗ )g ′ (x∗ )

Subtraindo uma da outra, temos:
x(n+1) − x(n) ≈ (x(n) − x(n−1) )g ′ (x∗ )
Portanto:
k
x(N +k+1) − x(N +k) ≈ (x(N +1) − x(N ) ) (g ′ (x∗ ))
E temos:
∞
X
x∗ − x(N ) = x(N +k+1) − x(N +k)
k=0
X∞
k
≈ (x(N +1) − x(N ) ) (g ′ (x∗ ))
k=0
1
= (x(N +1) − x(N ) ) , |g ′ (x∗ )| < 1
1 − g ′ (x∗ )
Tomando módulo, temos:

∗
1
x − x(N ) ≈ x(N +1) − x(N )
1 − g ′ (x∗ )
∆N
ǫN ≈
1 − g ′ (x∗ )
Observação 3.3.4. Tendo em mente a relação x(n+1) −x(n) ≈ (x(n) −x(n−1) )g ′ (x∗ ),
concluímos:
• Quando g ′ (x∗ ) < 0, o esquema é alternante, isto é, o sinal do erro se altera a

cada passo. O erro ǫN pode ser estimado diretamente da diferença ∆N , pois
o denominador 1 − g ′ (x∗ ) > 1.
• Quando 0 < g ′ (x∗ ) < 1, o esquema é monótono e 1−g1′ (x∗ ) > 1, pelo que o
erro ǫN é maior que a diferença ∆N . A relação será tão mais importante
quando mais próximo da unidade for g ′ (x∗ ), ou seja, quando mais lenta for
a convergência. Para estimar o erro em função da diferença ∆N , observamos
(n+1) (n)
(n−1) e
que g ′ (x∗ ) ≈ xx(n) −x−x
∆n
|g ′ (x∗ )| ≈
∆n−1
e portanto
∆N
ǫN ≈ .
1 − ∆∆n−1
n

Exercícios
E 3.3.1. Resolver a equação ex = x + 2 é equivalente a calcular os pontos

fixos da função g(x) = ex − 2 (veja o exemplo 3.3.1). Use a iteração do ponto fixo
x(n+1) = g(xn ) com x(1) = −1,8 para obter uma aproximação de uma das soluções
da equação dada com 8 dígitos significativos.
E 3.3.2. Mostre que a equação:

cos(x) = x
possui uma única solução no intervalo [0, 1]. Use a iteração do ponto fixo e encontre
uma aproximação para esta solução com 4 dígitos significativos.
E 3.3.3. Mostre que a equação xex = 10 é equivalente às seguintes equações:

10

x = ln e x = 10e−x .
x
Destas, considere as seguintes iterações de ponto fixo:
10

(n+1)
a) x = ln (n)
x
(n)
b) x(n+1) = 10e−x
Tomando x(1) = 1, verifique se estas sequências são convergentes.
E 3.3.4. Verifique (analiticamente) que a única solução real da equação:

xex = 10
é ponto fixo das seguintes funções:

a) g(x) = ln 10
x
xex −10
b) g(x) = x − 15
xex −10
c) g(x) = x − 10+ex
Implemente o processo iterativo x(n+1) = g(x(n) ) para n ≥ 0 e compare o compor-

tamento. Discuta os resultados com base na teoria estudada.
E 3.3.5. Verifique (analiticamente) que a única solução real da equação:
cos(x) = x
é ponto fixo das seguintes funções:

a) g(x) = cos(x)
b) g(x) = 0,4x + 0,6 cos(x)

cos(x)−x
c) g(x) = x + 1+sen (x)
Implemente o processo iterativo x(n+1) = g(x(n) ) para n ≥ 0 e compare o compor-

tamento. Discuta os resultados com base na teoria estudada.
E 3.3.6. Encontre a solução de cada equação com erro absoluto inferior a
10 .
−6
a) ex = x + 2 no intervalo (−2,0).
b) x3 + 5x2 − 12 = 0 no intervalo (1,2).

√
c) x = cos(x) no intervalo (0,1).
E 3.3.7. Encontre numericamente as três primeiras raízes positivas da equação

dada por:
x
cos(x) =
10 + x2
com erro absoluto inferior a 10−6 .
E 3.3.8. Considere os seguintes processos iterativos:


 x(n+1) = cos(x(n) )
a
 x(1) = .5
e


 x(n+1) = .4x(n) + .6 cos(x(n) )
b
 x(1) = .5
Use o teorema do ponto fixo para verificar que cada um desses processos con-
verge para a solução da equação x∗ de cos(x) = x. Observe o comportamento
numérico dessas sequências. Qual estabiliza mais rápido com cinco casas deci-
mais? Discuta.
Dica: Verifique que cos([0.5,1]) ⊆ [0.5,1] e depois a mesma identidade para a
função f (x) = 0,4x + 0,6 cos(x).
E 3.3.9. Use o teorema do ponto fixo aplicado a um intervalo adequado para

mostrar que a função g(x) = ln(100 − x) possui um ponto fixo estável.

E 3.3.10. (Fluidos) Na hidráulica, o fator de atrito de Darcy é dado pela

implicitamente pela equação de Colebrook-White:
!
1 ε 2.51
√ = −2 log10 + √
f 14.8Rh Re f
onde f é o fator de atrito, ε é a rugosidade do tubo em metros, Rh é o raio hidráulico

em metros e Re é o número de Reynolds. Considere ε = 2mm, Rh = 5cm e
Re = 10000 e obtenha o valor de f pela iteração:
!
(n+1) ε 2.51x(n)
x = −2 log10 +
14.8Rh Re
E 3.3.11. Encontre uma solução aproximada para equação algébrica

−1
180 − 100x = 0.052 senh (1013 x)
com erro absoluto inferior a 10−3 usando um método iterativo. Estime o erro
associado ao valor de v = 180 − 100x = 0.052 senh −1 (1013 x), usando cada uma
dessas expressões. Discuta sucintamente o resultado obtido. Dica: Este caso é
semelhante ao problema 3.2.8.
E 3.3.12. Considere que xn satisfaz a seguinte relação de recorrência:
xn+1 = xn − β (xn − x∗ )
onde β e x∗ são constantes. Prove que
xn − x∗ = (1 − β)n−1 (x1 − x∗ ).
Conclua que xn → x∗ quando |1 − β| < 1.
E 3.3.13. (Convergência lenta) Considere o seguinte esquema iterativo:
x(n+1) = xn + q n ,
x(0) = 0,
onde q = 1 − 10−6 .
a) Calcule o limite
lim x(n)
x∞ = n→∞
analiticamente.

b) Considere que o problema de obter o limite da sequência numericamente

usando como critério de parada que |x(n+1) − x(n) | < 10−5 . Qual o valor é
produzido pelo esquema numérico? Qual o desvio entre o valor obtido pelo
esquema numérico e o valor do limite obtido no item a? Discuta. (Dica:
Você não deve implementar o esquema iterativo, obtendo o valor de x(n)
analiticamente)
c) Qual deve ser a tolerância especificada para obter o resultado com erro rela-
tivo inferior a 10−2 ?
E 3.3.14. (Convergência sublinear) Considere o seguinte esquema iterativo:
x(n+1) = x(n) − [x(n) ]3 , x(n) ≥ 0
com x(0) = 10−2 . Prove que {x(n) } é sequência de número reais positivos conver-
gindo para zero. Verifique que são necessários mais de mil passos para que x(n) se
torne menor que 0.9x(0) .
E 3.3.15. (Taxa de convergência)
a) Use o teorema do ponto fixo para mostrar que a função g(x) = 1 − sen (x)
possui um único ponto fixo estável o intervalo [ 101
,1]. Construa um método
iterativo x(n+1) = g(x(n) ) para encontrar esse ponto fixo. Use o computador
para encontrar o valor numérico do ponto fixo.
b) Verifique que função ψ(x) = 12 [x + 1 − sen (x)] possui um ponto fixo x∗

que também é o ponto fixo da função g do item a. Use o computador para
encontrar o valor numérico do ponto fixo através da iteração x(n+1) = ψ(x(n) ).
Qual método é mais rápido?
E 3.3.16. (Esquemas oscilantes)(Esquemas oscilantes)
a) Considere a função g(x) e função composta ψ(x) = g ◦g = g (g(x)). Verifique

todo ponto fixo de g também é ponto fixo de ψ.
b) Considere a função
g(x) = 10 exp(−x)
e função composta ψ(x) = g ◦ g = g (g(x)). Mostre que ψ possui dois pontos
fixos que não são pontos fixos de g.
c) No problema anterior, o que acontece quando o processo iterativo x(n+1) =

g(x(n) ) é inicializado com um ponto fixo de ψ que não é ponto fixo de g?

E 3.3.17. (Aceleração de convergência - introdução ao método de Newton)

Mostre que se f (x) possui uma raiz x∗ então a x∗ é um ponto fixo de φ(x) =
x + γ(x)f (x). Encontre uma condição em γ(x) para que o ponto fixo x∗ de φ seja
estável. Encontre uma condição em γ(x) para que φ′ (x∗ ) = 0.
E 3.3.18. (Aceleração de convergência - introdução ao método de Newton)

Considere que x(n) satisfaz a seguinte relação de recorrência:
x(n+1) = x(n) − γf (x(n) )
onde γ é uma constante. Suponha que f (x) possui um zero em x∗ . Aproxime a

função f (x) em torno de x∗ por

f (x) = f (x∗ ) + f ′ (x∗ )(x − x∗ ) + O (x − x∗ )2 .
Em vista do problema anterior, qual valor de γ você escolheria para que a sequência
x(n) convirja rapidamente para x∗ .
E 3.3.19. Considere o problema da questão 3.2.8 e dois seguintes esquemas

iterativos.  h i
(n)
 I (n+1) = 1 V − vt ln 1 + I

,n > 0
R IR
A
 I (0) = 0

e
 h i
V −RI (n)

 I (n+1) = IR exp vt
− 1 ,n > 0
B
I (0) = 0


Verifique numericamente que apenas o processo A é convergente para a, b e c;

enquanto apenas o processo B é convergente para os outros itens.
3.4 Método de Newton-Raphson

Nesta seção, apresentamos o método de Newton-Raphson45 para calcular
o zero de funções reais de uma variável real.
Assumimos que x∗ é um zero de uma dada função f (x) continuamente diferen-
ciável, isto é, f (x∗ ) = 0. Afim de usar a iteração do ponto fixo, observamos que,
equivalentemente, x∗ é um ponto fixo da função:
g(x) = x + α(x)f (x), α(x) 6= 0,

4
Joseph Raphson, 1648 - 1715, matemático inglês.
5
Também chamado apenas de método de Newton.

3.4. MÉTODO DE NEWTON-RAPHSON 69
onde α(x) é uma função arbitrária que queremos escolher de forma que a iteração
do ponto fixo tenha ótima taxa de convergência.
Do Teorema do ponto fixo temos que a taxa de convergência é dada em
função do valor absoluto da derivada de g(x). Calculando a derivada temos:
g ′ (x) = 1 + α(x)f ′ (x) + α′ (x)f (x).
No ponto x = x∗ , temos:
g ′ (x∗ ) = 1 + α(x∗ )f ′ (x∗ ) + α′ (x∗ )f (x∗ ).
Como f (x∗ ) = 0, temos:
g ′ (x∗ ) = 1 + α(x∗ )f ′ (x∗ ).
Sabemos que o processo iterativo converge tão mais rápido quanto menor for
|g ′ (x)| nas vizinhanças de x∗ . Isto nos leva a escolher:
g ′ (x∗ ) = 0,
e, então, temos:
1
α(x∗ ) = − ,
f ′ (x∗ )
se f ′ (x∗ ) 6= 0.
A discussão acima nos motiva a introduzir o método de Newton, cujas iterações
são dada por:
(n)
f x
x(n+1) = x(n) − ′ n , n ≥ 1,
f (x )
sendo x(1) uma aproximação inicial dada.
3.4.1 Interpretação geométrica

Seja dada uma função f (x) conforme na figura 3.6. Para tanto, escolhemos
uma aproximação inicial x(1) e computamos:
f (x(1) )
x(2) = x(1) − .
f ′ (x(1) )
Geometricamente, o ponto x(2) é a interseção da reta tangente ao gráfico da função

f (x) no ponto x = x(1) com o eixo das abscissas. Com efeito, a equação desta reta
é:
y = f ′ (x(1) )(x − x(1) ) + f (x(1) ).

f(x(1) )
f(x(2) )
x∗
x(3) x(2) x(1) x
Figura 3.6: Interpretação do método de Newton.
Assim, a interseção desta reta com o eixo das abscissas ocorre quando (y = 0):
f (x(1) )
f ′ (x(1) )(x − x(1) ) + f (x(1) ) = 0 ⇒ x = x(1) − .
f ′ (x(1) )
Ou seja, dado x(n) a próxima aproximação x(n+1) é o ponto de interseção entre

o eixo das abscissas e a reta tangente ao gráfico da função no ponto x = x(n) .
Observe a figura 3.6.
3.4.2 Análise de convergência

Seja f (x) um função com derivadas primeira e segunda contínuas tal que
f (x∗ ) = 0 e f ′ (x∗ ) 6= 0. Seja também a função g(x) definida como:
f (x)
g(x) = x − .
f ′ (x)
Expandimos em série de Taylor em torno de x = x∗ , obtemos:
g ′′ (x∗ )
g(x) = g(x∗ ) + g ′ (x∗ )(x − x∗ ) + (x − x∗ )2 + O (x − x∗ )3 .
2
Observamos que:
g(x∗ ) = x∗
f ′ (x∗ )f ′ (x∗ ) − f (x∗ )f ′′ (x∗ )
g ′ (x∗ ) = 1 − =0
(f ′ (x∗ ))2

Portanto:
g ′′ (x∗ )
g(x) = x∗ + (x − x∗ )2 + O (x − x∗ )3
2
Com isso, temos:
g ′′ (x∗ ) (n)
x(n+1) = g(x(n) ) = x∗ + (x − x∗ )2 + O (x − x∗ )3 ,
2
ou seja: 2
(n+1)
− x∗ ≤ C x(n) − x∗ ,

x
com constante C = |g ′′ (x∗ )/2|. Isto mostra que o método de Newton tem taxa de
convergência quadrática. Mais precisamente, temos o seguinte teorema.
Teorema 3.4.1 (Método de Newton). Sejam f ∈ C 2 ([a, b]) com x∗ ∈ (a, b) tal
que f (x∗ ) = 0 e:
m := min |f ′ (x)| > 0 e M := max |f ′′ (x)|.

x∈[a,b] x∈[a,b]
Escolhendo ρ > 0 tal que:

M
ρ < 1, q :=
2m
definimos a bacia de atração do método de Newton pelo conjunto:
Kρ (x∗ ) := {x ∈ R; |x − x∗ | ≤ ρ} ⊂ [a, b].
Então, para qualquer x(1) ∈ Kρ (x∗ ) a iteração do método de Newton:
(n+1) (n) f (x(n) )

x =x − ′ (n) ,
f (x )
fornece uma sequência x(n) que converge para x∗ , isto é, x(n) → x∗ quando n → ∞.
Além disso, temos a seguinte estimativa de erro a priori:
2m (2n−1 )
|x(n) − x∗ | ≤ q , n ≥ 2,
M
e a seguinte estimativa de erro a posteriori:
M (n)
|x(n) − x∗ | ≤ |x − x(n−1) |2 , n ≥ 2.
2m
Demonstração. Para n ∈ N, n ≥ 2, temos:
f (x(n) ) 1 h i
xn+1 − x∗ = x(n) − − x ∗
= − f (x (n)
) + (x ∗
− x (n)
)f ′ (n)
(x . (3.1)
f ′ (x(n) ) f (x(n) )

Agora, para estimar o lado direito desta equação, usamos o polinômio de Taylor
de grau 1 da função f (x) em torno de x = x(n) , isto é:
Z x∗
f (x∗ ) = f (x(n) ) + (x∗ − x(n) )f ′ (x(n) ) + f ′′ (t)(x∗ − t) dt.
x(n)
Pela mudança de variável t = x(n) + s(x(n) − x∗ ), observamos que o resto deste

polinômio de Taylor na forma integral é igual a:
Z 1
R(x∗ ,x(n) ) := (x∗ − x(n) )2 f ′′ x(n) + s(x∗ − x(n) ) (1 − s) ds.
0
Assim, da cota da segunda derivada de f (x), temos:

Z 1
M ∗
|R(x∗ ,x(n) )| ≤ M |x∗ − x(n) |2 (1 − s) ds = |x − x(n) |2 . (3.2)
0 2
Se x(n) ∈ Kρ (x∗ ), então de (3.1) e (3.2) temos:
M (n) M 2
|x(n+1) − x∗ | ≤ |x − x∗ |2 ≤ ρ < ρ. (3.3)
2m 2m
Isto mostra que se x(n) ∈ Kρ (x∗ ), então x(n+1) ∈ Kρ (x∗ ), isto é, x(n) ∈ Kρ (x∗ ) para
todo n ∈ R.
Agora, obtemos a estimativa a priori de (3.4.2), pois:
2 2n−1
2m M (n−1) 2m M (1)

(n) ∗
|x −x |≤ |x − x∗ | ≤ ··· ≤ |x − x∗ | .
M 2m M 2m
Logo:
2m 2n−1
|x(n) − x∗ | ≤
q ,
M
donde também vemos que x(n) → x∗ quando n → ∞, pois q < 1.
Por fim, para provarmos a estimativa a posteriori tomamos a seguinte expan-
são em polinômio de Taylor:
f (x(n) ) = f (x(n−1) ) + (x(n) − x(n−1) )f ′ (x(n−1) ) + R(x(n) ,x(n−1) ).
Aqui, temos:
f (x(n−1) ) + (x(n) − x(n−1) )f ′ (x(n−1) ) = 0
e, então, conforme acima:
M (n)
|f (x(n) )| = |R(x(n) ),x(n−1) | ≤
|x − x(n−1) |2 .
2
Com isso e do teorema do valor médio, concluímos:
1 M (n)
|x(n) − x∗ | ≤ |f (x(n) ) − f (x∗ )| ≤ |x − x(n−1) |2 .
m 2m

Exemplo 3.4.1. Estime o raio ρ da bacia de atração Kρ (x∗ ) para a função f (x) =
cos(x) − x restrita ao intervalo [0, π/2].
Solução. O raio da bacia de atração é tal que:
2m
ρ<
M
onde m := min |f ′ (x)| e M := max |f ′′ (x)| com o mínimo e o máximo tomados
em um intervalo [a, b] que contenha o zero da função f (x). Aqui, por exemplo,
podemos tomar [a, b] = [0, π/2]. Como, neste caso, f ′ (x) = − sen (x) − 1, temos
que m = 1. Também, como f ′′ (x) = − cos x, temos M = 1. Assim, concluímos
que ρ < 2 (lembrando que Kρ (x∗ ) ⊂ [0, π/2]). Ou seja, neste caso as iterações
de Newton convergem para o zero de f (x) para qualquer escolha da aproximação
inicial x(1) ∈ [0, π/2]. ♦
Exercícios
E 3.4.1. Encontre a raiz positiva da função f (x) = cos(x) − x2 pelo método

de Newton inicializando-o com x(0) = 1. Realize a iteração até obter estabilidade
no quinto dígito significativo.
E 3.4.2. Considere o problema de calcular as soluções positivas da equação:
tg (x) = 2x2 .
a) Use o método gráfico para isolar as duas primeiras raízes positivas em peque-
nos intervalos. Use a teoria para argumentar quanto à existência e unicidade
das raízes dentro intervalos escolhidos.
b) Calcule cada uma das raízes pelo método de Newton com oito dígitos signi-
ficativos e discuta a convergência comparando com o item b).
E 3.4.3. Considere a equação

2
e−x = x
trace o gráfico com auxílio do computador e verifique que ela possui uma raiz
positiva. Encontre uma aproximação para esta razão pelo gráfico e use este valor
para inicializar o método de Newton e obtenha uma aproximação para a raiz com
8 dígitos significativos.

E 3.4.4. Isole e encontre as cinco primeiras raízes positivas da equação com 6

dígitos corretos através de traçado de gráfico e do método de Newton.
cos(10x) = e−x .
Dica: a primeira raiz positiva está no intervalo (0, 0,02). Fique atento.
E 3.4.5. Encontre as raízes do polinômio f (x) = x4 − 4x2 + 4 através do

método de Newton. O que você observa em relação ao erro obtido? Compare com
a situação do problema 3.2.4.
5
E 3.4.6. Encontre as raízes reais do polinômio f (x) = 100
x
+x4 +3x+1 isolando-
as pelo método do gráfico e depois usando o método de Newton. Expresse a solução
com 7 dígitos significativos.
E 3.4.7. Considere o método de Newton aplicado para encontrar a raiz de

f (x) = x3 − 2x + 2. O que acontece quando x(0) = 0? Escolha um valor adequado
para inicializar o método e obter a única raiz real desta equação.
E 3.4.8. Justifique a construção do processo iterativo do método de Newton

através do conceito de estabilidade de ponto fixo e convergência do método da
iteração. Dica: Considere os problemas 3.3.17 e 3.3.18.
E 3.4.9. Entenda a interpretação geométrica ao método de Newton. Encontre

uma valor para iniciar o método de Newton aplicado ao problema f (x) = xe−x = 0
tal que o esquema iterativo divirja.
E 3.4.10. (Computação) Aplique o método de Newton à função f (x) = x1 − A

e construa um esquema computacional para calcular a inversa de A com base em
operações de multiplicação e soma/subtração.
E 3.4.11. (Computação) Aplique o método de Newton

√ à função f (x) = xn −A
e construa um esquema computacional para calcular A para A > 0 com base em
n
E 3.4.12. (Computação) Aplique o método de Newton à função f (x) = x12 −A

e construa um esquema computacional para calcular √1A para A > 0 com base em
E 3.4.13. Considere a função dada por

ψ(x) = ln (15 − ln(x))
definida para x ∈ (0,e15 )

3.5. MÉTODO DAS SECANTES 75
a) (1.5) Use o teorema do ponto fixo para provar que se x(0) pertence ao intervalo
[1,3], então a sequência dada iterativamente por
x(n+1) = ψ(x(n) ),n ≥ 0
converge para o único ponto fixo, x∗ , de ψ. Construa a iteração x(n+1) =

ψ(x(n) ) e obtenha numericamente o valor do ponto fixo x∗ . Expresse a res-
posta com 5 algarismos significativos corretos.
b) (1.0) Construa a iteração do método de Newton para encontrar x∗ , explici-

tando a relação de recorrência e iniciando com x0 = 2. Use o computador
para obter a raiz e expresse a resposta com oito dígitos significativos corretos.
3.5 Método das secantes

O método das secantes é uma variação do método de Newton, evitando a
necessidade de conhecer-se a derivada analítica de f (x). Dada uma função f (x),
a ideia é aproximar sua derivada pela razão fundamental:
f (x) − f (x0 )
f ′ (x) ≈ , x ≈ x0 .
x − x0
Mais precisamente, o método de Newton é uma iteração de ponto fixo da forma:
x(n+1) = x(n) − α(x(n) )f (x(n) ), n ≥ 1,
onde x(1) é uma aproximação inicial dada e α(x(n) ) = 1/f ′ (x(n) ). Usando a apro-
ximação da derivada acima, com x = x(n) e x0 = x(n−1) , temos:
1 x(n) − x(n−1)
α(x(n) ) = ≈ .
f ′ (x(n) ) f (x(n) ) − f (x(n−1) )
Isto nos motiva a introduzir a iteração do método das secantes dada por:
(n+1) (n) (n) x(n) − x(n−1)

x =x − f (x ) , n ≥ 2.
f (x(n) ) − f (x(n−1) )
Observe que para inicializarmos a iteração acima precisamos de duas aproximações

iniciais, a saber, x(1) e x(2) . Maneiras apropriadas de escolher estas aproximações
podem ser inferidas da interpretação geométrica do método.
Exemplo 3.5.1. Encontre as raízes de f (x) = cos(x) − x.

Solução. Da inspeção do gráfico das funções y = cos(x) e y = x, sabemos que esta

equação possui uma raiz em torno de x = 0,8. Iniciamos o método com x0 = 0,7
e x1 = 0,8.
x(n−1) x(n) m x(n+1)

f (0,8)−f (0,7) f (0,8)
0,8−0,7
= 0,8 − −1,6813548
=
0,7 0,8 −1,6813548 0,7385654
0,8 0,7385654 −1,6955107 0,7390784
0,7385654 0,7390784 −1,6734174 0,7390851
0,7390784 0,7390851 −1,6736095 0,7390851
♦
3.5.1 Interpretação geométrica

Enquanto, o método de Newton está relacionado às retas tangentes ao gráfico
da função objetivo f (x), o método das secantes, como o próprio nome indica, está
relacionado às retas secantes.
y
f(x (1) )
f(x (2) )
f(x (3) )
x∗
x (4)x (3) x (2)x (1) x
Figura 3.7: Método das secantes.
Sejam f (x) e as aproximações x(1) e x(2) do zero x∗ desta função (veja fi-

gura 3.7). A iteração do método das secantes fornece:
x(2) − x(1)
x(3) = x(2) − f (x(2) ) .
f (x(2) ) − f (x(1) )

De fato, x(3) é o ponto de interseção da reta secante ao gráfico de f (x) pelos pontos
x(1) e x(2) com o eixo das abscissas. Com efeito, a equação desta reta secante é:
f (x(2) ) − f (x(1) )
y= (x − x(2) ) + f (x(2) ).
x(2) − x(1)
Esta reta intercepta o eixo das abscissas no ponto x tal que y = 0, isto é:
f (x(2) ) − f (x(1) ) (2) (2) (2) (2) x(2) − x(1)

(x − x ) + f (x ) ⇒ x = x − f (x ) .
x(2) − x(1) f (x(2) ) − f (x(1) )

Uma análise assintótica semelhante àquela feita para o método de Newton na
subseção 3.4.2 nos indica que, para uma função f (x) duas vezes diferenciável, as
iterações do método da secante satisfazem:
|x(n+1) − x∗ | ≈ C|x(n) − x∗ ||x(n−1) − x∗ |,
para aproximações iniciais suficientemente próximas de x∗ , onde f (x∗ ) = 0. Além

disso, veremos que:
√
(n+1) ∗ (n) ∗ p 5+1
|x − x | ≤ C|x − x | , p = ≈ 1,618
2
sob certas condições. Ou seja, o método das secantes tem taxa de convergência
superlinear.
Teorema 3.5.1 (Método das secantes). Seja f ∈ C 2 ([a, b]) uma função com x∗ ∈
(a, b) tal que f (x∗ ) = 0. Sejam, também:
m := min |f ′ (x)| > 0 e M := max |f ′′ (x)| < ∞.

x∈[a,b] x∈[a,b]
Além disso, seja ρ > 0 tal que:

M
q := ρ < 1, Kρ (x∗ ) := {x ∈ R; |x − x∗ | ≤ ρ} ⊂ [a, b].
2m
Então, para aproximações iniciais x(1) , x(2) ∈ Kρ (x∗ ), com x(1) 6= x(2) , temos que
as iterações do método das secantes x(n) ∈ Kρ (x∗ ), n ≥ 1, e x(n) → x∗ , quando
n → ∞. Além disso, vale a seguinte estimativa de convergência a priori:
2m γn−1
|x(n) − x∗ | ≤ q , n ≥ 1,
M
onde {γn }n∈N é a sequência de Fibonacci67 , bem como vale a estimativa a poste-
riori:
M (n)
|x(n) − x∗ | ≤ |x − x(n−1) ||x(n−1) − x(n−2) |, n ≥ 3.
2m
Demonstração. Sejam n ∈ N com n ≥ 2 e x(n) , x(n−1) ∈ Kρ (x∗ ), tal que x(n) 6=
x(n−1) , x(n) 6= x∗ e x(n−1) 6= x∗ . Seja, também:
x(n) − x(n−1)
g(x(n) ,x(n−1) ) := x(n) − f (x(n) ) .
f (x(n) ) − f (x(n−1) )
Com isso, temos:
x(n) − x(n−1)
g(x(n) ,x(n−1) ) − x∗ = x(n) − f (x(n) ) − x∗
f (x ) − f (x
(n) (n−1) )
( )
∗ f (x ) − f (x )
(n) (n−1) (n) (n−1)
x −x (n) (n) ∗
= (x − x ) − f (x ) + f (x ) .
f (x(n) ) − f (x(n−1) ) x(n) − x(n−1)
Então, da cota assumida para primeira derivada de f (x) e do teorema do valor

médio, temos:

(n) (n−1) |x(n) − x∗ | f (x(n) ) − f (x(n−1) ) f (x(n) ) − f (x∗ )
∗
|g(x ,x )−x |≤ − . (3.4)
m x(n) − x(n−1) x(n) − x∗
Agora, iremos estimar este último termo a direita. Para tanto, começamos obser-
vando que da expansão em polinômio de Taylor de ordem 0 da função f (x) com
resto na forma integral, temos:
f (x(n) ) − f (x(n−1) ) R d
(n) (n−1)
= − 01 dr f (x(n) + r(x(n−1) − x(n) )) x(n) −x
dr
(n−1)
x −x
R 1 ′ (n)
= 0 f (x + r(x(n−1) − x(n) )) dr
De forma análoga, temos:
f (x(n) ) − f (x∗ ) Z 1 ′ (n)
(n) ∗
= f (x + r(x∗ − x(n) )) dr
x −x 0
Logo, temos:
f (x(n) ) − f (x(n−1) ) f (x(n) ) − f (x∗ )
− =
x(n) − x(n−1) x(n) − x∗ (3.5)
Z 1h i
′ (n) (n−1) (n) ′ (n) ∗ (n)
f (x + r(x −x )) − f (x + r(x − x )) dr.
0
6
Leonardo Fibonacci, c. 1170 - c. 1250, matemático italiano.
7
A sequência de Fibonacci {γn }n∈N é definida por γ0 = γ1 = 1 e γn+1 = γn − γn−1 , n ≥ 1.

Agora, novamente temos:
f ′ (x(n) + r(x(n−1) − x(n) )) − f ′ (x(n) + r(x∗ − x(n) ))

Z r
d ′ (n)
= f (x + r(x(n−1) − x(n) ) + s(x∗ − x(n−1) )) ds
0 ds
Z r
= f ′′ (x(n) + r(x(n−1) − x(n) ) + s(x∗ − x(n−1) )) ds(x∗ − x(n−1) ).
0
Retornando à equação (3.5) e usando a cota para a segunda derivada, obtemos:

f (x(n) ) − f (x(n−1) ) f (x(n) ) − f (x∗ ) M (n−1)

− ≤ |x − x∗ |.
x(n) − x(n−1) x(n) − x∗ 2
Utilizando a equação (3.4), obtemos:

M (n) M 2
|g(x(n) ,x(n−1) ) − x∗ | ≤ |x − x∗ ||x(n−1) − x∗ | ≤ ρ < ρ.
2m 2m
Portanto, concluímos que as iterações do método da secantes x(n) permanecem no
conjunto Kρ (x∗ ), se começarem nele. Além disso, temos demonstrado que:
M (n)
|x(n+1) − x∗ | ≤ |x − x∗ ||x(n−1) − x∗ |.
2m
Com isso, temos:
M (n)
ρn := |x − x∗ | ⇒ ρn+1 ≤ ρn ρn−1 , n ≥ 2.
2m
Como ρ1 ≤ q e ρ2 ≤ q, temos ρn ≤ q γn−1 , n ≥ 1. Isto mostra a estimativa de
convergência a priori:
2m γn−1
|xn − x∗ | ≤ q .
M
Além disso, como γn → ∞ quando n → ∞ e q < 1, temos que as iterações do
método das secantes x(n) → x∗ quando n → ∞.
Por fim, mostramos a estimativa de convergência a posteriori. Para tanto,
da cota assumida para a primeira derivada e do teorema do valor médio, temos,
para n ≥ 3:
1
|x(n) − x∗ | ≤ |f (x(n) − f (x∗ )|
m
1 (n−1) (n) (n−1) f (x
(n)
) − f (x(n−1) )
= f (x ) + (x − x )
m x(n) − x(n−1)

1 (n) (n−1) f (x
(n)
) − f (x(n−1) ) f (x(n−1) )
= x − x + (n) .
m x(n) − x(n−1) x − x(n−1)

Agora, a iteração do método das secantes fornece:

x(n−1) − x(n−2)
x(n) = x(n−1) − f (x(n−1) )
f (x(n−1) ) − f (x(n−2) )
e temos:
f (x(n−1) ) f (x(n−1) ) − f (x(n−2) )
= − .
x(n) − x(n−1) x(n−1) − x(n−2)
Portanto:

(n) 1 f (x(n−1) ) − f (x(n) ) f (x(n−1) ) − f (x(n−2) )
− x | ≤ |x(n) − x(n−1) |
∗
|x − .
m x(n−1) − x(n) x(n−1) − x(n−2)
Observamos que o último termo pode ser estimado como feito acima para o termo
análogo na Inequação (3.4). Com isso, obtemos a estimativa desejada:
M (n)
|x(n) − x∗ | ≤ |x − x(n−1) ||x(n) − x(n−2) |.
2m
Proposição 3.5.1 (Sequência

√ de Fibonacci). A sequência de Fibonacci {γn }n∈N
n+1
é assintótica a γn ∼ λ1 / 5 e:
γn+1
lim
n→∞ γ
= λ1 ,
n
√
onde λ1 = (1 + 5)/2 ≈ 1,618 é a porção áurea.
Demonstração. A sequência de Fibonacci {γn }n∈N é definida por γ0 = γ1 = 1 e
γn+1 = γn + γn−1 , n ≥ 1. Logo, satisfaz a seguinte equação de diferenças:
γn+2 − γn+1 − γn = 0, n ∈ N.
Tomando γn = λn , λ 6= 0 temos:
√
n

2

2 1± 5
λ λ − λ − 1 = 0 ⇒ λ − λ − 1 = 0 ⇒ λ1,2 = .
2
Portanto, γn = c1 λn1 + c2 λn2 . Como γ0 = γ1 = 1, as constantes satisfazem:
√ √
c1 + c2 = 1 1+ 5 1− 5
⇒ c1 = √ , c 2 = − √ .
c 1 λ 1 + c 2 λ2 = 1 2 5 2 5
Ou seja, obtemos a seguinte forma explícita para os números de Fibonacci:

 √ !n+1 √ !n+1 
1  1+ 5 1− 5
γn = √ − .
5 2 2
Daí, segue imediatamente o enunciado.

3.6. CRITÉRIOS DE PARADA 81
Observação 3.5.1. Sob as hipóteses do teorema 3.5.1 e da proposição 3.5.1, te-

mos:
|x(n+1) − x∗ | M (n)
lim ≤ lim|x − x∗ |1−λ1 |x(n−1) − x∗ |
n→∞ |x(n) − x∗ |λ1 n→∞ 2m
2m 1−λ1 (2−λ1 )λn1 /√5

lim
≤ n→∞ q = 0.
M
Isto mostra que o método das secantes (nestas hipóteses) tem taxa de convergência
superlinear (λ1 ≈ 1,6).
3.6 Critérios de parada

Quando usamos métodos iterativos precisamos determinar um critério de pa-
rada. A tabela 3.4 indica critérios de parada usuais para os métodos que estudamos
neste capítulo.
Tabela 3.4: Quadro comparativo.

Método Convergência Erro Critério de parada
Linear 1 bn − an
Bisseção ǫn+1 = ǫ < erro
(p = 1) 2 2
|∆n |
Iteração Linear < erro
′
ǫn+1 ≈ |φ (x )|εn ∗ 1− ∆∆n
n−1
linear (p = 1) ∆n < ∆n−1

Quadrática 1 f ′′ (x∗ )
Newton ǫn+1 ≈ ′ ∗ ε2n |∆n | < erro
(p = 2) 2 f (x )
√
5+1 f ′′ (x∗ )
p = εn+1 ≈ ′ ∗ εn εn−1
Secante 2 f (x ) |∆n | < erro
≈ 1,618 ≈ M εφn
Observação 3.6.1. O erro na tabela sempre se refere ao erro absoluto esperado.

Nos três últimos métodos, é comum que se exija como critério de parada que a

condição seja satisfeita por alguns poucos passos consecutivos. Outros critérios
podem ser usados. No métodos das secantes, deve-se ter o cuidado de evitar
divisões por zero quando xn+1 − xn muito pequeno em relação à resolução do
sistema de numeração.
Exercícios
E 3.6.1. Refaça as questões 3.4.3, 3.4.4, 3.4.5 e 3.4.6, usando o método das
secantes.
E 3.6.2. Dê uma interpretação geométrica ao método das secantes. Qual a
vantagem do método das secantes sobre o método de Newton?
E 3.6.3. Aplique o método das secantes para resolver a equação

2
e−x = 2x
E 3.6.4. Refaça o problema 3.2.8 usando o método de Newton e das secantes.
E 3.6.5. Seja uma função f (x) dada duas vezes continuamente diferenciável.
Faça uma análise assintótica para mostrar que as iterações do método das secantes
satisfazem:
|x(n+1) − x∗ | ≈ C|x(n) − x∗ ||x(n−1) − x∗ |,
para aproximações iniciais x(1) e x(2) suficientemente próximas de x∗ , onde f (x∗ ) =
0.
3.7 Exercícios finais

2
E 3.7.1. Calcule uma equação da reta tangente a curva y = e−(x−1) que passa
pelo ponto (3, 1/2).
E 3.7.2. Resolva numericamente a inequação:

2
e−x < 2x
E 3.7.3. A equação
cos(πx) = e−2x
tem infinitas raízes. Usando métodos numéricos encontre as primeiras raízes dessa
equação. Verifique a j-ésima raiz (zj ) pode ser aproximada por j − 1/2 para j

3.7. EXERCÍCIOS FINAIS 83
grande. Use o método de Newton para encontrar uma aproximação melhor para
zj .
E 3.7.4. (Eletricidade) A corrente elétrica, I, em Ampères em uma lâmpada

em função da tensão elétrica, V , é dada por
0.8
V
I=
150
Qual a potência da lâmpada quando ligada em série com uma resistência de valor
R a uma fonte de 150V quando. (procure erro inferior a 1%)
a) R = 0Ω
b) R = 10Ω
c) R = 50Ω
d) R = 100Ω
E) R = 500Ω
E 3.7.5. (Bioquímica) A concentração sanguínea de um medicamente é mo-

delado pela seguinte expressão
c(t) = Ate−λt
onde t > 0 é o tempo em minutos decorrido desde a administração da droga. A

é a quantidade administrada em mg/ml e λ é a constante de tempo em min−1 .
Responda:
a) Sendo λ = 1/3, em que instantes de tempo a concentração é metade do valor

máximo. Calcule com precisão de segundos.
b) Sendo λ = 1/3 e A = 100mg/ml, durante quanto tempo a concentração

permanece maior que 10mg/ml.
E 3.7.6. Considere o seguinte modelo para crescimento populacional em um

país:
P (t) = A + Beλt .
onde t é dado em anos. Use t em anos e t = 0 para 1960. Encontre os parâmetros
A, B e λ com base nos anos de 1960, 1970 e 1991 conforme tabela:

Ano população
1960 70992343
1970 94508583
1980 121150573
1991 146917459
Use esses parâmetros para calcular a população em 1980 e compare com o valor
do censo. Dica: considere PP (10)−P
(31)−P (0)
(0)
e reduza o sistema a uma equação apenas na
variável λ.
E 3.7.7. (Fluidos) Uma boia esférica flutua na água. Sabendo que a boia tem
10ℓ de volume e 2Kg de massa. Calcule a altura da porção molhada da boia.
E 3.7.8. (Fluidos) Uma boia cilíndrica tem secção transversal circular de raio
10cm e comprimento 2m e pesa 10Kg. Sabendo que a boia flutua sobre água com
o eixo do cilindro na posição horizontal, calcule a altura da parte molhada da boia.
E 3.7.9. Encontre com 6 casas decimais o ponto da curva y = ln x mais

próximo da origem.
E 3.7.10. (Matemática financeira) Um computador é vendido pelo valor a

vista de R$2.000,00 ou em 1+15 prestações de R$200,00. Calcule a taxa de juros
associada à venda a prazo.
E 3.7.11. (Matemática financeira) O valor de R$110.000,00 é financiado con-

forme a seguinte programa de pagamentos:
Mês pagamento
1 20.000,00
2 20.000,00
3 20.000,00
4 19.000,00
5 18.000,00
6 17.000,00
7 16.000,00
Calcule a taxa de juros envolvida. A data do empréstimo é o mês zero.

E 3.7.12. (Controle de sistemas) Depois de acionado um sistema de aquece-

dores, a temperatura em um forno evolui conforme a seguinte equação
T (t) = 500 − 800e−t + 600e−t/3 .
onde T é a temperatura em Kelvin e t é tempo em horas.

a) Obtenha analiticamente o valor de limt→∞ T (t).
b) Obtenha analiticamente o valor máximo de T (t) e o instante de tempo

quando o máximo acontece
c) Obtenha numericamente com precisão de minutos o tempo decorrido até que

a temperatura passe pela primeira vez pelo valor de equilíbrio obtido no item
a.
c) Obtenha numericamente com precisão de minutos a duração do período du-

rante o qual a temperatura permanece pelo menos 20% superior ao valor de
equilíbrio.
x2
E 3.7.13. Encontre os pontos onde a elipse que satisfaz 3
+ y 2 = 1 intersepta
a parábola y = x2 − 2.
E 3.7.14. (Otimização) Encontre a área do maior retângulo que é possível

2
inscrever entre a curva e−x (1 + cos(x)) e o eixo y = 0.
E 3.7.15. (Otimização)Uma indústria consome energia elétrica de duas usinas

fornecedoras. O custo de fornecimento em reais por hora como função da potência
consumida em kW é dada pelas seguintes funções
C1 (x) = 500 + .27x + 4.1 · 10−5 x2 + 2.1 · 10−7 x3 + 4.2 · 10−10 x4

C2 (x) = 1000 + .22x + 6.3 · 10−5 x2 + 8.5 · 10−7 x3
Onde C1 (x) e C2 (x) são os custos de fornecimento das usinas 1 e 2, respectivamente.

Calcule o custo mínimo da energia elétrica quando a potência total consumida é
1500kW . Obs: Para um problema envolvendo mais de duas usinas, veja 5.1.12.
E 3.7.16. (Termodinâmica) A pressão de saturação (em bar) de um dado

hidrocarboneto pode ser modelada pela equação de Antoine:
B
ln P sat = A −
T +C
onde T é a temperatura e A, B e C são constantes dadas conforme a seguir:

Hidrocarboneto A B C
N-pentano 9.2131 2477.07 -39.94
N-heptano 9.2535 2911.32 -56.51
a) Calcule a temperatura de bolha de uma mistura de N-pentano e N-heptano

à pressão de 1.2bar quando as frações molares dos gases são z1 = z2 = 0.5.
Para tal utilize a seguinte equação:
X
P = zi Pisat
i
b) Calcule a temperatura de orvalho de uma mistura de N-pentano e N-heptano

à pressão de 1.2bar quando as frações molares dos gases são z1 = z2 = 0.5.
Para tal utilize a seguinte equação:
1 X zi
= sat
P i Pi
E 3.7.17. Encontre os três primeiros pontos de mínimo da função
f (x) = e−x/11 + x cos(2x)
para x > 0 com erro inferior a 10−7 .

Capítulo 4
Solução de sistemas lineares
Muitos problemas da engenharia, física e matemática estão associados à solução

de sistemas de equações lineares. Nesse capítulo, tratamos de técnicas numéricas
empregadas para obter a solução desses sistemas. Iniciamos por uma rápida revisão
do método de eliminação gaussiana do ponto de vista computacional. No contexto
de análise da propagação dos erros de arredondamento, introduzimos o método de
eliminação gaussiana com pivotamento parcial, bem como, apresentamos o conceito
de condicionamento de um sistema linear. Além disso, exploramos o conceito de
complexidade de algarismos em álgebra linear. Então, passamos a discutir sobre
técnicas iterativas, mais especificamente, sobre os métodos de Jacobi e Gauss-
Seidel.
Considere o sistema de equações lineares (escrito na forma algébrica)
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
..
.
am1 x1 + am2 x2 + · · · + amn xn = bm
onde m é o número de equações e n é o número de incógnitas. Este sistema pode

ser escrito na forma matricial
Ax = b
onde:      
 a11 a12 · · · a1n   x1   b1 
     
 a21 a22 · · · a2n   x2  b 
    
,x =   e b =  2,

A=  . .. ..   ... 
 . 

 .. ...   
 .. 
 . .
    
     
am1 am2 · · · amn xn bm
87
onde A é chamada de matriz dos coeficientes, x de vetor das incógnitas e b

de vetor dos termos constantes.
Definimos também a matriz completa (também chamada de matriz esten-
dida) de um sistema como Ax = b como [A|b], i.e.
 
 a11 a12 · · · a1n b1 
 
 a21 a22 · · · a2n b2 


[A|b] = 
 . .. .. .. .. 

 .. . . . . 
 
 
am1 am2 · · · amn bm
Salvo especificado ao contrário, assumiremos ao longo deste capítulo que a

matriz dos coeficientes A é uma matriz real não singular (i.e. invertível).
Ao longo do capítulo, apresentamos algumas computações com Python. Nestas,
estaremos assumindo que a biblioteca numpy e seu módulo numpy.linalg estão
carregados:
>>> from numpy import linalg
Exemplo 4.0.1. Consideramos o seguinte sistema linear
x+y+z = 1
4x + 4y + 2z = 2
2x + y − z = 0
. Na sua forma matricial, este sistema é escrito como

    
1 1 1  x 1
    
Ax = b ⇔ 4

4 2 = 2
   
 y 
    
    
2 1 −1 z 0
| {z } | {z } |{z}
A x b
.
A matriz estendida do sistema acima é
 
1 1 1 1
 
E := [A|b] = 4 4 2 2
 
 
 
2 1 −1 0

4.1. ELIMINAÇÃO GAUSSIANA 89
4.1 Eliminação gaussiana

A eliminação gaussiana, também conhecida como escalonamento, é um
método para resolver sistemas lineares. Este método consiste em manipular o
sistema através de determinadas operações elementares, transformando a matriz
estendida do sistema em uma matriz triangular (chamada de matriz escalonada
do sistema). Uma vez, triangularizado o sistema, a solução pode ser obtida via
substituição regressiva. Naturalmente estas operações elementares devem preser-
var a solução do sistema e consistem em:
1. multiplicação de um linha por uma constante não nula.
2. substituição de uma linha por ela mesma somada a um múltiplo de outra
linha.
3. permutação de duas linhas.
Exemplo 4.1.1. Resolva o sistema
x+y+z = 1
4x + 4y + 2z = 2
2x + y − z = 0
pelo método de eliminação gaussiana.
Solução. A matriz estendida do sistema é escrita como
 
1 1 1 1
 
4 4 2 2
 
 
 
2 1 −1 0
No primeiro passo, subtraímos da segunda linha o quádruplo da primeira e sub-
traímos da terceira linha o dobro da primeira linha:
 
1 1 1 1
 
0 0
 
 −2 −2

 
0 −1 −3 −2
No segundo passo, permutamos a segunda linha com a terceira:
 
1 1 1 1
 
0
 
 −1 −3 −2

 
0 0 −2 −2

Neste momento, a matriz já se encontra na forma triangular (chamada de matriz

escalonada do sistema). Da terceira linha, encontramos −2z = −2, ou seja,
z = 1. Substituindo na segunda equação, temos −y − 3z = −2, ou seja, y = −1 e
finalmente, da primeira linha, x + y + z = 1, resultando em x = 1.
♦
Neste exemplo 4.1.1, o procedimento de eliminação gaussiana foi usado para

obtermos um sistema triangular (superior) equivalente ao sistema original. Este,
por sua vez, nos permitiu obter a solução do sistema obtento o valor de cada
váriável, começando da última (pela última equação) seguindo linha por linha até
a primeira.
Alternativamente, podemos continuar o procedimento de eliminação gaussiana,
anulando os elementos da matriz estendida acima da diagonal principal. Isto nos
leva a uma matriz estendida diagonal (chamada matriz escalonada reduzida),
na qual a solução do sistema original aparece na última coluna.
Exemplo 4.1.2. No exemplo 4.1.1, usamos o procedimento de eliminação gaussi-

ana e obtivemos    
1 1 1 1 1 1 1 1
   
4 4 2 2 ∼ 0 −1 −3 −2 .
   
   
   
2 1 −1 0 0 0 −2 −2
| {z } | {z }
matriz estendida matriz escalonada
Agora, seguindo com o procedimento de eliminação gaussiana, buscaremos anu-

lar os elementos acima da diagonal principal. Começamos dividindo cada elemento
da última linha pelo valor do elemento da sua diagonal, obtemos
 
1 1 1 1
 
0
 
 −1 −3 −2

 
0 0 1 1
Então, somando da segunda linha o triplo da terceira e subtraindo da primeira a

terceira linha, obtemos
 
1 1 0 0
 
0 −1 0 1
 
 
 
0 0 1 1

Fixamos, agora, na segunda linha. Dividimos esta linha pelo valor do elemento
em sua diagonal, isto nos fornece
 
1 1 0 0
 
0 1 0 −1
 
 
 
0 0 1 1
Por fim, subtraímos da primeira linha a segunda, obtendo a matriz escalonada

reduzida
 
1 0 0 1
 
0 1 0 −1
 
 
 
0 0 1 1
Desta matriz escalonada reduzida temos, imediatamente, x = 1, y = −1 e z = 1,

como no exemplo 4.1.1.
4.1.1 Eliminação gaussiana com pivotamento parcial
A eliminação gaussiana com pivotamento parcial consiste em fazer uma

permutação de linhas de forma a escolher o maior pivô (em módulo) a cada passo.
x+y+z = 1
2x + y − z = 0
2x + 2y + z = 1
por eliminação gaussiana com pivotamento parcial.

Solução. A matriz estendida do sistema é

   
1 1 1 1 2 1 −1 0
   
2 1 −1 0 1 1 1 1
   
 
∼ 
   
2 2 1 1 2 2 1 1
 
2 1 −1 0
 
0 1/2 3/2 1
 
∼
 
 
0 1 2 1
 
2 1 −1 0
 
0 1 2 1
 
∼
 
 
0 1/2 3/2 1
 
2 1 −1 0 
 
0 1 2 1 
 
∼
 
 
0 0 1/2 1/2
Encontramos 1/2z = 1/2, ou seja, z = 1. Substituímos na segunda equação e

temos y + 2z = 1, ou seja, y = −1 e, finalmente 2x + y − z = 0, resultando em
x = 1.
Em Python, podemos fazer estas computações da seguinte forma:
E = np.array([[1,1,1,1],
[2,1,-1,0],
[2,2,1,1]], dtype='double')
print(E)
#L2 <-> L1
aux = np.copy(E[1,:])
E[1,:] = np.copy(E[0,:])
E[0,:] = np.copy(aux)
print(E)
#zera E[1:2,0]
E[1,:] = E[1,:] - (E[1,0]/E[0,0])*E[0,:]
E[2,:] = E[2,:] - (E[2,0]/E[0,0])*E[0,:]
print(E)

#zera E[2,1]
E[2,:] = E[2,:] - (E[2,1]/E[1,1])*E[1,:]
print(E)
#sub. regressiva
x = np.zeros(3)
x[2] = E[2,3]/E[2,2];
x[1] = (E[1,3] - E[1,2]*x[2])/E[1,1];
x[0] = (E[0,3] - E[0,2]*x[2] - E[0,1]*x[1])/E[0,0]
print(x)
♦
A técnica de eliminação gaussiana com pivotamento parcial ajuda a evitar a

propagação dos erros de arredondamento. Vejamos o próximo exemplo.
Exemplo 4.1.4 (Problema com elementos com grande diferença de escala). Re-
solva o seguinte sistema usando eliminação gaussiana sem e com pivotamento par-
cial. Discuta, em cada caso, o resultado frente a aritmética de ponto flutuante
quando 0 < |ǫ| ≪ 1.
    
ε 2 x 4
 = 
   
1 ε y 3
Solução. Vamos, primeiramente, executar a eliminação gaussiana sem pivota-

mento parcial para ε 6= 0 e |ε| ≪ 1:
   
 ε 2 4   ε 2 4 
  ∼ 
1 ε 3 0 ε− 2
ε
3− 4
ε
Temos
3 − 4/ε
y=
ε − 2/ε
e
4 − 2y
x=
ε
Observe que a expressão obtida para y se aproximada de 2 quando ε é pequeno:
3 − 4/ε 3ε − 4 −4
y= = 2 −→ = 2, quando ε → 0.
ε − 2/ε ε −2 −2

Já expressão obtida para x depende justamente da diferença 2 − y:

4 − 2y 2
x= = (2 − y)
ε ε
Assim, quando ε é pequeno, a primeira expressão, implementada em um sis-
tema de ponto flutuante de acurácia finita, produz y = 2 e, consequentemente, a
expressão para x produz x = 0. Isto é, estamos diante um problema de cancela-
mento catastrófico.
Agora, quando usamos a eliminação gaussiana com pivotamento parcial, faze-
mos uma permutação de linhas de forma a escolher o maior pivô a cada passo:
     
 ε 2 4   1 ε 3   1 ε 3 
  ∼  ∼ 
1 ε 3 ε 2 4 0 2−ε 2
4 − 3ε
Continuando o procedimento, temos:
4 − 4ε
y=
2 − ε2
e
x = 3 − εy
Observe que tais expressões são analiticamente idênticas às anteriores, no en-
tanto, são mais estáveis numericamente. Quando ε converge a zero, y converge
a 2, como no caso anterior. No entanto, mesmo que y = 2, a segunda expressão
produz x = 3 − εy, isto é, a aproximação x ≈ 3 não depende mais de obter 2 − y
com precisão. ♦
Exercícios Resolvidos
ER 4.1.1. Resolva o seguinte sistema por eliminação gaussiana com pivotamento
parcial.
2y + 2z = 8
x + 2y + z = 9
x+y+z = 6
Solução. A forma matricial do sistema dado é

    
 0 2 2  x   8 
    
1 2 1   y = 9 
    

    
    
1 1 1 z 6

Construímos, então, a matriz completa e seguimos com o procedimento de elimi-

nação gaussiana com pivotamento parcial:
     
 0 2 2 8   1 2 1 9   1 2 1 9 
     
1 2 1 9  0 2 2 8 ∼ 0 2 2 8
 
  ∼    

     
     
1 1 1 6 1 1 1 6 0 −1 0 −3
   
 1 2 1 9   1 2 0 8 
   
0 2 2 8 0 2 0 6 
   
∼   ∼ 
   
   
0 0 1 1 0 0 1 1
 
 1 0 0 2 
 
0 2 0 6 
 
∼ 
 
 
0 0 1 1
Portanto x = 2, y = 3 e z = 1.
♦
Exercícios
E 4.1.1. Resolva o seguinte sistema de equações lineares
x+y+z = 0
x + 10z = −48
10y + z = 25
Usando eliminação gaussiana com pivotamento parcial (não use o computador para
resolver essa questão).
E 4.1.2. Resolva o seguinte sistema de equações lineares
x+y+z = 0
x + 10z = −48
10y + z = 25
Usando eliminação gaussiana com pivotamento parcial (não use o computador para
resolver essa questão).

E 4.1.3. Calcule a inversa da matriz

 
 1 2 −1
 
A= 
−1 2 0

 
 
2 1 −1
usando eliminação gaussiana com pivotamento parcial.
E 4.1.4. Demonstre que se ad 6= bc, então a matriz A dada por:

 
a b 
A= 
c d
é inversível e sua inversa é dada por:

 
1  d −b
A−1 =  .
ad − bc −c a
4.2 Complexidade de algoritmos em álgebra li-

near
Nesta seção, discutiremos um importante conceito em teoria de algoritmos, a
complexidade, isto é, uma medida do custo ou eficiência do algoritmo.
Dados dois algoritmos diferentes para resolver o mesmo problema, como po-
demos escolher qual desses algoritmos é o melhor? Se pensarmos em termos de
eficiência (ou custo computacional), queremos saber qual desses algoritmos con-
some menos recursos para realizar a mesma tarefa.
Em geral podemos responder essa pergunta de duas formas: em termos de
tempo ou de espaço.
Quando tratamos de eficiência espacial, queremos saber quanta memória
(em geral RAM) é utilizada pelo algoritmo para armazenar os dados, sejam eles
matrizes, vetores ou escalares.
Quando tratamos de eficiência temporal, queremos saber quanto tempo um
algoritmo leva para realizar determinada tarefa. Vamos nos concentrar nessa se-
gunda opção, que em geral é a mais difícil de ser respondida.
Obviamente o tempo vai depender do tipo de computador utilizado. É razoável
de se pensar que o tempo vai ser proporcional ao número de operações de ponto

4.2. COMPLEXIDADE DE ALGORITMOS EM ÁLGEBRA LINEAR 97
flutuante (flops) feitas pelo algoritmo (observe que o tempo total não depende
apenas disso, mas também de outros fatores como memória, taxas de transferências
de dados da memória para o cpu, redes,...). Entretanto vamos nos concentrar na
contagem do número de operações (flops) para realizar determinada tarefa.
No passado (antes dos anos 80), os computadores demoravam mais tempo
para realizar operações como multiplicação e divisão, se comparados a adição ou
subtração. Assim, em livros clássicos eram contados apenas o custo das operações
× e /. Nos computadores atuais as quatro operações básicas levam o mesmo
tempo. Entretanto, na maioria dos algoritmos de álgebra linear o custo associado
as multiplicações e divisões é proporcional ao custo das somas e subtrações (pois
a maioria dessas operações podem ser escritas como a combinação de produtos
internos). Dessa forma, na maior parte deste material levaremos em conta somente
multiplicações e divisões, a não ser que mencionado o contrário.
Teremos em mente que a ideia é estimar o custo quando lidamos com vetores
e matrizes muito grande, isto é, o custo quando estas dimensões crescem infinita-
mente.
Exemplo 4.2.1 (Produto escalar-vetor). Qual o custo para multiplicar um escalar

por um vetor?
Solução. Seja a ∈ R e x ∈ Rn , temos que
x = [a × x1 , a × x2 , ...,a × xn ]
ax (4.1)
usando n multiplicações, ou seja, um custo computacional, C, de
C = n flops. (4.2)
Exemplo 4.2.2 (Produto vetor-vetor). Qual o custo para calcular o produto in-
terno x · y ?
Solução. Sejam x , y ∈ Rn , temos que
x · y = x1 × y1 + x2 × y2 + ... + xn × yn (4.3)
São realizadas n multiplicações (cada produto xi por yi ) e n − 1 somas, ou seja,

o custo total de operações é de
C := (n) + (n − 1) = 2n − 1 flops (4.4)

Exemplo 4.2.3 (Produto matriz-vetor). Qual o custo para calcular o produto de

matriz por vetor Ax
x?
Solução. Sejam A ∈ Rn×n e x ∈ Rn , temos que

    
 a11 a12 · · · a1n   x1   a11 × x1 + a12 x2 + ... + a1n × xn 
 .. ..   .  ..
    
 . .   ..  =  . (4.5)
 

    
    
an1 · · · ann xn an1 × x1 + an2 x2 + ... + ann × xn
Para obter o primeiro elemento do vetor do lado direito devemos multiplicar

a primeira linha de A pelo vetor coluna x . Note que esse é exatamente o custo
do produto vetor-vetor do exemplo anterior. Como o custo para cada elemento do
vetor do lado direito é o mesmo e temos n elementos, teremos que o custo para
multiplicar matriz-vetor é1
C := n · (2n − 1) = 2n2 − n flops. (4.7)
A medida que n → ∞, temos
O(2n2 − n) = O(2n2 ) = O(n2 ) flops. (4.8)
Exemplo 4.2.4 (Produto matriz-matriz). Qual o custo para calcular o produto

de duas matrizes AB?
Solução. Sejam A, B ∈ Rn×n temos que

    
 a11 a12 · · · a1n   b11 b12 · · · a1n   c11 c12 · · · c1n 
 .. ..    .. ..   . ... 
   
 . .   . .  =  .. (4.9)


    
    
an1 · · · ann bn1 · · · bnn cn1 · · · cnn
onde o elemento dij é o produto da linha i de A pela coluna j de B,
dij = ai1 × b1j + ai2 × b2j + ... + ai2 × b2j (4.10)

1
Contando apenas multiplicações/divisões obtemos
n · O(n) = O(n2 ) flops. (4.6)

4.3. SISTEMAS TRIANGULARES 99
Note que esse produto tem o custo do produto vetor-vetor, ou seja, 2n − 1. Como
temos n × n elementos em D, o custo total para multiplicar duas matrizes é2
C = n × n × (2n − 1) = 2n3 − n2 flops. (4.12)
4.3 Sistemas triangulares

Considere um sistema linear onde a matriz é triangular superior, ou seja,
    
a11 a12 · · · a1n   x1   b1 
    
 0 a22 · · · a2n   x2  b 
    
   =  2
 . . .  . 
 ... 

 .. .. . . . ..   ..   
    
    
0 ... 0 ann xn bn
tal que todos elementos abaixo da diagonal são iguais a zero.

Podemos resolver esse sistema iniciando pela última equação e isolando xn
obtemos
xn = bn /ann (4.13)
Substituindo xn na penúltima equação
an−1,n−1 xn−1 + an−1,n xn = bn−1 (4.14)
e isolando xn−1 obtemos
xn−1 = (bn−1 − an−1,n xn )/an−1,n−1 (4.15)
e continuando desta forma até a primeira equação obteremos
x1 = (b1 − a12 x2 · · · − a1n xn )/a11 . (4.16)
De forma geral, temos que
xi = (bi − ai,i+1 xi+1 · · · − ai,n xn )/ai,i , i = 2, . . . ,n. (4.17)

2
Contando apenas × e / obtemos
n × n × (n) = n3 flops. (4.11)

4.4 Fatoração LU
Considere um sistema linear Ax = b, onde a matriz A é densa3 . A fim de
resolver o sistema, podemos fatorar a matriz A como o produto de uma matriz L
triangular inferior e uma matriz U triangular superior, ou seja, A = LU .
Sendo assim, o sistema pode ser reescrito da seguinte forma:
Ax = b
(LU )x = b
L(U x) = b
Ly = b e Ux = y
Isto significa que, ao invés de resolvermos o sistema original, podemos resolver o

sistema triangular inferior Ly = b e, então, o sistema triangular superior U x = y,
o qual nos fornece a solução de Ax = b.
A matriz U da fatoração4 LU é a matriz obtida ao final do escalonamento da
matriz A.
A matriz L é construída a partir da matriz identidade I, ao longo do escalona-
mento de A. Os elementos da matriz L são os múltiplos do primeiro elemento da
linha de A a ser zerado dividido pelo pivô acima na mesma coluna.
Por exemplo, para zerar o primeiro elemento da segunda linha de A, calculamos
L21 = A21 /A11
e fazemos
A2,: ⇐ A2,: − L21 A1,:
Note que denotamos Ai,: para nos referenciarmos a linha i de A. Da mesma
forma, se necessário usaremos A:,j para nos referenciarmos a coluna j de A.
Para zerar o primeiro elemento da terceira linha de A, temos
L31 = A31 /A11
e fazemos
A3,: ⇐ A3,: − L31 A1,:
até chegarmos ao último elemento da primeira coluna de A.
Repetimos o processo para as próximas colunas, escalonando a matriz A e
coletando os elementos Lij abaixo da diagonal5 .
3
Diferentemente de uma matriz esparsa, uma matriz densa possui a maioria dos elementos
diferentes de zero.
4
Não vamos usar pivotamento nesse primeiro exemplo.
5
Perceba que a partir da segunda coluna para calcular Lij não usamos os elementos de A,
mas os elementos da matriz A em processo de escalonamento

4.4. FATORAÇÃO LU 101
Exemplo 4.4.1. Use a fatoração LU para resolver o seguinte sistema linear:
x1 + x2 + x3 = −2
2x1 + x2 − x3 = 1
2x1 − x2 + x3 = 3
Solução. Começamos fatorando a matriz A dos coeficientes deste sistema:

    
1 1 1 1 0 0 1 1 1
    
A= 2 1 . = 0
 2 1 −1
1 0
    
 −1
 
 
    
2 −1 1 0 0 1 2 −1 1
| {z }| {z }
I3,3 A
  
1 0 0 1 1 1
  
= 2 1 0
 0
  

 −1 −3

  
2 0 1 0 −3 −1
  
1 0 0 1 1 1
  
= 2 1 0
 0
  

 −1 −3

  
2 3 1 0 0 8
| {z }| {z }
L U
Completada a fatoração LU, resolvemos, primeiramente, o sistema Ly = b:
y1 = −2
2y1 + y2 = 1
2y1 + 3y2 + y3 = 3
o qual no fornece y1 = −2, y2 = 5 e y3 = −8. Por fim, obtemos a solução

resolvendo o sistema U x = y:
x1 + x2 + x3 = −2
−x2 − 3x3 = 5
8x3 = −8
o qual fornece x3 = −1, x2 = −2 e x1 = 1. ♦

4.4.1 Código Python: Fatoração LU

Em Python, podemos implementar o algoritmo para fatoração LU da seguinte
forma:
def fatoraLU(A):
U = np.copy(A)
n = np.shape(U)[0]
L = np.eye(n)
for j in np.arange(n-1):
for i in np.arange(j+1,n):
L[i,j] = U[i,j]/U[j,j]
for k in np.arange(j+1,n):
U[i,k] = U[i,k] - L[i,j]*U[j,k]
U[i,j] = 0
return L, U
Observação 4.4.1. O custo computacional do algoritmo da fatoração LU é
2n3 n2 n
− − flops.
3 2 6
4.4.2 Custo computacional para resolver um sistema linear

usando fatoração LU
Para calcularmos o custo computacional de um algoritmo completo, uma es-
tratégia é separar o algoritmo em partes menores mais fáceis de calcular.
Para resolver o sistema, devemos primeiro fatorar a matriz A nas matrizes L e
U . Vimos que o custo é
2n3 n2 n
− − flops.
3 2 6
Depois devemos resolver os sistemas Ly = b e U x = y. O custo de resolver os
dois sistemas é (devemos contar duas vezes)
2n2 flops.
Somando esses 3 custos, temos que o custo para resolver um sistema linear
usando fatoração LU é
2n3 3n2 n
+ − flops.
3 2 6
Quando n cresce, prevalessem os termos de mais alta ordem, ou seja,
2n3 3n2 n 2n3 3n2 2n3
O( + − ) = O( + ) = O( )
3 2 6 3 2 3
4.4. FATORAÇÃO LU 103
4.4.3 Custo para resolver m sistemas lineares

Devemos apenas multiplicar m pelo custo de resolver um sistema linear usando
fatoração LU , ou seja, o custo será
2n3 3n2 n 2mn3 3mn2 mn

m( + − )= + −
3 2 6 3 2 6
e com m = n temos
2n4 3n3 n2
+ − .
3 2 6
Porém, se estivermos resolvendo n sistemas com a mesma matriz A (e diferente
lado direito b para cada sistema) podemos fazer a fatoração LU uma única vez e
contar apenas o custo de resolver os sistemas triangulares obtidos.
3 2
Custo para fatoração LU de A: 2n3 − n2 − n6 .
Custo para resolver m sistemas triangulares inferiores: mn2 .
Custo para resolver m sistemas triangulares superiores: mn2 .
Somando esses custos obtemos
2n3 n2 n
− − + 2mn2
3 2 6
que quando m = n obtemos
8n3 n2 n
− − flops.
3 2 6
4.4.4 Custo para calcular a matriz inversa de A

Como vemos em Álgebra Linear, um método para obter a matriz A−1 é realizar
o escalonamento da matriz [A|I] onde I é a matriz identidade. Ao terminar o
escalonamento, o bloco do lado direito conterá A−1 .
Isto é equivalente a resolver n sistemas lineares com a mesma matriz A e os
vetores da base canônica e i = [0,...,0,1,0,....0]T tal que
xi = e i ,
Ax i=1:n
onde x i serão as colunas da matriz A inversa, já que AX = I.

O custo para resolver esses n sistemas lineares foi calculado na seção anterior
como
8n3 n2 n
− − .
3 2 6
Exemplo 4.4.2. Qual o melhor método para resolver um sistema linear: via
fatoração LU ou calculando a inversa de A e obtendo x = A−1 b?

4.5 Método da matriz tridiagonal

O método da matriz tridiagonal ou algoritmo de Thomas6 ou ainda TDMA (do
inglês tridiagonal matrix algorithm) é o caso particular da eliminação gaussiana
aplicada a matrizes tridiagonais.
Uma matriz tridiagonal é uma matriz quadrada cujos únicos elementos não
nulos estão na diagonal principal e nas diagonais imediatamente acima e abaixo
da principal. Um sistema tridiagonal é um sistema de equações lineares cuja matriz
associada é tridiagonal, conforme a seguir:
    
 b1 c1   x1   d1 
    
    
a2 b2 c2   x2   d2 
    
.
b3 . .
    

 a3  x 
  3 = d  .
 3 (4.18)
... ...   ..   .. 
    

 . 
 cn−1     . 
  
    
an bn xn dn
Observamos que não é necessário armazenar todos os n2 elementos da matriz

em memória, sendo suficiente armazenar os vetores an , bn e cn . Por conveniência,
a partir daqui, definiremos os elementos inexistentes na matriz a1 e cn como zero:
a1 = cn = 0.
O algoritmo para a solução do sistema tridiagonal (4.18) pelo algoritmo de

Thomas é dada pelas seguintes expressões:

 ci ,
bi
i=1
c′i = (4.19)
 ci
bi −ai c′i−1
, i = 2, 3, . . . , n − 1
e 
 di ,
bi
i=1
d′i =  di −ai d′i−1 (4.20)
bi −ai c′i−1
, i = 2, 3, . . . , n.
Finalmente a solução final é obtida por substituição reversa:
xn = d′n (4.21)
xi = d′i − c′i xi+1 , i = n − 1, n − 2, . . . , 1. (4.22)
Teorema 4.5.1. A aplicação da eliminação gaussiana sem pivotamento ao sistema

(4.18) produz o algoritmo dado em (4.19) e (4.21)
6
Llewellyn Hilleth Thomas (21 de outubro de 1903 – 20 de april de 1992) foi um matemático
e físico britânico.

4.5. MÉTODO DA MATRIZ TRIDIAGONAL 105
Demonstração. O primeiro passo consiste em dividir todos os elementos da pri-

meira linha de (4.18) por b1 :
    
1 c′1 ′
  x1   d1 
    
    
a2 b2 c2   x2   d2 
    
.
b3 . .
    

 a3  x 
  3 = d  ,
 3
... ...   ..   .. 
    

 . 
 cn−1     . 
  
    
an bn xn dn
onde c′1 = cb11 e d′1 = db11 .

O segundo passo consiste em substituir a segunda linha por ela mesma sub-
traída da linha 1 multiplicada por a2 (l2 ← l2 − a2 l1 ):
    
1 c′1   x1   d′1 
    
0 b2 − a2 c′1 − a2 d′1 
    

c2   x2 
 
d2
 
.
b3 . .
    

 a3  x 
  3 = 
 d3 .

.. ..   ..  ..
    
. .
  
 . 
cn−1  .
    
  
    
an bn xn dn
Em seguida, dividimos a segunda linha por b2 −a2 c′1 , a fim de normalizar a diagonal

principal:
    
1 c′1 ′
  x1   d1 
    
0 1 c′2
    ′
  x2   d2 
    
.
b3 . .
    

 a3  x 
  3 = d  .
 3
.. ..   ..   .. 
    
. .

 . 
 cn−1     . 
  
    
an bn xn dn
d2 −a2 d′1
onde c′2 = c2
b2 −a2 c′1
e d′2 = b2 −a2 c′1
.
O próximo passo consiste em substituir a terceira linha por ela mesma subs-

traída da linha 2 multiplicada por a3 (l3 ← l3 − a3 l2 ):

    
1 c′1   x1   d′1 
    
0 1 c′2 d′2
    
  x2   
    
.
0 b3 − a3 c′2 . .
    


 x 
  3 = d
 3
′.
− a3 d2 
.. ..   ..  ..
    
. .
  
 . 
cn−1  .
    
  
    
an bn xn dn
A fim de normalizar o elemento da diagonal da terceira linha, dividimos toda a
linha por d3 − a3 d′2 :
    
1 c′1 ′
  x1   d1 
    
0 1 c′2
    ′
  x2   d2 
    
 ..  
=
 

 0 1 .  x 
  3
 d′  .
 3
.. ..   ..   .. 
    
. .

 . 
 cn−1     . 
  
    
an bn xn dn
Este procedimento é realizado até que se atinja a última linha e temos o seguinte
sistema:
    
1 c′1 ′
  x1   d1 
    
0 1 c′2
    ′
  x2   d2 
    
 ..  
=
 

 0 1 .  x 
  3
 d′  .
 3
... ...   ..   .. 
    

 . 
 c′n−1     . 
  
    
0 1 xn d′n
Neste estágio, podemos encontrar os xn através de substituição reversa, isto é:
a última linha diz
xn = d′n .
A penúltima linha diz
xn−1 + c′n−1 xn = d′n−1 =⇒ xn−1 = d′n−1 − c′n−1 xn .
Esse mesmo procedimento aplicado à linha i = 1, . . . n − 1, nos dá
xi = d′i − c′i xi+1 .

Exemplo 4.5.1. Considere a resolução do seguinte sistema tridiagonal pelo algo-

ritmo de Thomas:
    
2 1 0 0 0 x1  4
     
1 2 1 0 0 4
    
x 
   2  
    
0
 1 2 1 0
 x3 
  = 0 .
  (4.23)
    
    
0 0 1 2 1 0
 x4 
 
  
    
0 0 0 1 2 x5 2
Primeiramente identificamos os vetores a, b, c e d:
a = (0, 1, 1, 1, 1)
b = (2, 2, 2, 2, 2)
c = (1, 1, 1, 1, 0)
d = (4, 4, 0, 0, 2)
Agora, calculamos os vetores c′ e d′ :

c1 1
c′1 = =
b1 2
c2 1 2
c′2 = = =
b2 − a2 c′1 2−1· 2 1
3
c3 1 3
c′3 = = =
b3 − a3 c′2 2 − 1 · 32 4
c4 1 4
c′4 = = =
b4 − a4 c′3 2 − 1 · 43 5
d1 4
d′1 = = =2
b1 2
d2 − a2 d′1 4−1·2 4
d′2 = = 1 =
b2 − a2 c1′
2−1· 2 3
d3 − a3 d′2 0 − 1 · 34
d′3 = = = −1
b3 − a3 c′2 2 − 1 · 32
d4 − a4 d′3 0 − 1 · (−1) 4
d′4 = = =
b4 − a4 c3′
2−1· 4 3
5
d5 − a5 d′4 2−1· 4
d′5 = = 5
=1
′
b5 − a5 c4 2−1· 4
5
Finalmente, calculamos o vetor x:

x5 = d′5 = 1
4 4
x4 = d′4 − c′4 · x5 = − ·1=0
5 5
3
x3 = d′3 − c′3 · x4 = −1 − · 0 = −1
4
4 2
x2 = d′2 − c′2 · x3 = − · (−1) = 2
3 3
1
x1 = d′1 − c′1 · x2 = 2 − · 2 = 1
2
E assim, obtemos o vetor x = [1, 2, −1, 0, 1].
Código Python: Método da matriz tridiagonal

import numpy as np
def TDMA(a,b,c,d):
#preliminares
a = a.astype('double')
b = b.astype('double')
c = c.astype('double')
d = d.astype('double')
#recupera ordem do sistema

n=np.shape(a)[0]
#inicializa vetores auxiliares

cl=np.zeros(n)
dl=np.zeros(n)
x=np.zeros(n)
#calcula cl e dl
cl[0]=c[0]/b[0]
for i in np.arange(1,n-1,1):
cl[i]=c[i]/(b[i]-a[i]*cl[i-1])
dl[0]=d[0]/b[0]
for i in np.arange(1,n,1):
dl[i]=(d[i]-a[i]*dl[i-1])/(b[i]-a[i]*cl[i-1])

#faz substituicao reversa para obter a solucao x

x[n-1]=dl[n-1]
for i in np.arange(n-2,-1,-1):
x[i]=dl[i]-cl[i]*x[i+1]
return x
Nesse código, usou-se cl e dl para denotar c′ e d′ . Observe que se for desne-

cessário preservar os valores originais dos vetores c e d, eles podem, com economia
de memória e simplicidade de código, ser sobrescritos pelos vetores c′ e d′ , respec-
tivamente. Eis uma nova implementação:
import numpy as np
def TDMA(a,b,c,d):
#preliminares
a = a.astype('double')
c = c.astype('double')
d = d.astype('double')
#recupera ordem do sistema

n=np.shape(a)[0]
#inicializa vetor x
x=np.zeros(n)
#calcula cl e dl sobrescrevendo-os em c e d
c[0]=c[0]/b[0]
for i in np.arange(1,n-1,1):
c[i]=c[i]/(b[i]-a[i]*c[i-1])
d[0]=d[0]/b[0]
for i in np.arange(1,n,1):
d[i]=(d[i]-a[i]*d[i-1])/(b[i]-a[i]*c[i-1])
#faz substituicao reversa para obter a solucao x

x[n-1]=d[n-1]

for i in np.arange(n-2,-1,-1):
x[i]=d[i]-c[i]*x[i+1]
return x
A solução do sistema do exemplo 4.5.1 pode ser obtida através do seguintes

comandos:
>>>a=np.array([1,1,1,1,1])
>>>b=np.array([2,2,2,2,2])
>>>c=np.array([1,1,1,1,1])
>>>d=np.array([4,4,0,0,2])
>>>TDMA(a,b,c,d)
E 4.5.1. Considere o problema linear tridiagonal dado por

    

5 4 0 0 0 0 x1  13
 
    
1 3 1 0 0 0 x  10
   2  
    
    
0 2 4 1 0 0 20
 x3 
 
= (4.24)
  
    .
0 0 1 2 1 0 16
    
x 
   4  
    
0 0 0 2 3 2 35
 x5 
 
  
    
0 0 0 0 1 2 x6 17
Identifique os vetores a, b, c e d relativos ao algoritmo da matriz tridiagonal.

Depois resolva o sistema usando o computador.
E 4.5.2. Considere o seguinte sistema de equações lineares:
x1 − x2 = 0
−xj−1 + 5xj − xj+1 = cos(j/10), 2 ≤ j ≤ 10
x11 = x10 /2 (4.25)
Identifique os vetores a, b, c e d relativos ao algoritmo da matriz tridiagonal no

sistema linear dado. Depois resolva o sistema usando o computador. Veja também
exercício 4.7.4

4.6. CONDICIONAMENTO DE SISTEMAS LINEARES 111
4.6 Condicionamento de sistemas lineares

Quando lidamos com matrizes no corpo do números reais (ou complexos), exis-
tem apenas duas alternativas: i) a matriz é inversível; ii) a matriz não é inver-
sível e, neste caso, é chamada de matriz singular. Ao lidar com a aritmética de
precisão finita, encontramos uma situação mais sutil: alguns problema lineares
são mais difíceis de serem resolvidos, pois os erros de arredondamento se propa-
gam de forma mais significativa que em outros problemas. Neste caso falamos de
problemas bem-condicionados e mal-condicionados. Intuitivamente falando, um
problema bem-condicionado é um problema em que os erros de arredondamento
se propagam de forma menos importante; enquanto problemas mal-condicionados
são problemas em que os erros se propagam de forma mais relevante.
Um caso típico de sistema mal-condicionado é aquele cujos coeficiente estão
muito próximos ao de um problema singular. Considere o seguinte exemplo:
Exemplo 4.6.1. Observe que o sistema
    
71 41 x 100
 = 
    (4.26)
λ 30 y 70
é impossível quando λ = 71×30

41
≈ 51,95122.
Considere os próximos três sistemas:
      
71 41 x 100  10/3 
a) 
   =  , com solução  ,
51 30 y 70 −10/3
      
71 41 x 100 −65
b)    =  , com solução  ,
52 30 y 70 115
      
71 41 x 100,4 −85,35
c) 
   =  , com solução  .
52 30 y 69,3 150,25
Pequenas variações nos coeficientes das matrizes fazem as soluções ficarem bem
distintas, isto é, pequenas variações nos dados de entrada acarretaram em grandes
variações na solução do sistema. Quando isso acontece, dizemos que o problema é
mal-condicionado.
Precisamos uma maneira de medir essas variações. Como os dados de entrada
e os dados de saída são vetores (ou matrizes), precisamos introduzir as definições
de norma de vetores e matrizes.

4.6.1 Norma de vetores

Definimos a norma Lp , 1 ≤ p ≤ ∞, de um vetor em v = (v1 , v2 , . . . , vn ) ∈ Rn
por:
n
!1/p
X p 1/p
kvkp := |vi | = (|v1 |p + |v2 |p + · · · + |vn |p ) , 1 ≤ p < ∞.
i=1
Para p = ∞, definimos a norma L∞ (norma do máximo) por:
kvk∞ = max {|vj |}.

1≤j≤n
Proposição 4.6.1 (Propriedades de normas). Sejam dados α ∈ R um escalar e os

vetores u,v ∈ Rn . Então, para cada 1 ≤ p ≤ ∞, valem as seguintes propriedades:
a) kukp = 0 ⇔ u = 0.
b) kαukp = |α| kukp .
c) ku + vkp ≤ kukp + kvkp (desigualdade triangular).
d) kukp → kuk∞ quando p → ∞.

Demonstração. Demonstramos cada item em separado.
a) Se u = 0, então segue imediatamente da definição da norma Lp , 1 ≤ p ≤ ∞,
que kukp = 0. Reciprocamente, se kuk∞ = 0, então, para cada i = 1, 2, . . . , n,
temos:
|ui | ≤ max {|uj |} = kuk∞ = 0 ⇒ ui = 0.
1≤j≤n
Isto é, u = 0. Agora, se kukp = 0, 1 ≤ p < ∞, então:

n
X
0 = kukpp := |ui |p ≤ n kuk∞ ⇒ kuk∞ = 0.
i=1
Logo, pelo resultado para a norma do máximo, concluímos que u = 0.
b) Segue imediatamente da definição da norma Lp , 1 ≤ p ≤ ∞.
c) Em construção ...
d) Em construção ...
Exemplo 4.6.2. Calcule a norma L1 , L2 e L∞ do vetor coluna v = (1, 2, −3, 0).

Solução.
kvk1 = 1 + 2 + 3 + 0 = 6
√ √
kvk2 = 1 + 22 + 32 + 02 = 14
kvk∞ = max{1,2,3,0} = 3
♦
4.6.2 Norma de matrizes

Definimos a norma induzida Lp de uma matriz A = [ai,j ]n,n
i,j=1 da seguinte forma:
kAkp = sup kAvkp ,

kvkp =1
ou seja, a norma p de uma matriz é o máximo valor assumido pela norma de Av

entre todos os vetores de norma unitária.
Temos as seguintes propriedades, se A e B são matrizes, I é a matriz identidade,
v é um vetor e λ é um real (ou complexo):
kAkp = 0 ⇐⇒ A = 0
kλAkp = |λ| kAkp
kA + Bkp ≤ kAkp + kBkp (desigualdade do triângulo)
kAvkp ≤ kAkp kvkp
kABkp ≤ kAkp kBkp
kIkp = 1
1 = kIkp = kAA−1 kp ≤ kAkp kA−1 kp (se A é inversível)
Casos especiais:
n
X
n
kAk1 = max |Aij |
j=1
i=1
q
kAk2 = max{|λ| : λ ∈ σ(AA∗ )}
n
X
n
kAk∞ = max |Aij |
i=1
j=1
onde σ(M ) é o conjunto de autovalores da matriz M .

Exemplo 4.6.3. Calcule as normas 1, 2 e ∞ da seguinte matriz:
 
 3 −5 7 
 
A= 1 4 
 

 −2 
 
−8 1 −7

Solução.
kAk1 = max{12, 8, 18} = 18

kAk∞ = max{15, 7, 16} = 16
q
kAk2 = max{0,5865124, 21,789128, 195,62436} = 13,98657
Em Python podemos computar normas Lp ’s de matrizes usando a função

numpy.linalg.norm. Neste exemplo, temos:
>>> A = np.array([[3,-5,7],
... [1,-2,4],
... [-8,1,-7]], dtype='double')
>>> np.linalg.norm(A,1)
18
>>> np.linalg.norm(A,np.inf)
16
>>> np.linalg.norm(A,2)
13.986577820518308
4.6.3 Número de condicionamento

O condicionamento de um sistema linear é um conceito relacionado à forma
como os erros se propagam dos dados de entrada para os dados de saída. No
contexto de um sistema linear Ax = y, temos que a solução x depende dos dados
de entrada y. Consideremos, então, o problema
A(x + δx ) = y + δy
Aqui, δx representa uma variação (erro) em x e δy representa uma variação em y

(erro). Temos:
Ax + Aδx = y + δy
e, portanto,
Aδx = δy .

Queremos avaliar a razão entre o erro relativo em x e o erro relativo em y, i.e.

kδx k / kxk kδx k kyk
=
kδy k /kyk kxk kδy k
kA−1 δy k kAxk
=
kxk kδy k
kA−1 k kδy k kAk kxk
≤
kxk kδy k
−1
= kAk kA k
Definição 4.6.1 (Número de condicionamento). O número de condicionamento
de uma matriz não-singular A é
kp (A) := kAkp kA−1 kp
Observação 4.6.1. • O número de condicionamento depende da norma esco-
lhida.
• O número de condicionamento da matriz identidade é 1.
• O número de condicionamento de qualquer matriz inversível é maior ou igual
a 1.
Exemplo 4.6.4. No Exemplo 4.6.1 estudamos a solução de sistemas lineares com
as seguintes matrizes de coeficientes:
   
71 41 71 41
A1 =   e A2 =  .
51 30 52 30
Calcule os números de condicionamento destes sistemas na norma Lp para p = 1,
2 e ∞.
Solução. Para a matriz A1 , temos:
k1 (A1 ) := kA1 kkA−1
1 k ≈ 350,36,
k2 (A1 ) := kA2 kkA−1
2 k ≈ 262,12,
k∞ (A1 ) := kA∞ kkA−1∞ k ≈ 350,36.
Para a matriz A2 , temos:

k1 (A2 ) := kA1 k1 kA−1
1 k1 ≈ 6888,0,
−1
k2 (A2 ) := kA1 k2 kA1 k2 ≈ 5163,0,
k∞ (A2 ) := kA1 k∞ kA−11 k∞ ≈ 6888,0.
Em Python, podemos computar estes números de condicionamento para a matriz

A1 com o seguinte código:

A = np.array([[71,41],[51,30]],dtype='double')
print(np.linalg.cond(A,p=1))
print(np.linalg.cond(A,p=2))
print(np.linalg.cond(A,p=np.inf))
e, análogo para a matriz A2 . ♦
Exercícios
E 4.6.1. Calcule o valor de λ para o qual o problema



 71x + 41y = 10
λx + 30y = 4


é impossível, depois calcule os números de condicionamento com norma 1,2 e ∞

quando λ = 51 e λ = 52.
E 4.6.2. Calcule o número de condicionamento da matriz

 
 3 −5 7 
 
A= 1 4 
 

 −2 
 
−8 1 −7
nas normas 1, 2 e ∞.
E 4.6.3. Calcule o número de condicionamento das matrizes

 
 71 41 
 
52 30
e  
 1 2 3 
 
2 3 4 
 

 
 
4 5 5
usando as normas 1,2 e ∞.
E 4.6.4. Usando a norma 1, calcule o número de condicionamento da matriz

 
1 2 
A=


2+ε 4

4.7. MÉTODOS ITERATIVOS PARA SISTEMAS LINEARES 117
em função de ε quando 0 < ε < 1. Interprete o limite ε → 0.
E 4.6.5. Considere os sistemas:

 

 100000x − 9999.99y = −10 
 100000x − 9999.99y = −9.999
e
−9999.99x + 1000.1y = 1 −9999.99x + 1000.1y = 1.01

 

Encontre a solução de cada um e discuta.
E 4.6.6. Considere os vetores de 10 entradas dados por
(j/10)3
xj = sen (j/10), yj = j/10 zj = j/10 − , j = 1, . . . ,10
6
Use o Pythonpara construir os seguintes vetores de erro:
|xj − yj | |xj − zj |
ej = fj =
|xj | xj
Calcule as normas 1, 2 e ∞ de e e f
4.7 Métodos iterativos para sistemas lineares

Na seção anterior tratamos de métodos diretos para a resolução de sistemas
lineares. Em um método direto (por exemplo, solução via fatoração LU) obtemos
uma aproximação da solução depois de realizarmos um número finito de operações
(só teremos a solução ao final do processo).
Veremos nessa seção dois métodos iterativos básicos para obter uma aproxi-
mação para a solução de um sistema linear. Geralmente em um método iterativo
iniciamos com uma aproximação para a solução (que pode ser ruim) e vamos me-
lhorando essa aproximação através de sucessivas iterações.
4.7.1 Método de Jacobi

O método de Jacobi pode ser obtido a partir do sistema linear
a11 x1 + a12 x2 + · · · + a1n xn = y1

a21 x1 + a22 x2 + · · · + a2n xn = y2
..
.
an1 x1 + an2 x2 + · · · + ann xn = yn

Isolando o elemento x1 da primeira equação temos

(k)
(k+1)
y1 − a12 x2 + · · · + a1n xn(k)
x1 = (4.27)
a11
(k)
Note que utilizaremos os elementos xi da iteração k (a direita da equação) para
estimar o elemento x1 da próxima iteração.
Da mesma forma, isolando o elemento xi de cada equação i, para todo i = 2,...,n
podemos construir a iteração

(k)
(k+1)
y1 − a12 x2 + · · · + a1n x(k)
n
x1 =
a11

(k) (k)
(k+1)
y2 − a21 x1 + a23 x3 + · · · + a2n x(k)
n
x2 =
a22
..
.
(k) (k) (k)
y2 − an1 x1 + · · · + an,n−2 xn−2 + an,n−1 xn−1
x(k+1)
n =
ann
Em notação mais compacta, o método de Jacobi consiste na iteração
x(1) = aproximação inicial
 
n
X
(k+1)  (k) 
xi = 
yi − aij xj   /aii
j=1
j6=i

10x + y = 23
x + 8y = 26
usando o método de Jacobi iniciando com x(1) = y (1) = 0.
23 − y (k)
x(k+1) =
10
26 − x(k)
y (k+1) =
8
23 − y (1)
x(2) = = 2,3
10
26 − x(1)
y (2) = = 3,25
8
23 − y (2)
x(3) = = 1,975
10
26 − x(2)
y (3) = = 2,9625
8
Código Python: Método de Jacobi

import numpy as np
from numpy import linalg
def jacobi(A,b,x0,tol,N):
#preliminares
A = A.astype('double')
x0 = x0.astype('double')
n=np.shape(A)[0]
x = np.zeros(n)
it = 0
#iteracoes
while (it < N):
it = it+1
#iteracao de Jacobi
for i in np.arange(n):
x[i] = b[i]
for j in np.concatenate((np.arange(0,i),np.arange(i+1,n))):
x[i] -= A[i,j]*x0[j]
x[i] /= A[i,i]
#tolerancia
if (np.linalg.norm(x-x0,np.inf) < tol):
return x
#prepara nova iteracao
x0 = np.copy(x)
raise NameError('num. max. de iteracoes excedido.')
4.7.2 Método de Gauss-Seidel

Assim, como no método de Jacobi, no método de Gauss-Seidel também isola-
(k+1)
mos o elemento xi da equação i. Porém perceba que a equação para x2 depende
(k) (k+1)
de x1 na iteração k. Intuitivamente podemos pensar em usar x1 que acabou
de ser calculado e temos

(k+1) (k)
(k+1)
y2 − a21 x1 + a23 x3 + · · · + a2n x(k)
n
x2 =
a22

Aplicando esse raciocínio podemos construir o método de Gauss-Seidel como

(k)
(k+1)
y1 − a12 x2 + · · · + a1n x(k)
n
x1 =
a11

(k+1) (k)
(k+1)
y2 − a21 x1 + a23 x3 + · · · + a2n x(k)
n
x2 =
a22
..
.
(k+1) (k+1)
y2 − an1 x1 + · · · + an(n−1) xn−1
x(k+1)
n =
ann
Em notação mais compacta, o método de Gauss-Seidel consiste na iteração:
x(1) = aproximação inicial

Pi−1 (k+1) Pn (k)
(k+1) yi − j=1 aij xj − j=i+1 aij xj
xi =
aii
10x + y = 23
x + 8y = 26
usando o método de Guass-Seidel iniciando com x(1) = y (1) = 0.
23 − y (k)
x(k+1) =
10
26 − x(k+1)
y (k+1) =
8
23 − y (1)
x(2) = = 2,3
10
26 − x(2)
y (2) = = 2,9625
8
23 − y (2)
x(3) = = 2,00375
10
26 − x(3)
y (3) = = 2,9995312
8
Código Python: Método de Gauss-Seidel

import numpy as np

def gauss_seidel(A,b,x0,tol,N):
#preliminares
A = A.astype('double')
x0 = x0.astype('double')
n=np.shape(A)[0]
x = np.copy(x0)
it = 0
#iteracoes
while (it < N):
it = it+1
#iteracao de Jacobi
for i in np.arange(n):
x[i] = b[i]
for j in np.concatenate((np.arange(0,i),np.arange(i+1,n))):
x[i] -= A[i,j]*x[j]
x[i] /= A[i,i]
print(x[i],A[i,i])
#tolerancia
if (np.linalg.norm(x-x0,np.inf) < tol):
return x
#prepara nova iteracao
x0 = np.copy(x)
raise NameError('num. max. de iteracoes excedido.')

Nesta seção, discutimos sobre a análise de convergência de métodos iterativos
para solução de sistema lineares. Para tanto, consideramos um sistema linear
Ax = b, onde A = [ai,j ]n,n
i,j=1 é a matriz (real) dos coeficientes, b = (aj )j=1 é
n
um vetor dos termos constantes e x = (xj )j=1 é o vetor incógnita. No decorrer,

n
assumimos que A é uma matriz não singular.

Geralmente, métodos iterativos são construídos como uma iteração de ponto
fixo. No caso de um sistema linear, reescreve-se a equação matricial em um pro-
blema de ponto fixo equivalente, isto é:
Ax = b ⇔ x = T x + c,
onde T = [ti,j ]n,n
i,j=1 é chamada de matriz da iteração e c = (cj )j=1 de vetor
n

da iteração. Construídos a matriz T e o vetor c, o método iterativo consiste em

computar a iteração:
x(k+1) = T x(k) + c, n ≥ 1,
onde x(1) é uma aproximação inicial dada.
Afim de construirmos as matrizes e os vetores de iteração do método de Jacobi
e de Gauss-Seidel, decompomos a matriz A da seguinte forma:
A = L + D + U,
onde D é a matriz diagonal D = diag (a11 , a22 , . . . , ann ), isto é:
 
a11 0 0 ··· 0 
 
0 0 0 
 


a22 ··· 
 
D := 
 0 0 a33 · · · 0 ,

.. .. .. . . ..
 
.
 

 . . . . 

 
0 0 0 · · · ann
e, respectivamente, L e U são as seguintes matrizes triangular inferior e superior:
   
 0 0 0 · · · 0 0 a12 a13 · · · a1n 
   
0 0 0 0 0
   
 a21 ··· a23 · · · a2n 
   
   
L := a
 31 a32 0 ··· 0 , U := 0
 0 0 · · · a3n .
 .. .. .. ... ..   .. .. .. . . .. 
   
 .
 . . .
.
 . . . .  
   
an1 an2 an3 · · · 0 0 0 0 ··· 0
Exemplo 4.7.3. Considere o seguinte sistema linear:
3x1 + x2 − x3 = 2
−x1 − 4x2 + x3 = −10
x1 − 2x2 − 5x3 = 10
Escreva o sistema na sua forma matricial Ax = b identificando a matriz dos coefi-
cientes A, o vetor incógnita x e o vetor dos termos constantes b. Em seguida, faça
a decomposição A = L + D + U .
Solução. A forma matricial deste sistema é Ax = b, onde:
     
 3 1 −1 x1   2 
     
A= 1 x= e b=
     
−1 −4 , x2  −10 .
     
     
1 −2 −5 x3 10

A decomposição da matriz A nas matrizes L triangular inferior, D diagonal e U

triangular superior é:
       
 3 1 −1  0 0 0 3 0 0 0 1 −1
       
1 = 0 0 +  + 0
 0 0 0 1
       
−1 −4  −1 −4 .
     
       
1 −2 −5 1 −2 0 0 0 −5 0 0 0
| {z } | {z } | {z } | {z }
A L D U
Em Python, podemos construir as matrizes L, D e U , da seguinte forma:
>>> A = np.array([[3,1,-1],
... [-1,-4,1],
... [1,-2,5]],
... dtype='double')
>>> D = np.diag(np.diag(A))
>>> L = np.tril(A)-D
>>> U=np.triu(A)-D
Iteração de Jacobi
Vamos, agora, usar a decomposição discutida acima para construir a matriz de
iteração TJ e o vetor de iteração cJ associado ao método de Jacobi. Neste caso,
temos:
Ax = b ⇔ (L + D + U )x = b
⇔ Dx = −(L + U )x + b
−1
⇔ x = −D−1 (L + U ) x + |D{z b} .
| {z }
=:cJ
=:TJ
Ou seja, a iteração do método de Jacobi escrita na forma matricial é:
x(k+1) = TJ x(k) + cJ , k ≥ 1,
com x(1) uma aproximação inicial dada, sendo TJ := −D−1 (L + U ) a matriz de

iteração e cJ = D−1 b o vetor da iteração.
Exemplo 4.7.4. Construa a matriz de iteração TJ e o vetor de iteração cJ do

método de Jacobi para o sistema dado no exemplo 4.7.3.

Solução. A matriz de iteração é dada por:

    
1
3 0 0  0 1 −1  0 − 31 1
3
    
−1
TJ := −D (L + U ) = 0 − 41 0 0 1 = 0
    1 1
−  −1



−
 4
.
4
    
0 0 − 15 1 2 0 1
5
2
5
0
| {z }| {z }
D−1 (L+U )
O vetor da iteração de Jacobi é:

    
1
3 0 0  2   
2
3
    
cJ := D−1 b = 0

− 41 0 

−10 = 
  5 
.
2 
   
    
0 0 − 51 10 −2
| {z } | {z }
D−1 b
Em python, podemos computar TJ e cJ da seguinte forma:

>>> TJ = -np.linalg.inv(D).dot(L+U);
>>> cJ = np.linalg.inv(D).dot(b);
♦
Iteração de Gauss-Seidel
A forma matricial da iteração do método de Gauss-Seidel também pode ser
construída com base na decomposição A = L + D + U . Para tando, fazemos:
Ax = b ⇔ (L + D + U )x = b
⇔ (L + D)x = −U x + b
⇔ x = −(L + D)−1 U x + (L + D)−1 b
| {z } | {z }
=:TG =:cG
Ou seja, a iteração do método de Gauss-Seidel escrita na forma matricial é:
x(k+1) = TG x(k) + cG , k ≥ 1,
com x(1) uma aproximação inicial dada, sendo TG := −(L + D)−1 U a matriz de
iteração e cJ = (L + D)−1 b o vetor da iteração.
Exemplo 4.7.5. Construa a matriz de iteração TG e o vetor de iteração cG do

método de Gauss-Seidel para o sistema dado no exemplo 4.7.3.

Solução. A matriz de iteração é dada por:

 −1    
 3 0 0 0 1 −1 0 − 31 1
3
     
TG = −(L + D)−1 U = 0 0 0 1 = 0 1 1
    
−
−1 −4 
 

  12
.
6
     
1 −2 −5 0 0 0 0 − 10
1
0
| {z }| {z }
(L+D)−1 U
O vetor da iteração de Gauss-Seidel é:

 −1    
 3 0 0  2 
2
  3
     
−1
cG := (L + D) b = 0 =
     7 
−1 −4  −10  .
     3 
     
1 −2 −5 10 − 28
10
| {z } | {z }
(L+D)−1 b
Em Python, podemos computar TG e cG da seguinte forma:

-->TG = -np.linalg.inv(L+D).dot(U);
-->cG = np.linalg.inv(L+D).dot(b);
♦
Condições de convergência
Aqui, vamos discutir condições necessárias e suficientes para a convergência de
métodos iterativos. Isto é, dado um sistema Ax = b e uma iteração:
x(k+1) = T x(k) + c, k ≥ 1,
x(1) dado, estabelecemos condições nas quais x(k) → x∗ , onde x∗ é a solução do

sistema dado, isto é, x∗ = T x∗ + c ou, equivalentemente, Ax∗ = b.

Lema 4.7.1. Seja T uma matriz real n × n. O limite lim T k = 0, 1 ≤ p ≤ ∞,

k→∞ p
se, e somente se, ρ(T ) < 1.
Demonstração. Aqui, fazemos apenas um esboço da demonstração. Para mais

detalhes, veja [8], Teorema 4, pág. 14.
Primeiramente, suponhamos que kT kp < 1, 1 ≤ p ≤ ∞. Como (veja [8], lema
2, pág. 12):
ρ(T ) ≤ kT kp ,
temos ρ(T ) < 1, o que mostra a implicação.

Agora, suponhamos que ρ(T ) < 1 e seja 0 < ǫ < 1 − ρ(T ). Então, existe
1 ≤ p ≤ ∞ tal que (veja [8], Teorema 3, página 12):
kT kp ≤ ρ(T ) + ǫ < 1.
Assim, temos:
lim kT k kp ≤ lim kT km
p = 0.
k→∞ k→∞
Da equivalência entre as normas segue a recíproca.

Observação 4.7.1. Observamos que:
lim kT k kp = 0, ,1 ≤ p ≤ ∞, ⇔ lim tkij = 0, 1 ≤ i,j ≤ n.

k→∞ k→∞
Lema 4.7.2. Se ρ(T ) < 1, então existe (I − T )−1 e:

∞
X
(I − T )−1 = T k.
k=0
Demonstração. Primeiramente, provamos a existência de (I − T )−1 . Seja λ um

autovalor de T e x um autovetor associado, isto é, T x = λx. Então, (I − T )x =
(1 − λ)x. Além disso, temos |λ| < ρ(T ) < 1, logo (1 − λ) 6= 0, o que garante que
(I − T ) é não singular. Agora, mostramos que (I − T )−1 admite a expansão acima.
Do lema 4.7.1 e da observação 4.7.1 temos:
∞
X m
X
(I − T ) T k = lim (I − T ) T k = lim (I − T m+1 ) = I,
m→∞ m→∞
k=0 k=0
∞
X
−1
o que mostra que (I − T ) = T k.
k=0
Teorema 4.7.1. A sequência recursiva {x(k) }k∈N dada por:
x(k+1) = T x(k) + c
converge para solução de x = T x + c para qualquer escolha de x(1) se, e somente

se, ρ(T ) < 1.
Demonstração. Primeiramente, assumimos que ρ(T ) < 1. Observamos que:
x(k+1) = T x(k) + c = T (T x(k−1) + c) + c

= T 2 x(k−1) + (I + T )c
..
.
Pk−1 k
=T x +(k) (1)
k=0 T c.

Daí, do lema 4.7.1 e do lema 4.7.2 temos:
lim x(k) = (I − T )(−1) c.

k→∞
Ora, se x∗ é a solução de x = T x + c, então (I − T )x∗ = c, isto é, x∗ = (I − T )−1 c.

Logo, temos demonstrado que x(k) converge para a solução de x = T x + c, para
qualquer escolha de x(1) .
Agora, suponhamos que x(k) converge para x∗ solução de x = T x + c, para
qualquer escolha de x(1) . Seja, então, y um vetor arbitrário e x(1) = x∗ − y.
Observamos que:
x∗ − x(k+1) = (T x∗ + c) − (T x(k) + c)
= T (x∗ − x(k) )
..
.
= T (k) (x∗ − x(1) ) = T (k) y.
Logo, para qualquer 1 ≤ p ≤ ∞, temos, :
0 = lim x∗ − x(k+1) = lim T (k) y.

k→∞ k→∞
Como y é arbitrário, da observação 4.7.1 temos lim kT (k) kp = 0, 1 ≤ p ≤ ∞.

k→∞
Então, o lema 4.7.1 garante que ρ(T ) < 1.
Observação 4.7.2. Pode-se mostrar que tais métodos iterativos tem taxa de con-
vergência super linear com:
kx(k+1) − x∗ k ≈ ρ(T )k kx(1) − x∗ k.
Para mais detalhes, veja [8], pág. 61-64.

Exemplo 4.7.6. Mostre que, para qualquer escolha da aproximação inicial, ambos
os métodos de Jacobi e Gauss-Seidel são convergentes quando aplicados ao sistema
linear dado no exemplo 4.7.3.
Solução. Do teorema 4.7.1, vemos que é necessário e suficiente que ρ(TJ ) < 1 e
ρ(TG ) < 1. Computando estes raios espectrais, obtemos ρ(TJ ) ≈ 0,32 e ρ(TG ) ≈
0,13. Isto mostra que ambos os métodos serão convergentes. ♦
Condição suficiente
Uma condição suficiente porém não necessária para que os métodos de Gauss-
Seidel e Jacobi convirjam é a que a matriz seja estritamente diagonal domi-
nante.

Definição 4.7.1. Uma matriz A é estritamente diagonal dominante quando:

n
X
|aii | > |aij | , i = 1,...,n
j=1
j6=i
Definição 4.7.2. Uma matriz A é diagonal dominante quando

n
X
|aii | ≥ |aij | , i = 1,...,n
j=1
j6=i
e para ao menos um i, aii é estritamente maior que a soma dos elementos fora da
diagonal.
Teorema 4.7.2. Se a matriz A for diagonal dominante7 , então os métodos de

Jacobi e Gauss-Seidel serão convergentes independente da escolha inicial x(1) .
Se conhecermos a solução exata x do problema, podemos calcular o erro relativo

em cada iteração como:
kx − x(k) k
.
kxk
Em geral não temos x, entretanto podemos estimar o vetor resíduo r(k) =
b − Ax˜(k) . Note que quando o erro tende a zero, o resíduo também tende a zero.
Teorema 4.7.3. O erro relativo e o resíduo estão relacionados como (veja [3])
kx − x(k) k krk
≤ κ(A)
kxk kbk
onde k(A) é o número de condicionamento.
Exemplo 4.7.7. Ambos os métodos de Jacobi e Gauss-Seidel são convergentes

para o sistema dado no exemplo 4.7.3, pois a matriz dos coeficientes deste é uma
matriz estritamente diagonal dominante.
Exercícios
E 4.7.1. Considere o problema de 5 incógnitas e cinco equações dado por

7
E consequentemente estritamente diagonal dominante.

x1 − x2 = 1
−x1 + 2x2 − x3 = 1
−x2 + (2 + ε)x3 − x4 = 1
−x3 + 2x4 − x5 = 1
x4 − x5 = 1
a) Escreva na forma Ax = b e resolva usando eliminação gaussiana para ε =

10−3 no Python.
b) Obtenha o vetor incógnita x com ε = 10−3 usando Jacobi com tolerância

10−2 . Compare o resultado com o resultado obtido no item d.
c) Obtenha o vetor incógnita x com ε = 10−3 usando Gauss-Seidel com tole-

rância 10−2 . Compare o resultado com o resultado obtido no item d.
d) Discuta com base na relação esperada entre tolerância e exatidão conforme

estudado na primeira área para problemas de uma variável.
E 4.7.2. Resolva o seguinte sistema pelo método de Jacobi e Gauss-Seidel:


5x1 + x2 + x3 = 50






 −x1 + 3x2 − x3 = 10




 x1 + 2x2 + 10x3 = −30
Use como critério de paragem tolerância inferior a 10−3 e inicialize com x0 = y 0 =

z 0 = 0.
E 4.7.3. Refaça o Exercício ?? construindo um algoritmo que implemente os
métodos de Jacobi e Gauss-Seidel.
E 4.7.4. Considere o seguinte sistema de equações lineares:
x1 − x2 = 0
−xj−1 + 5xj − xj+1 = cos(j/10), 2 ≤ j ≤ 10
x11 = x10 /2 (4.28)
Construa a iteração para encontrar a solução deste problema pelos métodos de

Gauss-Seidel e Jacobi. Usando esses métodos, encontre uma solução aproximada
com erro absoluto inferior a 10−5 . Veja também exercício 4.5.2

E 4.7.5. Faça uma permutação de linhas no sistema abaixo e resolva pelos

métodos de Jacobi e Gauss-Seidel:
x1 + 10x2 + 3x3 = 27
4x1 + x3 = 6
2x1 + x2 + 4x3 = 12
4.8 Cálculo de autovalores e autovetores

Considere o problema de autovalores Av = λv, onde A é uma matriz diago-
nalizável, isto é, existe uma matriz diagonal D e uma matriz ortogonal U tal que
A = U DU −1 .
4.8.1 Método da Potência

O método da potência para cálculo do maior autovalor (em módulo) consiste
na iteração


 x(1) = aprox. inicial do autovetor,
T
λ(1) = x(1) Ax(1) ,



Ak x(1)

 x(k+1) = kAk x(1) k2
,
, n ≥ 1.
(k+1) T
λ(k+1) = x (k+1)

 Ax ,
Para entender melhor o comportamento assintótico da sequência {x(n) }n≥1 ,

primeiro consideramos o caso particular onde A é uma matriz diagonal, isto é,
 
λ1 0 0 ··· 0
 
0 0 0
 

λ2 ··· 
 
A= 0
 0 λ3 · · · 0
.
.. ..
 
.
 

 . 

 
0 0 0 · · · λn
Suponha que um dos autovalores seja estritamente maior que os demais, isto é,

4.8. CÁLCULO DE AUTOVALORES E AUTOVETORES 131
|λ1 | > |λ2 | ≥ |λ3 | ≥ · · · ≥ |λn |. Dado x(1) = (ξ1 , ξ2 , ξ3 , . . . , ξn ), então

     
 ξ1 
k
 λ1 ξ1   1 
     k 
   k   ξ2 λ2 
 ξ2   λ2 ξ2  ξ λ 
     1 1 
ξ3 λ3 k 
     
Ak x(1) = k 
A  ξ3  =  λk ξ 
 3 3 = λk1 ξ1 
 ξ1 λ1  ,
 ..   ..  ..
     
 
.  .   . 
     
     k 
ξn λn
ξn λkn ξn ξ1 λ1
k
desde que ξ1 6= 0. Como λλn1 ≤ λn−1
λ1
≤ · · · λλ31 ≤ λλ12 < 1, então λλ1j tende a 0 para
cada j, 2 ≤ j ≤ n. Devido a normalização a cada passo da sequência,
Ak x(1)
x(k+1) =
kAk x(1) k2
converge para ±e1 , e1 = (1, 0, 0, . . . , 0). Também, a sequência
T
λ(k) = x(k) Ax(k)
converge para λ1 , pois
lim λ(k) = (±e1 )T A(±e1 ) = λ1 eT1 e1 = λ1 .

k→∞
Considere, agora, o caso onde A é diagonalizável, ou seja, A = U DU −1 com

U uma matriz ortogonal contendo os autovetores em cada coluna e D uma matriz
diagonal contendo os autovalores:
 
λ1 0 0 ··· 0
 
0 0 0
 

λ2 ··· 
 
D= 0
 0 λ3 · · · 0
.
.. ..
 
.
 

 . 

 
0 0 0 · · · λn
Considere a mesma hipótese sobre os autovalores: |λ1 | > |λ2 | ≥ |λ3 | ≥ · · · ≥ |λn |.
Então
Ak = (U DU −1 )(U DU −1 )(U DU −1 ) · · · (U DU −1 ) = U Dk U −1
visto que U U −1 = I. Suponha que o chute inicial x(1) pode ser escrito da forma
x(1) = U U −1 x(1) = U [ξ1 ξ2 ξ3 · · · ξn ]T

com ξ1 6= 0. Então
     
 ξ1 
k
 λ1 ξ1   1
     k 
   k   ξ2 λ2 
 ξ2   λ2 ξ2  ξ λ 
     1 1 
     k 
Ak x(1) = (U Dk U −1 )U ξ 
 3 =U  λk ξ 
 3 3 = λk1 ξ1 U  ξ3 λ3  .
 ξ1 λ1 
 ..   ..  ..
     
 
.  .   . 
     
     k 
ξn λn
ξn λkn ξn ξ1 λ1
Como na discussão anterior, o último vetor converge para ±e1 e

Ak x(1)
x(k) =
kAk x(1) k2
converge para v1 = ±U e1 que é um múltiplo do autovetor associado a λ1 . Também,
a sequência
T
λ(k) = x(k) Ax(k)
converge para o autovalor dominante λ1 :
lim λ(k) = v1T Av1 = λ1 v1T v1 = λ1 .
k→∞
Observação 4.8.1. O método da potência tem duas restrições:

i) A aproximação inicial x(1) não pode ser ortogonal ao autovetor associado ao
autovalor dominante.
ii) Um autovalor deve ter o módulo estritamente maior que os demais. Essa
restrição impede o funcionamento do método no caso em que o autovalor
dominante é complexo, pois eles aparecem em pares conjugados, possuindo
o mesmo módulo.
Outra análise para a convergência do método

Aqui vamos apresentar uma análise alternativa para a convergência do método
da potência: se A ∈ Rn,n é diagonalizável, então existe um conjunto {vj }nj=1 de
autovetores de A tais que qualquer elemento x ∈ Rn pode ser escrito como uma
combinação linear dos vj . Sejam {λj }nj=1 o conjunto de autovalores associados
aos autovetores tal que um deles seja dominante, ou seja, |λ1 | > |λ2 | ≥ |λ3 | ≥
· · · |λn | > 0. Como os autovetores são linearmente indempendentes, todo vetor
x ∈ Rn , x = (x1 ,x2 ,...,xn ), pode ser escrito com combinação linear dos autovetores
da seguinte forma:
n
X
x= βj vj . (4.29)
j=1

Observamos que se x está na forma (4.29), então Ak x pode ser escrito como
 !k 
n n n
k
X
k
X X βj λj
A x= βj A vj = βj λkj vj = β1 λk1 v 1 + vj  .
j=1 j=1 j=2 β1 λ1

Como λλ1j < 1 para todo j ≥ 2, temos

n
!k
X βj λj
vj → 0.
j=2 β1 λ1
Assim,
  k 
Ak x β1 λk1  λ
2 
= v 1 + O  . (4.30)
kAk xk2 kAk xk λ1
Ak x
Como a norma de é igual a um, temos
kAk xk

β λk
1 1
→1

v
kAk xk 1
e, portanto,

β λk
1 1 1
→ .
kAk xk kv1 k
β1 λk1
Ou seja, se definimos α(k) = , então
kAk xk
|α(k) | → 1.
Retornando a (4.30), temos:
Ak x
− α(k) v1 → 0.
kAk xk
Observe que um múltiplo de autovetor também é um autovetor e, portanto,
Ak x(1)
x(k) = .
kAk x(1) k
é um esquema que oscila entre os autovetores ou converge para o autovetor v1 .

4.8.2 Método da iteração Inversa

Nesta seção, vamos estudar a seguência
(A − σI)−1 x0 (A − σI)−2 x0 (A − σI)−3 x0
x0 , , , , ···
k(A − σI)−1 x0 k2 k(A − σI)−2 x0 k2 k(A − σI)−3 x0 k2
para valores iniciais x0 e σ. Para o caso onde A é diagonalizável podemos escrever
A = U DU −1 com D diagonal,
 
 λ1 0 0 ··· 0 
 
0 0 0 
 


λ2 ··· 
 
D= 
 0 0 λ3 · · · 0 
.
.. ...
 
 

 . 

 
0 0 0 · · · λn
Assim, A − σI = U (D − σI)U −1 e, portanto, (A − σI)−1 = U (D − σI)−1 U −1 .

Observamos que as matrizes A e (A − σI)−1 possuem os mesmos autovetores
associados aos autovalores λj e (λj − σ)−1 , respectivamente. Agora, supomos que
σ satisfaça |λk − σ| < |λj − σ| para algum k e para todo j 6= k. Também, Supomos
que o chute inicial x0 possa ser escrito da forma
x0 = U U −1 x0 = U [ξ1 ξ2 ξ3 · · · ξn ]T
com ξk 6= 0. Então
 
 ξ1 
 
 


ξ2 

 
(A − σI)−k x0 = (U (D − σI)−k U −1 )U 
 ξ3 

..
 
 

 . 

 
ξn
 k 
  ξ1 λi −σ
ξi λ1 −σ
 (λ1 − σ)−k ξ1  



  
 ··· 

(λ2 − σ)−k ξ2 
   
  



  1 
= U (λ3 − σ)−k ξ3 = (λi − σ)−k ξ1 U  



  .. .
.
 
..
   
 

 . 





  
 ··· 

(λn − σ)−k ξn 
ξn λi −σ
k 
ξi λn −σ


Como λλji −σ
−σ
< 1, o último vetor converge para ±ei e

(A − σI)−k x0
xk =
k(A − σI)−k x0 k2
converge para U ei = vi que é um múltiplo do autovetor associado a λi . Também,

a sequência
λk = xTk Axk
converge para λi :
lim λk = viT Avi = λi viT vi = λi .
k→∞
A método da iteração inversa tem restrições semelhantes àquelas do método

da potência:
i) O chute x0 não pode ser ortogonal ao autovetor associado ao autovalor λi .
ii) O chute σ deve estar mais próximo de λi do que dos λj , j 6= i.
A vantagem é que conseguimos calcular qualquer autovalor, não apenas o autovalor

dominante.
Exercícios
E 4.8.1. Calcule o autovalor dominante e o autovetor associado da matriz

 
 4 41 78 
 
48 28 21 
 

 
 
26 13 11
Expresse sua resposta com seis dígitos significativos
E 4.8.2. Calcule o autovalor dominante e o autovetor associado da matriz

 
 3 4 
 
2 −1
usando o método da potência inciando com o vetor x = [1 1]T

E 4.8.3. A norma L2 de um matriz A é dada pela raiz quadrada do autovalor

dominante da matriz A∗ A, isto é:
q
kAk2 = max{|λ| : λ ∈ σ(A∗ A)} :
Use o método da potência para obter a norma L2 da seguinte matriz:
 
 69 84 88 
 
A= 15 −40 11 
 

 
 
70 41 20
Expresse sua resposta com seis dígitos significativos
E 4.8.4. Os autovalores de uma matriz triangular são os elementos da diagonal

principal. Verifique o método da potência aplicada à seguinte matriz:
 
 2 3 1 
 
0 3 −1 
 
 .
 
 
0 0 1
E 4.9.1. O circuito linear da figura 4.9.1 pode ser modelado pelo sistema dado
a seguir. Escreva esse sistema na forma matricial sendo as tensões V1 , V2 , V3 , V4 e
V5 as cinco incógnitas. Resolva esse problema quando V = 127 e
a) R1 = R2 = R3 = R4 = 2 e R5 = R6 = R7 = 100 e R8 = 50
b) R1 = R2 = R3 = R4 = 2 e R5 = 50 e R6 = R7 = R8 = 100
V1 = V
V1 − V2 V3 − V2 V2
+ − = 0
R1 R2 R5
V2 − V3 V4 − V3 V3
+ − = 0
R2 R3 R6
V3 − V4 V5 − V4 V4
+ − = 0
R3 R4 R7
V4 − V5 V5
− = 0
R4 R8

V1 V2 V3 V4 V5
R1 R2 R3 R4
V R5 R6 R7 R8
Complete a tabela abaixo representado a solução com 4 algarismos significati-

vos:
Caso V1 V2 V3 V4 V5
a
b
Então, refaça este problema reduzindo o sistema para apenas 4 incógnitas (V2 ,
V3 , V4 e V5 ).
E 4.9.2. Resolva o problema 4.9.1 pelos métodos de Jacobi e Gauss-Seidel.
E 4.9.3. (Interpolação) Resolva os seguintes problemas:
a) Encontre o polinômio P (x) = ax2 + bx + c que passa pelos pontos (−1, − 3),
(1, − 1) e (2,9).
b) Encontre os coeficientes A e B da função f (x) = A sen (x) + B cos(x) tais

que f (1) = 1.4 e f (2) = 2.8.
c) Encontre a função g(x) = A1 sen (x) + B1 cos(x) + A2 sen (2x) + B2 cos(2x)

tais que f (1) = 1, f (2) = 2, f (3) = 3 e f (4) = 4.

Capítulo 5
Solução de sistemas de equações

não lineares
Neste capítulo, estudaremos o método de Newton aplicado à resolução de sis-

temas não-lineares de equações.
O método de Newton aplicado a encontrar a raiz x∗ da função y = f (x) estu-
dado na seção 3.4 consiste em um processo iterativo. Em cada passo deste processo,
dispomos de uma aproximação x(k) para x∗ e construímos uma aproximação x(k+1) .
Cada passo do método de Newton envolve os seguintes procedimentos:
• Linearização da função f (x) no ponto x(k) :

f (x) = f (x(k) ) + (x − x(k) )f ′ (x(k) ) + O |x − x(k) |2
• A aproximação x(k+1) é definida como o valor de x em que a linearização

f (x(k) ) + (x − x(k) )f ′ (x(k) ) passa por zero.
Queremos, agora, generalizar o método de Newton a fim de resolver proble-

mas de várias equações e várias incógnitas, ou seja, encontrar x1 ,x2 , . . . xn que
satisfazem as seguinte equações:
f1 (x1 ,x2 , . . . ,xn ) = 0

f2 (x1 ,x2 , . . . ,xn ) = 0
..
.
fn (x1 ,x2 , . . . ,xn ) = 0
Podemos escrever este problema na forma vetorial definindo o vetor x = [x1 ,x2 , . . . ,xn ]T
138
139
e a função vetorial  
 f1 (x1 ,x2 , . . . ,xn ) 
 
 f2 (x1 ,x2 , . . . ,xn ) 
 
F (x) = 

..



 . 

 
fn (x1 ,x2 , . . . ,xn )
Exemplo 5.0.1. Suponha que queiramos resolver numericamente os seguinte sis-

tema de duas equações e duas incógnitas:
x21
+ x22 = 1
3
x2
x21 + 2 = 1
4
Então definimos
 
x21
 3
+ x22 − 1 
 
F (x) =
 
 
 
 x22

x21 + 4
−1
Neste momento, dispomos de um problema na forma F (x) = 0 e precisamos

desenvolver uma técnica para linearizar a função F (x). Para tal, precisamos de
alguns conceitos do cálculo de várias variáveis.
Observe que F (x) − F (x(0) ) pode ser escrito como
 
(0) (0)
 f1 (x1 ,x2 , . . . ,xn ) − f1 (x1 ,x2 , . . . ,xn )
(0)

 
(0) (0)
 f2 (x1 ,x2 , . . . ,xn ) − f2 (x1 ,x2 , . . . ,x(0)
n )
 
(0)

F (x) − F (x ) = 

.

 .. 

 
 
(0) (0)
fn (x1 ,x2 , . . . ,xn ) − fn (x1 ,x2 , . . . ,x(0)
n )
Usamos a regra da cadeia

n
∂fi ∂fi ∂fi X ∂fi
dfi = dx1 + dx2 + · · · + dxn = dxj
∂x1 ∂x2 ∂xn j=1 ∂xj
e aproximamos as diferenças por derivadas parciais:

n
(0) (0) X ∂fi (0)

fi (x1 ,x2 , . . . ,xn ) − fi (x1 ,x2 , . . . ,x(0)
n ) ≈ xj − xj
j=1 ∂xj

Portanto,
 
∂f1 ∂f1 ∂f1
 ∂x1 ∂x2
··· ∂xn 

(0)




 x1 − x1 
  
  
  
∂f2 ∂f2 ∂f2

 ∂x1 ∂x2
··· ∂xn



(0) 



 x2 − x2  
  
F (x) − F (x(0) ) ≈ 
 .. .. ... ..



, (5.1)
. . .
  
  .. 



 . 

  
  
  
 ∂fn ∂fn ∂fn  

∂x1 ∂x2
··· ∂xn
 
xn − x(0)
 
  n
Definimos, então, a matriz jacobiana por

 
∂f1 ∂f1 ∂f1
 ∂x1 ∂x2
··· ∂xn 
 
 
 
 
 
∂f2 ∂f2 ∂f2

 ∂x1 ∂x2
··· ∂xn


 
 
∂(f1 ,f2 , . . . ,fn )  
JF = =  
.. .. .. .
∂(x1 ,x2 , . . . ,xn )

...
. . .
 
 
 
 
 
 
 
 ∂fn ∂fn ∂fn 

 ∂x1 ∂x2
··· ∂xn


 
Isto é, a matriz jacobiana de uma função ou simplesmente, o jacobiano de uma

função F (x) é a matriz formada pelas suas derivadas parciais:
∂fi
(JF )ij = .
∂xj
Nestes termos, podemos reescrever (5.1) como
F (x) ≈ F (x(0) ) + JF (x(0) )(x − x(0) )
Esta expressão é chamada de linearização de F (x) no ponto x(0) e generaliza a
linearização em uma dimensão dada por f (x) ≈ f (x(0) ) + f ′ (x(0) )(x − x(0) ).
Ao longo deste capítulo, estaremos assumindo que as seguintes bibliotecas e
módulos Python estão importadas:
import numpy as np

5.1. MÉTODO DE NEWTON PARA SISTEMAS 141
5.1 Método de Newton para sistemas

Nesta seção, construiremos o método de Newton ou Newton-Raphson genera-
lizado para sistemas. Assumimos, portanto, que a função F (x) é diferenciável e
que existe um ponto x∗ tal que F (x∗ ) = 0. Seja x(k) uma aproximação para x∗ ,
queremos construir uma nova aproximação x(k+1) através da linearização de F (x)
no ponto x(k) .
• Linearização da função F (x) no ponto x(k) :

F (x) = F (x(k) ) + JF x(k) x − x(k) + O kx − x(k) k2
• A aproximação
x(k) é definida como o ponto x em que a linearização F (x(k) )+
JF x(k) x − x(k) é nula, ou seja:

F (x(k) ) + JF x(k) x(k+1) − x(k) = 0
Supondo que a matriz jacobina seja inversível no ponto x(k) , temos:

JF x(k) x(k+1) − x(k) = −F (x(k) )

x(k+1) − x(k) = −JF−1 x(k) F (x(k) )

x(k+1) = x(k) − JF−1 x(k) F (x(k) )
Desta forma, o método iterativo de Newton-Raphson para encontrar as raízes

de F (x) = 0 é dado por:


 x(k+1) = x(k) − JF−1 x(k) F (x(k) ), n ≥ 0
x(0) = dado inicial


Observação 5.1.1. Usamos subíndices para indicar o elemento de um vetor e

superíndices para indicar o passo da iteração. Assim, x(k) se refere à iteração k e
(k)
xi se refere à componente i no vetor x(k) .

Observação 5.1.2. A notação JF−1 x(k) enfatiza que a jacobiana deve ser calcu-
lada a cada passo.
Observação 5.1.3. Podemos definir o passo ∆(k) como
∆(k) = x(k+1) − x(k)


Assim, ∆(k) = −JF−1 x(k) F (x(k) ), ou seja, ∆(k) resolve o problema linear:

JF x(k) ∆(k) = −F (x(k) )
Em geral, é menos custoso resolver o sistema acima do que calcular o inverso da

jacobiana e multiplicar pelo vetor F (x(k) ).
Exemplo 5.1.1. Retornamos ao nosso exemplo inicial, isto é, resolver numerica-
mente os seguinte sistema não-linear:
x21
+ x22 = 1
3
x2
x21 + 2 = 1
4
Para tal, definimos a função F (x):
 
x21
+ x22 − 1 
3

F (x) = 
 
2 x22 
x1 + −1
4
cuja jacobiana é:
2x1
 
2x 2 
 3
JF =  
2x1 x22
Faremos a implementação numérica em Python. Para tal definimos as funções
que implementarão F (x) e a JF (x)
>>> def F(x):
... y = np.zeros(2)
... y[0] = x[0]**2/3 + x[1]**2 - 1
... y[1] = x[0]**2 + x[1]**2/4 - 1
... return y
...
>>> def JF(x):
... y = np.zeros((2,2))
... y[0,0] = 2*x[0]/3
... y[0,1] = 2*x[1]
... y[1,0] = 2*x[0]
... y[1,1] = x[1]/2
... return y
...

Desta forma, se x é uma aproximação para a raiz, pode-se calcular a próxima

aproximação através dos comandos:
>>> delta = -np.linalg.inv(JF(x)).dot(F(x))

>>> x = x + delta
Ou simplesmente
>>> x = x - np.linalg.inv(JF(x)).dot(F(x))
q q
Observe que as soluções exatas desse sistema são ± 9
11
, ± 8
11
.
Exemplo 5.1.2. Encontre uma aproximação para a solução do sistema
x21 = cos(x1 x2 ) + 1
sen (x2 ) = 2 cos(x1 )
que fica próxima ao ponto x1 = 1,5 e x2 = 0,5.
Solução. Vamos, aqui, dar as principais ideias para se obter a solução usando o
método de Newton. Começamos definindo nossa aproximação inicial por x(1) =
(1,5, 0,5). Então iteramos:
x(n+1) = x(n) − JF−1 (x)F (x), n ≥ 1.
onde  
2
 x1 − cos(x1 x2 ) − 1 
F (x) =  
sen (x2 ) − 2 cos(x1 )
e sua jacobiana é
 
2x1 + x2 sen (x1 x2 ) x1 sen (x1 x2 ) 
JF (x) = 
 
2 sen (x1 ) cos(x2 )
As iterações convergem para x = (1,3468109, 0,4603195).

Em Python, podemos implementá-las com o seguinte código:
def F(x):
y = np.zeros(2)
y[0] = x[0]**2 - np.cos(x[0]*x[1]) - 1

y[1] = np.sin(x[1]) - 2*np.cos(x[0])

return y
def JF(x):
y = np.zeros((2,2))
y[0,0] = 2*x[0] + x[1]*np.sin(x[0]*x[1])

y[0,1] = x[0]*np.sin(x[0]*x[1])
y[1,0] = 2*np.sin(x[0])
y[1,1] = np.cos(x[1])
return y
E agora, basta iterar:
>>> x = np.array([1.5,0.5])
>>> x=x-np.linalg.inv(JF(x)).dot(F(x))
5.1.1 Código Python: Newton para Sistemas

import numpy as np
def newton(F,JF,x0,TOL,N):
#preliminares
x = np.copy(x0).astype('double')
k=0
#iteracoes
while (k < N):
k += 1
#iteracao Newton
delta = -np.linalg.inv(JF(x)).dot(F(x))
x = x + delta
#criterio de parada
if (np.linalg.norm(delta,np.inf) < TOL):
return x
raise NameError('num. max. iter. excedido.')

Exercícios
E 5.1.1. Faça o que se pede:
a) Encontre o gradiente da função
f (x,y) = x2 y + cos(xy) − 4
b) Encontre a matriz jacobiana associada à função

 
 x cos(x) + y 
F (x,y) =  .
−2x+y
e
c) Encontre a matriz jacobiana associada à função

 
 a11 x1 + a12 x2 + a13 x3 − y1 
 
L(x) = a21 x1 + a22 x2 + a23 x3 − y2 
 


.

 
a31 x1 + a32 x2 + a33 x3 − y3
E 5.1.2. Encontre uma aproximação numérica para o seguinte problema não-

linear de três equações e três incógnitas:
2x1 − x2 = cos(x1 )
−x1 + 2x2 − x3 = cos(x2 )
−x2 + x3 = cos(x3 )
Partindo das seguintes aproximações iniciais:
a) x(0) = [1, 1, 1]T
b) x(0) = [−0,5, − 2, − 3]T
c) x(0) = [−2, − 3, − 4]T
d) x(0) = [0, 0, 0]T
E 5.1.3. Encontre os pontos de intersecção entre a parábola y = x2 + 1 e a

elipse x2 + y 2 /4 = 1 seguindo os seguintes passos:

a) Faça um esboço das duas curvas e entenda o problema. Verifique que existem
dois pontos de intersecção, um no primeiro quadrante e outro no segundo
quadrante do plano xy.
b) A partir de seu esboço, encontre aproximações para x e y em cada ponto.
   
x  0 
c) Escreva o problema na forma F  =
 
 
y 0
d) Encontre a jacobiana JF .
e) Construa a iteração do método de Newton.
f) Implemente no computador.
g) Resolva o sistema analiticamente e compare as respostas.
E 5.1.4. Encontre os pontos de intersecção entre a parábola y = x2 e a curva

y = cos(x) seguindo os seguintes passos:
a ) Faça um esboço das duas curvas, entenda o problema. Verifique que existem
dois pontos de intersecção, um no primeiro quadrante e outro no segundo
quadrando do plano xy.
b ) A partir de seu esboço, encontre aproximações para x e y em cada ponto.
   
 x   0 
c ) Escreva o problema na forma F 
  =  
y 0
d ) Encontre a jacobiana JF .
e ) Construa a iteração do método de Newton.
f ) Implemente no Python.
g ) Transforme o sistema em um problema de uma única variável e compare
com a resposta do problema 3.4.1.
E 5.1.5. Encontre uma aproximação com erro inferior a 10−5 em cada incóg-
nita para a solução próxima da origem do sistema
6x − 2y + ez = 2
sen (x) − y + z = 0
sen (x) + 2y + 3z = 1

Figura 5.1: Reta bitangente a uma curva.
E 5.1.6. (Entenda casos particulares)

• Considere a função L(x) = Ax − b, onde A é uma matriz n × n inversível e
b um vetor coluna em Rn . O que acontece quando aplicamos o método de
Newton para encontrar as raízes de L(x)?
• Mostre que o método de Newton-Raphson aplicado a uma função diferenciá-
vel do tipo f : R → R se reduz ao método de Newton estudado na primeira
área.
E 5.1.7. Considere a função f (x) = sen (x)

x+1
, encontre a equação da reta que
tangencia dois pontos da curva y = f (x) próximos ao primeiro e segundo ponto
de máximo no primeiro quadrante, respectivamente. Veja a figura 5.1.
E 5.1.8. (Estática) Considere o sistema mecânico constituído de dois seg-

mentos de mesmo comprimento L presos entre si e a uma parede por articulações
conforme a figura 5.2.
O momento em cada articulação é proporcional à deflexão com constante de
proporcionalidade k. Os segmentos são feitos de material homogêneo de peso P . A
condição de equilíbrio pode ser expressa em termos dos ângulos θ1 e θ2 conforme:
3P L
kθ1 = cos θ1 + k (θ2 − θ1 )
2
PL
k (θ2 − θ1 ) = cos θ2
2
Considere P = 100N , L = 1m e calcule os ângulos θ1 e θ2 quando:

Figura 5.2: Sistema mecânico com dois segmentos.
a) k = 1000 Nm/rad
b) k = 500 Nm/rad
c) k = 100 Nm/rad
d) k = 10 Nm/rad
Obs:Você deve escolher valores para iniciar o método. Como você interpretaria
fisicamente a solução para produzir palpites iniciais satisfatórios? O que se altera
entre o caso a e o caso d?
E 5.1.9. (estática - problemas de três variáveis) Considere, agora, o sistema
mecânico semelhante ao do problema 5.1.8, porém constituído de três segmentos
de mesmo comprimento L presos entre si e a uma parede por articulações.
O momento em cada articulação é proporcional à deflexão com constante de
proporcionalidade k. Os segmentos são feitos de material homogêneo de peso P .
A condição de equilíbrio pode ser expressa em termos dos ângulos θ1 , θ2 e θ3
conforme:
5P L
kθ1 = cos θ1 + k (θ2 − θ1 )
2
3P L
k (θ2 − θ1 ) = cos θ2 + k (θ3 − θ2 )
2
PL
k (θ3 − θ2 ) = cos θ3
2
Considere P = 10N, L = 1m e calcule os ângulos θ1 , θ2 e θ3 quando:
a) k = 1000Nm/rad

Figura 5.3: intersecção entre duas curvas.
b) k = 100Nm/rad
c) k = 10Nm/rad
E 5.1.10. Considere o problema de encontrar os pontos de intersecção das

curvas descritas por (ver figura 5.3):
x2 (y − 1)2
+ = 1
8 5
tan−1 (x) + x = y + y 3
Com base no gráfico, encontre soluções aproximadas para o problema e use-as para
iniciar o método de Newton-Raphson. Encontre as raízes com erro inferior a 10−5 .
E 5.1.11. Considere o sistema de equações dado por

(x − 3)2 (y − 1)2
+ = 1
16 36
tanh(x) + x = 2 sen y − 0.01y 3
Usando procedimentos analíticos, determine uma região limitada do plano onde se
encontram necessariamente todas as raízes do problema. Encontre as raízes desse
sistema com pelo menos quatro dígitos significativos corretos usando o método de
Newton. Você deve contruir o método de Newton indicando as funções envolvidas
e calculando a matriz jacobiana analiticamente. Use que dud
tanh u = 1 − tanh2 u,
se precisar.
E 5.1.12. (Otimização) Uma indústria consome energia elétrica de três usinas

fornecedoras. O custo de fornecimento em reais por hora como função da potência
consumida em kW é dada pelas seguintes funções
C1 (x) = 10 + .3x + 10−4 x2 + 3.4 · 10−9 x4
C2 (x) = 50 + .25x + 2 · 10−4 x2 + 4.3 · 10−7 x3
C3 (x) = 500 + .19x + 5 · 10−4 x2 + 1.1 · 10−7 x4

Calcule a distribuição de consumo que produz custo mínimo quando a potência

total consumida é 1500kW . Dica: Denote por x1 , x2 e x3 as potências consumidas
das usinas 1, 2 e 3, respectivamente. O custo total será dado por C(x1 ,x2 ,x3 ) =
C1 (x1 ) + C2 (x2 ) + C3 (x3 ) enquanto o consumo total é x1 + x2 + x3 = 1500. Isto é,
queremos minimizar a função custo total dada por:
C(x1 ,x2 ,x3 ) = C1 (x1 ) + C2 (x2 ) + C3 (x3 )
restrita à condição
G(x1 ,x2 ,x3 ) = x1 + x2 + x3 − 1500 = 0.
Pelos multiplicadores de Lagrange, temos que resolver o sistema dado por:
∇C(x1 ,x2 ,x3 ) = λ∇G(x1 ,x2 ,x3 )

G(x1 ,x2 ,x3 ) = 0
E 5.1.13. Encontre a função do tipo f (x) = Abx que melhor aproxima os

pontos (0, 3,1), (1, 4,4) e (2, 6,7) pelo critério dos mínimos quadrados. Dica: Você
deve encontrar os valores de A e b que minimizam o resíduo dado por
R = [3,1 − f (0)]2 + [4,4 − f (1)]2 + [6,7 − f (2)]2 .
Dica: Para construir aproximações para resposta e iniciar o método, considere a

função f (x) = Abx que passa pelo primeiro e terceiro ponto.
E 5.1.14. Encontre o valor máximo da função
f (x,y) = −x4 − y 6 + 3xy 3 − x
na região (x,y) ∈ [−2,0] × [−2,0] seguindo os seguintes passos:
a) Defina a função z = f (x,y) = −x4 − y 6 + 3xy 3 − x e trace o gráfico de

contorno na região.
b) Com base no gráfico, encontre valores aproximados para as coordenadas xy

do ponto de máximo.
c) Sabendo que o ponto de máximo acontece quando o gradiente é nulo, escreva

o problema como um sistema de duas equações não lineares e duas incógnitas.
d) Implemente o método de Newton.

E 5.1.15. A função f (x,y,z) = sen (x) + sen (2y) + sen (3z) possui um máximo
quando x = π/2, y = π/4 e z = π/6. Calcule numericamente este ponto.
E 5.1.16. Encontre as raizes do problema

3x − cos(yz + z) − 1/2 = 0
4x2 − 25y 2 + 0.4y + 2 = 0
e−xy + 2x − 5z = 10
no cubo |x| < 2, |y| < 2, |z| < 2. Dica: Reduza a um problema de duas incógnitas
e use recursos gráficos para aproximar as raízes na região.
E 5.1.17. Considere o seguinte sistema de equações não-lineares:

x1 − x2 = 0
−xj−1 + 5(xj + x3j )− xj+1 = 10 exp(−j/3), 2 ≤ j ≤ 10
x11 = 1 (5.2)
 
 x1 
 

 x2 
a) Escreva este sistema na forma F (x) = 0 onde x = 

 e calcule analitica-
.. 

 .  
 
x11
∂(F1 ,...,F11 )
mente a matriz jacobiana ∂(x1 ,...x11 )
. Dica: Use a regularidade nas expressões
para abreviar a notação.
b) Construa a iteração para encontrar a única solução deste problema pelo
método de Newton e, usando esse método, encontre uma solução aproximada
com erro absoluto inferior a 10−4 .
E 5.1.18. Considere a função

2 2
e−(x−1) −(y−2)
f (x,y) =
1 + x2 + y 2
a) Encontre o valor máximo desta função.
b) Usando multiplicadores de Lagrange, encontre o valor máximo desta função
restrito à condição
(x − 1)2 + (y − 2)2 = 1.
c) Parametrize a circunferência para transformar o problema de máximo com
restrição em um problema de uma única variável. Resolva usando as técnicas
de equações lineares de uma variável.

5.2 Linearização de uma função de várias variá-

veis
Nesta seção, discutimos de forma distinta e mais rigorosa os conceitos de matriz
jacobiana e linearização de uma função de várias variáveis.
5.2.1 Gradiente
Considere primeiramente uma função f : Rn → R, ou seja, uma função que
mapeia n variáveis reais em um único real, por exemplo:
f (x) = x21 + x22 /4
Para construirmos a linearização, fixemos uma direção no espaço Rn , ou seja,

um vetor v:
v = [v1 , v2 , · · · , vn ]T
Queremos estudar como a função f (x) varia quando “andamos” na direção v
a partir do ponto x(0) . Para tal, inserimos um parâmetro real pequeno h, dizemos
que
x = x(0) + hv
e definimos a função auxiliar
g(h) = f (x0 + hv).
Observamos que a função g(h) é uma função de R em R.

A linearização de g(h) em torno de h = 0 é dada por
g(h) = g(0) + hg ′ (0) + O(h2 )

Observamos que g(h) = f (x(0) + hv) e g(0) = f (x(0) ). Precisamos calcular g ′ (0):
d d
g ′ (h) = g(h) = f (x(0) + hv).
dh dh
Pela regra da cadeia temos:
n
d X ∂f dxj
f (x(0) + hv) = .
dh j=1 ∂xj dh
(0)
Observamos que xj = xj + hvj , portanto
dxj
= vj
dh
5.2. LINEARIZAÇÃO DE UMA FUNÇÃO DE VÁRIAS VARIÁVEIS 153
Assim:
n
d (0)
X ∂f
f (x + hv) = vj .
dh j=1 ∂xj
Observamos que esta expressão pode ser vista como o produto interno entre o
gradiente de f e o vetor v:
   
∂f
 ∂x1   v1 
   
 ∂f 
 v2 
 
 ∂x2 
∇f =  . 
  v=  . 
 
 ..   .. 
   
   
∂f
∂xn
vn
Na notação cálculo vetorial escrevemos este produto interno como ∇f ·v = v·∇f

na notação de produto matricial, escrevemos (∇f )T v = v T ∇f . Esta quantidade é
conhecida como derivada direcional de f no ponto x(0) na direção v, sobretudo
quando kvk = 1.
Podemos escrever a linearização g(h) = g(0) + hg ′ (0) + O(h2 ) como
f (x(0) + hv) = f (x(0) ) + h∇Tf (x(0) ) v + O(h2 )
Finalmente, escrevemos x = x(0) + hv, ou seja, hv = x − x(0)
f (x) = f (x(0) ) + ∇Tf (x(0) ) (x − x(0) ) + O(kx − x(0) k2 )
Observação 5.2.1. Observe a semelhança com a linearização no caso em uma
dimensão. A notação ∇Tf (x(0) ) é o transposto do vetor gradiente associado à
função f (x) no ponto x(0) :
 
∂f x(0) ∂f x(0) ∂f x(0)
∇T f (x(0) ) =  , , ··· , 
∂x1 ∂x2 ∂xn
5.2.2 Matriz jacobiana

Interessamo-nos, agora, pela linearização da função F : Rn → Rn . Lembramos
que F (x) pode ser escrita como um vetor de funções fj : R⋉ → R:
 
 f1 (x) 
 
 f2 (x) 
 
F (x) =  . 
 
 .. 
 
 
fn (x)

Linearizando cada uma das funções fj , temos:
 
 f1 x (0)
+ ∇ f1 (x ) x − x
T (0) (0)
+ O(kx − x k ) 
(0) 2
 
 
 
 
 

 f2 x(0) + ∇Tf2 (x(0) ) x − x(0) + O(kx − x(0) k2 ) 

 
F (x) = 



 
 .. 

 . 

 
 
 
 
 
fn x(0) + ∇Tfn (x(0) ) x − x(0) + O(kx − x(0) k2 )
| {z }
Vetor coluna
ou, equivalentemente:
   
 ∇ f1 (x ) 
(0) T (0)
 f1 x 
   
   
   
   
   

 f2 x (0)  
  ∇Tf2 (x(0) ) 

   
F (x) = +  x − x(0) +O(kx − x(0) k2 )
   

   |
 ..   ..  {z }

 .  
  .  Vetor coluna

   
   
   
   
   
fn x(0) ∇Tfn (x(0) )
| {z } | {z }
Vetor coluna Matriz jacobiana
Podemos escrever a linearização de F (x) na seguinte forma mais enxuta:

2
F (x) = F x(0) + JF (x(0) ) x − x(0) + O x − x(0)
A matriz jacobiana JF é matriz cujas linhas são os gradientes transpostos de

5.2. LINEARIZAÇÃO DE UMA FUNÇÃO DE VÁRIAS VARIÁVEIS 155
fj , ou seja:  
∂f1 ∂f1 ∂f1
 ∂x1 ∂x2
··· ∂xn 
 
 
 
 
 
∂f2 ∂f2 ∂f2

 ∂x1 ∂x2
··· ∂xn


 
 
∂(f1 ,f2 , . . . ,fn )  
JF = =  
∂(x1 ,x2 , . . . ,xn )
 .. .. .. .. 

 . . . .


 
 
 
 
 
 ∂fn ∂fn ∂fn 

 ∂x1 ∂x2
··· ∂xn


 
A matriz jacobiana de uma função ou simplesmente, o jacobiano de uma função

F (x) é a matriz formada pelas suas derivadas parciais:
∂fi
(JF )ij =
∂xj
Exemplo 5.2.1. Calcule a matriz jacobiana da função

 
x21
 3
+ x22 −1 
 
F (x) = 



 
 x22

x21 + 4
−1
   
∂f1 ∂f1
 ∂x1 ∂x2  
2x1
3
2x2 
   
JF = =
   
   
   
   
∂f2 ∂f2
∂x1 ∂x2
2x1 x2
2

Capítulo 6
Interpolação
Neste capítulo, discutimos sobre problemas de interpolação. Mais precisa-

mente, dada uma sequência de n reais x1 < x2 < . . . < xn , um conjunto de pontos
{(xi , yi ) ∈ I × R}ni=1 , onde I = [x1 ,xn ] e uma família de funções FI = {ϕ : I → R},
o problema de interpolação consiste em encontrar alguma função f ∈ FI tal que
f (xi ) = yi , i = 1, 2, . . . , n.
Chamamos uma tal f de função interpoladora dos pontos dados. Ou ainda,

dizemos que f interpola os pontos dados.
Exemplo 6.0.1. Um dos problemas de interpolação mais simples é o de entrar

a equação da reta que passa por dois pontos dados. Por exemplo, sejam dados o
conjunto de pontos {(1, 1), (2, 2)} e a família de funções F[1,2] :
F[1,2] = {f : [1,2] → R ; [1,2] ∋ x 7→ f (x) = a + bx; a,b ∈ R} .
Para que uma f na família seja a função interpoladora do conjunto de pontos

dados, precisamos que
a + bx1 = y1 a+b=1
isto é
a + bx2 = y2 a + 2b = 2
o que nos fornece a = 0 e b = 1. Então, a função interpoladora f é tal que f (x) = x

para um x ∈ [1,2]. Os pontos e a reta interpolada estão esboçados na figura 6.1.
Um problema de interpolação cuja a família de funções constitui-se de polinô-

mios é chamado de problema de interpolação polinomial.
156
6.1. INTERPOLAÇÃO POLINOMIAL 157
Figura 6.1: Exemplo de interpolação de dois pontos por uma reta, veja o exem-
plo 6.0.1.
6.1 Interpolação polinomial

Interpolação polinomial é um caso particular do problema geral de interpolação,
no qual a família de funções é constituída de polinômios. A escolha de polinômios
como funções interpolantes é natural por diversos motivos, entre eles: se p é um
polinômio de grau n, o valor p(x) para um x real é calculado através de n + 1
operações de multiplicação e n + 1 operações de adição. Para tanto, pode-se usar
o algoritmo de Horner1 . Dado um polinômio p de grau n da forma
n
X
p(x) = ak xk ,
k=0
é possível reescrevê-lo como a sequência de operações dada por

a0 + x (a1 + x (a2 + x (. . . + x (an−1 + xan ) . . .))) .
Também, derivadas e primitivas de polinômios são também polinômios cuja
relação algébrica com o original é simples. Além disso, o teorema da aproximação
de Weierstrass estabelece que qualquer função contínua definida em um intervalo
fechado pode ser aproximada uniformemente por um polinômio tão bem quanto
se queira.
Teorema 6.1.1 (Weierstrass). Seja f uma função contínua definida no intervalo
fechado [a,b] e seja δ um número positivo. Então existe um polinômio p, tal que
para todo x ∈ [a,b],
|f (x) − p(x)| < δ.
1
William George Horner, 1786 - 1837, matemático britânico.

Observe que para o problema ser bem determinado, é necessário restringirmos

o grau dos polinômios. Dado um conjunto de n pontos a serem interpolados
{(xi ,yi )}ni=1 , xi 6= xj para i 6= j, a família de polinômios F = Pn−1 deve ser
escolhida, onde:
( n−1
)
X
k
Pn−1 := p : x 7→ p(x) = ak x ; {a0 ,a1 , . . . ,an−1 } ∈ R ,
k=0
isto é, a família dos polinômios reais de grau menor ou igual a n − 1.

O exemplo 6.0.1 discute um dos casos mais simples de interpolação polinomial,
o qual consiste em interpolar uma reta por dois pontos. Neste caso, a família de
funções consiste de polinômios de grau 1. Se buscarmos interpolar uma parábola
pelos dois pontos dados, o problema fica subdeterminado, pois existem infinitas
parábolas que passam por dois pontos dados. Além disso, se buscarmos interpolar
uma reta por três pontos dados, o problema estaria sobredeterminado e poderia
não ter solução se os pontos não fossem colineares. Veja o exercício 6.1.3.
Assim, dado um conjunto com n pontos {(xi ,yi )}ni=1 , chamamos de polinômio
interpolador o polinômio de grau menor ou igual a n − 1 que os interpola.
Figura 6.2: Polinômio interpolador do conjunto de pontos {(0, 1), (1, 6), (2, 5),
(3, −8)}. Veja o exemplo 6.1.1.
Exemplo 6.1.1. Encontre o polinômio interpolador do conjunto de pontos {(0, 1),

(1, 6), (2, 5), (3, −8)}.
Solução. Como o conjunto consiste de 4 pontos, o polinômio interpolador deve
ser da forma:
p(x) = a0 + a1 x + a2 x2 + a3 x3 .

6.1. INTERPOLAÇÃO POLINOMIAL 159
As condições de interpolação são p(xi ) = yi , i = 0, 1, 2, 3, o que nos leva ao sistema

linear:
a0 = 1
a0 + a1 + a2 + a3 = 6
a0 + 2a1 + 4a2 + 8a3 = 5
a0 + 3a1 + 9a2 + 27a3 = −8
cuja solução é a0 = 1, a1 = 6, a2 = 0 e a3 = −1. Portanto, o polinômio interpolador
é p(x) = 1 + 6x − x3 . Veja figura 6.2.
Em Python, podemos encontrar o polinômio interpolador e esboçar seu gráfico
com os seguintes comandos:
>>> xi = np.array([0,1,2,3], dtype='double')
>>> yi = np.array([1,6,5,-8], dtype='double')
>>> A = np.array([xi**3,xi**2,xi**1,xi**0]).transpose()
>>> a = np.linalg.inv(A).dot(yi);a
array([ -1, 0., 6, 1. ])
>>> xx = np.linspace(-0.5,3.25);
>>> plt.plot(xi,yi,'ro',xx,np.polyval(a,xx),'b-')
>>> plt.grid();plt.show()
♦
Teorema 6.1.2. Seja {(xi ,yi )}ni=1 um conjunto de n pares ordenados de números
reais tais que xi 6= xj se i 6= j, então existe um único polinômio p(x) de grau n − 1
ou inferior que passa por todos os pontos dados, isto é, p(xi ) = yi , i = 1, . . . , n.
Demonstração. Observe que o problema de encontrar os coeficientes a0 , a1 ,. . . ,

an−1 do polinômio
n−1
X
p(x) = a0 + a1 x + a2 x2 + · · · an−1 xn−1 = ak xk
k=0
tal que p(xi ) = yi é equivalente a resolver o sistema linear com n equações e n

incógnitas dado por
a0 + a1 x1 + a1 x21 + · · · + an−1 xn−1

1 = y1 ,
2 n−1
a0 + a1 x2 + a2 x2 + · · · + an−1 x2 = y2 ,
..
.
2 n−1
a0 + a1 xn + a2 xn + · · · + an−1 xn = yn .

O qual pode ser escrito na forma matricial como

    
1 x1 x21 ··· xn−1
1  a0   y1 
    
1 x2 x22 · · · xn−1
    
 2 

a1 
 y2 
 
    
1
 x3 x23 · · · n−1  
x3   a2  = y 
 3
 .. .. .. . . ..  ..   .. 
    
.

. . . .   .   . 
    
    
1 xn x2n · · · xn−1
n an−1 yn
A matriz envolvida é uma matriz de Vandermonde2 de ordem n cujo determi-

nante é dado pelo produtório duplo
Y
(xj − xi )
1≤i<j≤n
É fácil ver que se as abscissas são diferentes dois a dois, então o determinante é
não nulo. Disto decorre que a matriz envolvida é inversível e, portanto, o sistema
possui uma solução que é única.
Esta abordagem direta que usamos no exemplo 6.1.1 e na demonstração do
teorema 6.1.2 se mostra ineficiente quando o número de pontos é grande e quando
existe grande variação nas abscissas. Neste caso, a matriz de Vandermonde é mal
condicionada (ver [6]), o que acarreta um aumento dos erros de arredondamento
na solução do sistema.
Uma maneira de resolver este problema é escrever o polinômio em uma base
que produza um sistema bem condicionado.
Exercícios
E 6.1.1. Encontre o polinômio interpolador para o conjunto de pontos {(−2, −47),

(0, −3), (1, 4), (2, 41)}. Então, faça um gráfico com os pontos e o polinômio inter-
polador encontrado.
E 6.1.2. Encontre o polinômio interpolador para o conjunto de pontos {(−1, 1,25),

(0,5, 0,5), (1, 1,25), (1,25, 1,8125)}.
E 6.1.3. Mostre que:

a) Existem infinitas parábolas que interpolam dois pontos dados {(x1 , y1 ), (x2 , y2 )},
com x1 6= x2 .
2
Alexandre-Théophile Vandermonde, 1735 - 1796, matemático francês.

6.2. DIFERENÇAS DIVIDIDAS DE NEWTON 161
b) Não existe reta que interpola os pontos {(1, 1), (2, 2,1), (3, 3)}.
c) Não existe parábola de equação y = a0 +a1 x+a2 x2 que interpola dois pontos
dados {(x1 , y1 ), (x1 , y2 )}, com y1 6= y2 . Mas, existem infinitas parábolas de
equação x = a0 + a1 y + a2 y 2 que interpolam estes pontos.
6.2 Diferenças divididas de Newton

Dado um conjunto com n pontos {(xi , yi )}ni=1 , o método das diferenças
divididas de Newton consiste em construir o polinômio interpolador da forma
p(x) = a1 + a2 (x − x1 ) + a3 (x − x1 )(x − x2 ) + · · ·
+ an (x − x1 )(x − x2 ) · · · (x − xn−1 ).
Como p(xi ) = yi , i = 1, 2, . . . , n, os coeficientes ai satisfazem o seguinte sistema

triangular inferior:
a1 = y1
a1 + a2 (x2 − x1 ) = y2
a1 + a2 (x3 − x1 ) + a3 (x3 − x1 )(x3 − x2 ) = y3
..
.
a1 + a2 (xn − x1 ) + · · · + an (xn − x1 ) · · · (xn − xn−1 ) = yn
Resolvendo de cima para baixo, obtemos
a1 = y1
y2 − a1 y2 − y1
a2 = =
x2 − x1 x2 − x1
y3 −y2 y2 −y1
y3 − a2 (x3 − x1 ) − a1 (x3 −x2 )
− (x2 −x1 )
a3 = =
(x3 − x1 )(x3 − x2 ) (x3 − x1 )
...
Note que os coeficientes são obtidos por diferenças das ordenadas divididas
por diferenças das abscissas dos pontos dados. Para vermos isso mais claramente,

Tabela 6.1: Esquema de diferenças divididas para um conjunto com três pontos
{(xi , yi )}3i=1 .
j xj f [xj ] f [xj−1 ,xj ] f [xj−2 ,xj−1 ,xj ]
1 x1 f [x1 ] = y1
f [x2 ] − f [x1 ]
f [x1 ,x2 ] =
x2 − x1
f [x2 ,x3 ] − f [x1 ,x2 ]
2 x2 f [x2 ] = y2 f [x1 ,x2 ,x3 ] =
x3 − x1
f [x3 ] − f [x2 ]
f [x2 ,x3 ] =
x3 − x2
3 x3 f [x3 ] = y3
introduzimos a seguinte notação:
f [xj ] := yj
f [xj+1 ] − f [xj ]
f [xj , xj+1 ] :=
xj+1 − xj
f [xj+1 , xj+2 ] − f [xj , xj+1 ]
f [xj , xj+1 , xj+2 ] :=
xj+2 − xj
..
.
f [xj+1 , xj+2 , . . . , xj+k ] − f [xj , xj+1 , . . . , xj+k−1 ]
f [xj , xj+1 , . . . , xj+k ] :=
xj+k − xj
Chamamos f [xj ] de diferença dividida de ordem zero (ou primeira diferença divi-
dida), f [xi ,xj +1] de diferença dividida de ordem 1 (ou segunda diferença dividida)
e assim por diante.
Uma inspeção cuidadosa dos coeficientes obtidos em (6.2) nos mostra que
ak = f [x1 ,x2 , . . . ,xk ]
Isto nos permite esquematizar o método conforme apresentado na tabela 6.1.
Exemplo 6.2.1. Use o método de diferenças divididas para encontrar o polinômio

que passe pelos pontos (−1,3),(0,1),(1,3),(3,43).
Solução. Usando o esquema apresentado na tabela 6.1, obtemos

6.3. POLINÔMIOS DE LAGRANGE 163
j xj f [xj ] f [xj−1 ,xj ] f [xj−2 ,xj−1 ,xj ] f [xj−3 ,xj−2 ,xj−1 ,xj ]
1 −1 3
1−3
= −2
0 − (−1)
2 − (−2)
2 0 1 =2
1 − (−1)
3−1 6−2
=2 =1
1−0 3 − (−1)
20 − 2
3 1 3 =6
3−0
43 − 3
= 20
3−1
4 3 43
Portanto, o polinômio interpolador do conjunto de pontos dados é
p(x) = 3 − 2(x + 1) + 2(x + 1)x + (x + 1)x(x − 1)
ou, equivalentemente, p(x) = x3 + 2x2 − x + 1.

♦
6.3 Polinômios de Lagrange

Outra maneira clássica de resolver o problema da interpolação polinomial é
através dos polinômios de Lagrange. Dado um conjunto de pontos {xj }nj=1 distintos
dois a dois, definimos os polinômios de Lagrange como os polinômios de grau n − 1
que satisfazem 

 1, se k = j
Lk (xj ) =
0, se k 6= j


Assim, o polinômio p(x) de grau n − 1 que interpola os pontos dados, i.e. p(xj ) =
yj , j = 1, . . . ,n é dado por
n
X
p(x) = y1 L1 (x) + y2 L2 (x) + · · · + yn Ln (x) = yk Lk (x).
k=1
Para construir os polinômios de Lagrange, podemos analisar a sua forma fato-

rada, ou seja:
n
Y
Lk (x) = ck (x − xj )
j=1
j6=i

onde o coeficiente ck é obtido da condição Lk (xk ) = 1:

n
Y 1
Lk (xk ) = ck (xk − xj ) =⇒ ck = Y
n
j=1
j6=i
(xk − xj )
j=1
j6=i
Portanto,
n
Y (x − xj )
Lk (x) =
j=1 (xk − xj )
j6=i
Observação 6.3.1. O problema de interpolação quando escrito usando como base

os polinômios de Lagrange produz um sistema linear diagonal.
Exemplo 6.3.1. Encontre o polinômio da forma p(x) = a1 + a2 x + a3 x2 + a4 x3
que passa pelos pontos (0, 0), (1, 1), (2, 4), (3, 9).
Solução. Escrevemos:
(x − 1)(x − 2)(x − 3) 1 11
L1 (x) = = − x3 + x2 − x + 1
(0 − 1)(0 − 2)(0 − 3) 6 6
x(x − 2)(x − 3) 1 5
L2 (x) = = x3 − x2 + 3x
1(1 − 2)(1 − 3) 2 2
x(x − 1)(x − 3) 1 3
L3 (x) = = − x3 + 2x2 − x
2(2 − 1)(2 − 3) 2 2
x(x − 1)(x − 2) 1 1 1
L4 (x) = = x3 − x2 + x
3(3 − 1)(3 − 2) 6 2 3
Assim, temos:
P (x) = 0 · L1 (x) + 1 · L2 (x) + 4 · L3 (x) + 9 · L4 (x) = x2
♦
6.4 Aproximação de funções reais por polinô-

mios interpoladores
Teorema 6.4.1. Dados n + 1 pontos distintos, x0 , x1 , · · · , xn , dentro de um
intervalo [a,b] e uma função f com n + 1 derivadas contínuas nesse intervalo
(f ∈ C n+1 [a,b]), então para cada x em [a,b], existe um número ξ(x) em (a,b) tal
que
f (n+1) (ξ(x))
f (x) = P (x) + (x − x0 )(x − x1 ) · · · (x − xn ),
(n + 1)!

6.4. APROXIMAÇÃO DE FUNÇÕES REAIS POR POLINÔMIOS
INTERPOLADORES 165
onde P (x) é o polinômio interpolador. Em especial, pode-se dizer que
M
|f (x) − P (x)| ≤ |(x − x0 )(x − x1 ) · · · (x − xn )| ,
(n + 1)!
onde
M = max |f (n+1) (ξ(x))|
x∈[a,b]
Exemplo 6.4.1. Considere a função f (x) = cos(x) e o polinômio P (x) de grau

2 tal que P (0) = cos(0) = 1, P ( 21 ) = cos( 21 ) e P (1) = cos(1). Use a fórmula
de Lagrange para encontrar P (x). Encontre o erro máximo que se assume ao
aproximar o valor de cos(x) pelo de P (x) no intervalo [0,1]. Trace os gráficos de
f (x) e P (x) no intervalo [0,1] no mesmo plano cartesiano e, depois, trace o gráfico
da diferença cos(x) − P (x). Encontre o erro efetivo máximo | cos(x) − P (x)|.
Solução. Usando polinômios de Lagrange, obtemos
(x − 21 )(x − 1)
P (x) = 1
(0 − 12 )(0 − 1)
1 (x − 0)(x − 1)

+ cos
2 ( 21 − 0)( 12 − 1)
(x − 0)(x − 21 )
+ cos(1)
(1 − 0)(1 − 21 )
≈ 1 − 0,0299720583066x − 0,4297256358252x2
Para encontrar o erro máximo, precisamos estimar |f ′′′ (x)| = | sen (x)| ≤
sen (1) < 0,85 e
1

max x x −
(x − 1)
x∈[0,1] 2

O polinômio de grau três Q(x) = x x − 1
2
(x − 1) tem um mínimo (negativo) em
√ √
x1 = 3+ 3
6
e um máximo (positivo) em x2 = 3− 3
6
. Logo:
1

max x x − (x − 1) ≤ max{|Q(x1 )|, |Q(x2 )|} ≈ 0,0481125.
x∈[0,1] 2
Portanto:
0,85
|f (x) − P (x)| < 0,0481125 ≈ 0,0068159 < 7 · 10−3
3!
Para encontrar o erro efetivo máximo, basta encontrar o máximo de |P (x) −
cos(x)|. O mínimo (negativo) de P (x) − cos(x) acontece em x1 = 4,29 · 10−3 e o
máximo (positivo) acontece em x2 = 3,29 · 10−3 . Portanto, o erro máximo efetivo
é 4,29 · 10−3 . ♦

R
Exemplo 6.4.2. Considere o problema de aproximar o valor da integral 01 f (x)dx
pelo valor da integral do polinômio P (x) que coincide com f (x) nos pontos x0 = 0,
x1 = 12 e x2 = 1. Use a fórmula de Lagrange para encontrar P (x). Obtenha o
R
valor de 01 f (x)dx e encontre uma expressão para o erro de truncamento.
O polinômio interpolador de f (x) é
(x − 12 )(x − 1) 1 (x − 0)(x − 1) (x − 0)(x − 12 )

P (x) = f (0) + f + f (1)
(0 − 12 )(0 − 1) 2 ( 21 − 0)( 21 − 1) (1 − 0)(1 − 12 )
1

= f (0)(2x2 − 3x + 1) + f (−4x2 + 4x) + f (1)(2x2 − x)
2
e a integral de P (x) é:
2 3 3 2 1
1 4 3 1
Z 1
2
P (x)dx = f (0) x − x + x + f − x + 2x
0 3 2 0 2 3 0
2 3 1 2 1

+ f (1) x − x
3 2 0
2 3 1 4 2 1

= f (0) − +1 +f − + 2 + f (1) −
3 2 2 3 3 2
1 2 1 1
= f (0) + f + f (1)
6 3 2 6
Para fazer a estimativa de erro usando o teorema 6.4.1 e temos
Z 1 Z 1 Z 1

f (x)dx − P (x)dx =
f (x) − P (x)dx
0 0 0
Z 1
≤ |f (x) − P (x)|dx
0
1

M Z 1
≤ x x − (x − 1) dx
6 "0
2
1

M Z 1/2
= x x− (x − 1)dx
6 0 2
#
1
Z 1
− x x− (x − 1)dx
1/2 2
M 1 1

M
= − − = .
6 64 64 192
Lembramos que M = maxx∈[0,1] |f ′′′ (x)|.
Observação 6.4.1. Existem estimativas melhores para o erro de truncamento
para este esquema de integração numérica. Veremos com mais detalhes tais esque-
mas na teoria de integração numérica.

6.5. INTERPOLAÇÃO LINEAR SEGMENTADA 167
Exemplo 6.4.3. Use o resultado do exemplo anterior para aproximar o valor das
seguintes integrais:
Z 1
a) ln(x + 1)dx
0
Z 1
2
b) e−x dx
0
Solução. Usando a fórmula obtida, temos que

Z 1
1
ln(x + 1)dx ≈ 0,39 ±
0 96
Z 1
2 3,87
e−x dx ≈ 0,75 ±
0 192
♦
Exercícios
E 6.4.1. Use as mesmas técnicas usadas o resultado do exemplo 6.4.2 para

obter uma aproximação do valor de:
Z 1
f (x)dx
0
através do polinômio interpolador que coincide com f (x) nos pontos x = 0 e x = 1.
6.5 Interpolação linear segmentada

Considere o conjunto (xi ,yi )nj=1 de n pontos. Assumiremos que xi+1 > xi , ou
seja, as abscissas são distintas e estão em ordem crescente. A função linear que
interpola os pontos xi e xi+1 no intervalo i é dada por
(xi+1 − x) (x − xi )
Pi (x) = yi + yi+1
(xi+1 − xi ) (xi+1 − xi )
O resultado da interpolação linear segmentada é a seguinte função contínua

definida por partes no intervalo [x1 ,xn ]:
f (x) = Pi (x), x ∈ [xi ,xi+1 ]

Exemplo 6.5.1. Construa uma função linear por partes que interpola os pontos
(0,0), (1,4), (2,3), (3,0), (4,2), (5,0).
A função procurada pode ser construída da seguinte forma:

0 x−1 + 1 x−0 ,0 ≤ x < 1



 0−1 1−0


f (x) = 4 x−2
1−2
+ 3 x−1
2−1
,1 ≤ x < 2





 3 x−3
2−3
+ 0 x−2
3−2
,2 ≤ x ≤ 3
Simplificando, obtemos:

,0 ≤ x < 1





x

f (x) =  −x + 5 ,1 ≤ x < 2




 −3x + 9 , 2 ≤ x ≤ 3
A figura 6.3 é um esboço da função f (x) obtida.
3.5
2.5
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Figura 6.3: Interpolação linear segmentada.
6.6 Interpolação cúbica segmentada - spline

A ideia empregada na interpolação linear segmentada pode ser estendida atra-
vés da utilização de polinômios de grau superior. A escolha de polinômios de grau

6.6. INTERPOLAÇÃO CÚBICA SEGMENTADA - SPLINE 169
superior implica uma maior liberdade (há um número maior de coeficientes) na

construção da interpolação. Parte dessa liberdade pode ser utilizada na exigência
de suavidade para a interpolação.
Definição 6.6.1 (spline de ordem m). Dado um conjunto de n pontos I =
{(xj ,yj )}nj=1 tais que xj+1 > xj , ou seja, as abscissas são distintas e estão em
ordem crescente; um spline de ordem m que interpola estes pontos é uma função
s com as seguintes propriedades:
i) Em cada intervalo [xj ,xj+1 ), j = 1,2, . . . n − 2 e no segmento [xn−1 ,xn ] s é
um polinômio de grau menor ou igual a m;
ii) Em algum dos intervalos s é um polinômio de grau m;
iii) Em cada xj ∈ I, s(xj ) = yj , isto é, o spline interpola os pontos dados;
iv) s é uma função de classe C m−1 , isto é, é função m − 1 vezes continuamente
diferenciável.
São n − 1 intervalos e em cada um deles há m + 1 coeficientes a se determinar.
As condições iii e iv impostas pela definição correspondem respectivamente a n e
m(n−2) equações. Estas últimas, se devem à exigência de continuidade nos pontos
internos, ou seja, os pontos de I com índices j = 2,3, . . . ,n − 1. Portanto, há m − 1
coeficientes a mais do que o número de equações e, à exceção do caso m = 1
(interpolação linear segmentada), o problema é subdeterminado. Ou seja, uma
vez fixada a ordem m > 1, existem infinitos splines de ordem m que interpolam os
pontos do conjunto I.
O caso m = 3, denominado spline cúbico, é de grande interesse pois reproduz
o comportamento físico de réguas delgadas com estrutura elástica homogênea e
perfil uniforme sujeitas aos vínculos representados pelos pontos do conjunto I. A
equação diferencial que rege o comportamento do perfil dessas réguas é um caso
particular do equação da viga de Euler-Bernoulli. Neste caso, a equação tem a
forma
d4 y
= 0, (6.1)
dx4
cuja solução geral é um polinômio de grau 3.
Vamos supor que um spline cúbico que interpola o conjunto de pontos I é co-
nhecido. Como esse spline é uma função de classe C 2 , as suas derivadas nos pontos
do conjunto I são conhecidas também. Seja yj′ , o valor dessa derivada em x = xj .
Agora, vamos considerar dois pares de pontos sucessivos de I, (xj ,yj ) e (xj+1 ,yj+1 ).
A forma do spline cúbico no intervalo [xj ,xj+1 ) pode ser identificada com a solução
da equação diferencial (6.1) no intervalo (xj ,xj+1 ) sujeita às condições de contorno
y(xj ) = yj , y ′ (xj ) = yj′ , y(xj+1 ) = yj+1 e y ′ (xj+1 ) = yj+1
′
.

A solução desse problema de contorno é escrita de modo conveniente como
sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 ,
onde as constantes aj , bj , cj e dj se relacionam às do problema de contorno. As

duas primeiras seguem imediatamente das condições de contorno em xj :
aj = yj e bj = yj′ .
As duas últimas são obtidas pela solução do sistema de equações formado pelas
condições de contorno em xj+1 :
yj+1 − yj ′
yj+1 + 2yj′ yj+1 − yj ′
yj+1 + yj′
cj = 3 − e dj = −2 +
(xj+1 − xj )2 xj+1 − xj (xj+1 − xj )3 (xj+1 − xj )2
Esta relação entre o conjunto de valores para a derivada de um spline cúbico
{yj′ }j = 1n nos pontos de interpolação I e os coeficientes dos polinômios em cada
intervalo de interpolação pode ser resumida na seguinte proposição:
Proposição 6.6.1. Seja s um spline cúbico que interpola o conjunto de pontos
I = {(xj ,yj )}nj=1 ⊂ R2 tais que xj+1 > xj . Se {yj′ }nj=1 é o conjunto dos valores da
derivada de s em xj , então em cada intervalo [xj ,xj+1 ) (fechado também à direita
quando j = n − 1) o spline é igual a sj :
sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 , (6.2)
onde
yj+1 − yj ′
yj+1 + 2yj′
aj = yj , cj = 3 − ,
h2j hj
′
+ yj′ (6.3)
yj+1 − yj yj+1
bj = yj , dj = −2
′
+
h3j h2j
e
hj = xj+1 − xj , j = 1,2, . . . ,n − 1 (6.4)
é a distância entre as abscissas de dois pontos de interpolação consecutivos.
De acordo com a proposição anterior, toda informação sobre um spline cúbico é
armazenada no conjunto {(xj ,yj ,yj′ )}nj=1 . Por construção, uma função s definida a
partir de (6.2), (6.3) e (6.4) com um conjunto {(xj ,yj ,yj′ )}nj=1 ⊂ R3 , onde xj+1 > xj
é de classe C 1 mas não necessariamente um spline cúbico. Para ser um spline
cúbico, os valores do conjunto {yj′ }nj=1 devem garantir a continuidade da derivada
segunda de s em todo intervalo (x1 ,xn ). Ou seja, devemos ter
lim s′′j (x) = s′′j+1 (xj+1 )

xրxj+1

em todos os pontos internos j = 1,2, . . . ,n − 2. Em termos dos coeficientes dos

polinômios cúbicos (6.2), a equação anterior assume a forma
2cj + 6dj hj = 2cj+1 , j = 1,2, . . . ,n − 2.
Esta última equação e (6.3) permitem construir um sistema de equações lineares

para as variáveis yj′ :
Proposição 6.6.2. Dado o conjunto de pontos I = {(xj ,yj )}nj=1 ⊂ R2 tais que
xj+1 > xj , as derivadas de um spline cúbico que interpola os pontos I, yj′ , j =
1,2, . . . ,n satisfazem o sistema de equações algébricas lineares
!
′ yj − yj−1 yj+1 − yj
hj yj−1 + 2(hj−1 + hj )yj′ + ′
hj−1 yj+1 = 3 hj + hj−1 , (6.5)
hj−1 hj
onde j = 2,3, . . . ,n − 1 e hj = xj+1 − xj .
O sistema de equações (6.5) é subdeterminado. São n variáveis e n − 2 equa-

ções. A inclusão de duas equações adicionais linearmente independentes das n − 2
equações (6.5) possibilita a existência de uma única solução. Tipicamente essas
equações adicionais envolvem o comportamento do spline na fronteira ou na sua
vizinhança. A seguir, veremos quatro escolhas mais conhecidas.
6.6.1 Spline natural

Uma forma de definir as duas equações adicionais para completar o sistema
(6.5) é impor condições de fronteira livres (ou naturais), ou seja,
s′′ (x1 ) = s′′ (xn ) = 0. (6.6)
De acordo com (6.2) essas equações implicam respectivamente
c1 = 0 e 2cn−1 + 6dn−1 hn−1 = 0,
ou seja,

y2 − y1


 2y1′ + y2′ = 3



 h1
. (6.7)



 yn − yn−1



′
yn−1 + 2yn′ = 3
hn−1

Essas duas equações em conjunto com as equações (6.5) formam um sistema de n

equações algébricas lineares Ay ′ = z, onde
 
2 1 0 0 ··· 0 0
 
 h2 2(h1 + h2 ) h1 0 ··· 0 0 
 
 0 h3 2(h2 + h3 ) h2 ··· 0 0 
A= 
 .
.
.
.
.
.
.
. .. .
.
.
.

, (6.8)

 . . . . . . . 

 
 0 0 0 ··· hn−1 2(hn−1 + hn−2 ) hn−2 
0 0 0 ··· 0 1 2
 
y2 −y1
 h1 
   
 y1′  
 h2 y2h−y
1
1
+ h1 y3h−y
2
2 

   
 

 y2′ 
  h3 y3h−y 2
+ h2 y4h−y 3 
y′ = e z= 3 (6.9)
 

 .. 
 2
..
3
.
.  .
  
   
   
 
yn′ 
 hn−1 yn−1hn−2
−yn−2
+ hn−2 ynh−y
n−1
n−1 

 
yn −yn−1
hn−1
Observe que a matriz A é diagonal dominante estrita e, portanto, o sistema Ay ′ = z

possui solução única. Calculado y ′ , os valores dos aj , bj , cj e dj são obtidos
diretamente pelas expressões (6.3).
Exemplo 6.6.1. Construa um spline cúbico natural que passe pelos pontos (2, 4,5),
(5, − 1,9), (9, 0,5) e (12, − 0,5).
Solução. O spline desejado é uma função definida por partes da forma:


a1 + b1 (x − 2) + c1 (x − 2)2 + d1 (x − 2)3 , 2 ≤ x < 5






s(x) =  a2 + b2 (x − 5) + c2 (x − 5)2 + d2 (x − 5)3 , 5 ≤ x < 9 . (6.10)




 a3 + b3 (x − 9) + c3 (x − 9)2 + d3 (x − 9)3 , 9 ≤ x ≤ 12
As variáveis y1′ , y2′ , y3′ e y4′ resolvem o sistema Ay ′ = z, onde

   
2 1 0 0 2 1 0 0
   
4 2(4 + 3) 3 0 4 14 3 0
 
 
A= 


 = 

,

0 3 2(3 + 4) 4 0 3 14 4
   
   
0 0 1 2 0 0 1 2

     
′
y1  
1
3
(−1,9
− 4,5)   −6,4 
     
 3 (−1,9 − 4,5) + 4 (0,5 − (−1,9)) 
 ′  4 3
y2  −20,2
  
y=  
 ′ e z= 3
3

 = 

.

y   (0,5 − (−1,9)) + 4 (−0.5 − (0,5))  1,4 
 3 4 3   
     
y4′ 1
3
(−0,5 − (0.5)) −1
A solução é y1′ = −2,83̄, y2′ = −0,73̄, y3′ = 0,46̄ e y4′ = −0,73̄. Calculamos os
coeficientes usando as expressões (6.3):
a1 = y1 = 4,5 , b1 = y1′ = −2,83̄,

a2 = y2 = −1,9 , b2 = y2′ = −0,73̄,
a3 = y3 = 0,5 . b3 = y3′ = 0,46̄,
c1 = 0 , d1 = 0,07̄,
c2 = 0,7 , d2 = −0,0916̄,
c3 = −0,4 , d3 = 0,04̄.
Portanto:




 4,5 − 2,83̄(x − 2) + 0,07̄(x − 2)3 ,2 ≤ x < 5

S(x) =
 −1,9 − 0,73̄(x − 5) + 0,7(x − 5)2 − 0,0916̄(x − 5)3 , 5 ≤ x < 9 .


 0,5 + 0,46̄(x − 9) − 0,4(x − 9)2 + 0,04̄(x − 9)3

, 9 ≤ x ≤ 12
6.6.2 Spline fixado

O spline fixado s é obtido pela escolha dos valores das derivadas nas extremi-
dades do intervalo de interpolação. Isto diminui o número de variáveis para n − 2
pois y1′ e yn′ deixam de ser incógnitas.
As equações (6.5) formam um sistema de n − 2 equações Ay ′ = z, onde
 
2(h1 + h2 ) h1 0 0 ··· 0 0
 
 h3 2(h2 + h3 ) h2 0 ··· 0 0 
 
 0 h4 2(h3 + h4 ) h3 ··· 0 0 
A=
 
 . . . . .. . . ,
 . . . . . . . 
 . . . . . . 
 
 0 0 0 ··· hn−2 2(hn−3 + hn−2 ) hn−3 
0 0 0 ··· 0 hn−1 2(hn−2 + hn−1 )

 
  h2 y2h−y 1
+ h1 y3h−y 2
− h2 y1′
y2′ 1 2
 
 





 h3 y3h−y 2
+ h2 y4h−y 3 

 y3′   2
..
3 
y′ = z= 3
   
 ..  e . .
   
 .   
  
 hn−2 yn−2 −yn−3
hn−3 + hn−3 yn−1 −yn−2
hn−2


′
yn−1  
hn−1 yn−1 −yn−2
hn−2 + hn−2 ynh−y
n−1
n−1
− hn−2 yn′
Observe que a matriz A é diagonal dominante estrita e, portanto, o sistema Ay ′ = z

possui solução única.
6.6.3 Spline not-a-knot

O spline not-a-knot é definido com um spline cúbico que satisfaz as equações
adicionais
lim s′′′ ′′′

1 (x) = s2 (x2 ) e lim s′′′ ′′′
n−2 (x) = sn−1 (xn−1 ).
xրx2 xրxn−1
Em termos dos coeficientes (6.2), as equações anteriores correspondem a
d1 = d2 e dn−2 = dn−1 ,
ou seja,

y2 − y1 y3 − y2
h22 y1′ + (h22 h21 )y2′ h21 y3′ =2 h22 − h21



 − −


 h1 h2

!
.



 yn−1 − yn−2 yn − yn−1


 h2n−1 yn−2
′
+ (h2n−1 − h2n−2 )yn−1
′
− h2n−2 yn′ = 2 h2n−1 − h2n−2
 hn−2 hn−1
Essas duas equações agregadas às equações (6.5) formam um sistema de n equações

Ay ′ = z, onde
 
h22 h22 − h21 −h21 0 ··· 0 0
 
 h2 2(h1 + h2 ) h1 0 ··· 0 0 
 
 0 h3 2(h2 + h3 ) h2 ··· 0 0 
A=
 
 . . . . .. . . ,
 . . . . . . . 
 . . . . . . 
 
 0 0 0 ··· hn−1 2(hn−2 + hn−1 ) hn−2 
0 0 0 ··· h2n−1 h2n−1 − h2n−2 −h2n−2

 
y2 − y1 y3 − y2
  2 h22 − h21
 h 1 h2 
y1′ 

y2 −y1 y3 −y2





  3 h2 h 1 + h 1 h 2 
 y2′  
 ..


y′ = 
z=
 .
 ..  e 
 . 
 
 .  

yn−1 −yn−2 yn −yn−1


   3 hn−1 hn−2 + hn−2 hn−1 
yn′ 


y n−1 − y n−2 y n − y n−1


2
2 hn−1 2 − hn−2
hn−2 hn−1
Se reduzirmos esse sistema pela eliminação das incógnitas e yn′ , o sistema re- y1′
sultante possui uma matriz de coeficientes diagonal dominante estrita, portanto,
a solução é única.
O termo not-a-knot (não nó) relaciona-se à nomenclatura dos splines. O termo
nó é utilizado para os pontos interpolados. Neles, a derivada terceira da função
spline é descontínua, portanto, quando impomos a continuidade dessa derivada em
x2 e xn−1 é como se esses pontos deixassem de ser nós.
6.6.4 Spline periódico

Se o conjunto de n pontos da interpolação I for tal que y1 = yn , então é
possível construir o spline periódico, definido com um spline cúbico que satisfaz as
seguintes condições de periodicidade
s′1 (x1 ) = s′n−1 (xn ) e s′′1 (x1 ) = s′′n−1 (xn ).
Em termos dos coeficientes (6.2)
b1 = bn−1 e 2c1 = 2cn−1 + 6dn−1 hn−1 ,
ou seja,




 y1′ − yn′ = 0



 ! .

 y2 − y1 yn − yn−1
2hn−1 y1′ + hn−1 y2′ + h1 yn−1
′
+ 2h1 yn′ = 3 hn−1 + h1




h1 hn−1
(6.11)
Essas duas equações agregadas às equações (6.5) formam um sistema de n equações
Ay ′ = z, onde
 
1 0 0 0 ··· 0 −1
 
 h2 2(h1 + h2 ) h1 0 ··· 0 0 
 
 0 h3 2(h2 + h3 ) h2 ··· 0 0 
A=
 
 . . . . .. . . ,
 . . . . . . . 
 . . . . . . 
 
 0 0 0 ··· hn−1 2(hn−2 + hn−1 ) hn−2 
2hn−1 hn−1 0 ··· 0 h1 2h1

 
  0
y1′
 
 





 h2 y2h−y 1
+ h1 y3h−y 2 

 y2′   1
..
2 
y′ = z= 3
   
 ..  e . .
   
 .   y −y

   h n−1
 n−1 hn−2
n−2
+ hn−2 ynh−y n−1 

yn′  n−1

hn−1 y2h−y
1
1
+ h1 ynh−y
n−1
n−1
Neste caso também, se reduzirmos esse sistema pela eliminação das incógnitas y1′
e yn′ , o sistema resultante possui uma matriz de coeficientes diagonal dominante
estrita, portanto, a solução é única.

Capítulo 7
Ajuste de curvas
Neste capítulo, discutimos sobre problemas de ajuste de curvas pelo método

dos mínimos quadrados. Mais precisamente, dado um conjunto de N pontos
N
{(xj , yj ) ∈ R2 }j=1 e uma família de funções F = {f : R → R; y = f (x)}, o
problema de ajuste de curvas consiste em encontrar uma função da família F que
melhor se ajusta aos pontos dados, não necessariamente que os interpola.
Figura 7.1: Exemplo de um problema de ajuste de uma reta entre três pontos,
veja o exemplo 7.0.1.
Aqui, o termo “melhor se ajusta” é entendido no sentido de mínimos quadrados,

isto é, buscamos encontrar uma função f ∈ F tal que f (x) resolve o seguinte
problema de minimização
N
X
min (f (xj ) − yj )2 ,
f ∈F
j=1
177
ou seja, f (x) é a função da família F cujo erro quadrático entre yj e f (xj ), j =

1, 2, . . . , N , é mínimo. A expressão
N
X
R := (f (xj ) − yj )2
j=1
= (f (x1 ) − y1 )2 + (f (x2 ) − y2 )2 + · · · + (f (xN ) − yN )2
é chamada de resíduo e consiste na soma dos quadrados das diferenças entre a

ordenadas yj e o valor da função procurada f (xj ).
Exemplo 7.0.1. Dado o conjunto de pontos {(1, 1,2), (1,5, 1,3), (2, 2,3)} e a famí-
lia de retas f (x) = a + bx, podemos mostrar que f (x) = −0,05 + 1,1x é a reta que
melhor aproxima os pontos dados no sentido de mínimos quadrados. Os pontos e
a reta ajustada e são esboçados na figura 7.1.
Na sequência, discutimos o procedimento de ajuste de uma reta, então, mos-

tramos a generalização da técnica para problemas lineares de ajuste e, por fim,
discutimos alguns problemas de ajuste não lineares.
módulos Python estão carregadas:

7.1 Ajuste de uma reta

Nesta seção, discutiremos o procedimento de ajuste de uma reta a um conjunto
de pontos dados. Em outras palavras, discutiremos o método de solução para o
problema de encontrar o polinômio do primeiro grau que melhor se aproxima a um
dado conjunto de pontos pelo método dos mínimos quadrados.
Seja, então, {(x1 ,y1 ), (x2 ,y2 ), . . . , (xN ,yN )} um conjunto de N pontos dados.
Buscamos encontrar a função f (x) = a1 + a2 x tal que o resíduo
N
X
R= (f (xj ) − yj )2
j=1
seja mínimo.
Para tal, primeiro observamos que f (xj ) = a1 + a2 xj e, portanto, o resíduo
pode ser escrito explicitamente como uma função de a1 e a2 conforme a seguinte

7.1. AJUSTE DE UMA RETA 179
expressão:
N
X
R(a1 ,a2 ) = (a1 + a2 xj − yj )2 .
j=1
Observamos que R(a1 ,a2 ) é uma forma quadrática e que seu mínimo ocorre
quando suas derivadas parciais primeiras são iguais a zero, isto é,
N
∂R ∂ X
= (a1 + a2 xj − yj )2 = 0,
∂a1 ∂a1 j=1
N
∂R ∂ X
= (a1 + a2 xj − yj )2 = 0.
∂a2 ∂a2 j=1
Ou seja,
N
X
2 (a1 + a2 xj − yj ) · 1 = 0,
j=1
N
X
2 (a1 + a2 xj − yj ) · xj = 0,
j=1
e isolando as incógnitas temos

N
X N
X N
X
a1 1 + a2 xj = yj ,
j=1 j=1 j=1
N
X N
X N
X
a1 x j + a2 x2j = yj xj .
j=1 j=1 j=1
P
Observando que N j=1 1 = N , o sistema linear acima pode ser escrito na forma
matricial M a = w, isto é,
    
PN PN
 N j=1 xj  a1  j=1 yj 
= P (7.1)

P PN   .
N 2 N
j=1 xj j=1 xj a2 j=1 xj yj
| {z } | {z } | {z }
M a w
Este sistema linear de duas equações e duas incógnitas admite uma única so-
lução quando o determinante da matriz dos coeficientes for não nulo, isto é,
 2
N
X N
X
N x2j −  xj  6= 0
j=1 j=1

Pode-se mostrar usando a desigualdade de Cauchy–Schwarz que isto acon-

tece quando existem pelo menos duas abscissas diferentes envolvidas no ajuste.
Usando a fórmula da inversa de uma matriz dois-por-dois, chegamos às seguintes
fórmulas para os coeficientes a1 e a2 :
PN PN PN PN
j=1 x2j · j=1 yj − j=1 xj · j=1 xj yj
a1 = PN P 2
N
N j=1 x2j − j=1 xj
PN PN PN (7.2)
N j=1 xj yj − j=1 xj · j=1 yj
a2 = PN P 2
N
N j=1 x2j − j=1 xj
Por fim, observamos que o sistema M a = w descrito na equação (7.1) pode ser
reescrito na forma V T V a = V T y, onde V := [1 x] é a matriz dos coeficientes do
seguinte sistema linear sobre determinado:
a1 + a2 x1 = y1
a1 + a2 x2 = y2
.. (7.3)
.
a1 + a2 xN = yN
Se os pontos dados não são colineares, este sistema não têm solução. Mas, sempre
que pelo menos duas abscissas foram diferentes, M = V T V é uma matriz invertível
e (veja o exercício 7.1.1), então
−1
a = V TV V T y, (7.4)
nos fornece a chamada solução por mínimos quadrados do sistema (7.3). Note que
esta é uma forma de se obter os coeficientes a = (a1 , a2 ) equivalente àquela dada
em (7.2).
Exemplo 7.1.1. Retornemos ao exemplo 7.0.1. Isto é, dado o conjunto de pontos
{(1, 1,2), (1,5, 1,3), (2, 2,3)}, encontrar a função do tipo f (x) = a1 +a2 x que melhor
se ajusta os pontos dados no sentido de mínimos quadrados.
Solução. Usando as fórmulas em (7.2), obtemos
7,25 · 4,8 − 4,5 · 7,75
a1 = = −0,05,
3 · 7,25 − 20,25
3 · 7,75 − 4,5 · 4,8
a2 = = 1,1.
3 · 7,25 − 20,25
Ou seja, verificamos que, de fato, a função f (x) = −0,05 + 1,1x corresponde à reta
que melhor ajusta os pontos dados no sentido de mínimos quadrados. Os pontos
e a reta ajustada estão esboçados na figura 7.1.

7.1. AJUSTE DE UMA RETA 181
Deixamos ao leitor a verificação de que os coeficientes a1 e a2 também podem

ser obtidos pela expressão (7.4).
Em Python, podemos computar os coeficientes a1 e a2 da seguinte forma:
>>> xi = np.array([1, 1.5, 2])
>>> yi = np.array([1.2,1.3,2.3])
>>> V = np.array([xi**1,xi**0]).transpose();V
array([[ 1. , 1. ],
[ 1.5, 1. ],
[ 2. , 1. ]])
>>> a = ((np.linalg.inv((V.transpose()).dot(V))).dot(V.transpose())).dot(yi);a
array([ 1.1 , -0.05])
Então, o gráfico da função ajustada e dos pontos pode ser obtido com os comandos:
>>> xx = np.linspace(0.5,2.5)
♦
O procedimento apresentado de ajuste de uma reta por mínimos quadrados

pode ser generalizado para qualquer família de funções que seja um espaço ve-
torial de dimensão finita. Problemas de ajuste com tais famílias de funções é o
que chamamos de problemas de ajuste linear, os quais exploramos em detalhe na
próxima seção.
Exercício resolvido
ER 7.1.1. a) Mostre que o sistema linear M a = w descrito na equação 7.1 pode
ser reescrito na forma V T V a = V T y, onde V = [1 x].
b) Mostre que V , como definido no item a), tem posto igual a 2 quando pelo menos
duas abscissas do conjunto de pontos {(xj , yj )}N
j=1 são diferentes. E, portanto,
M = V V é uma matriz invertível.
T
Solução. a) Basta observar que

 
1 x1 
 
   
PN
1 1··· 1 
1 x2  N x
j=1 j 
V TV = 
 .
 =
..  P =M
. P
. .  N N 2
x1 x2 · · · xN  
j=1 xj j=1 xj
 
1 xN

e  
y1
 
 
  
PN
1 1··· 1 y2  j=1 yj 
 

V Ty =  = P = w.

 . 
  
x1 x2 ···  .
xN  .  N
xj yj
 j=1
 
yN
b) Sejam xi 6= xj duas abscissas diferentes. Então, a i-ésima e j-ésima linhas na

matriz V são linearmente independentes e, portanto, o posto de V é igual a 2.
Por fim, V T V é não singular, pois, se u é tal que V T V u = 0, então
0 = uT V T V u = (V u)T (V u) = (V u) · (V u) ⇒ V u = 0.
Agora, V u = 0 é uma combinação linear das linhas de V igual a zero, logo
u = 0, pois as linhas de V são linearmente independentes como mostrado
antes. Concluímos que se V T V u = 0, então u = 0, isto é, V T V é não singular.
♦
Exercícios
E 7.1.1. Sejam dados o conjunto de pontos {(0,23, −0,54), (−0,30, −0,54),

(0,04, −0,57)}. Encontre a função f (x) = a1 + a2 x que melhor se ajusta no sentido
de mínimos quadrados aos pontos dados. Faça, então, um gráfico com os pontos e
o esboço da função ajustada.
E 7.1.2. Seja dado o conjunto de pontos {(−0,35, 0,2), (0,15, −0,5), (0,23, 0,54),
(0,35, 0,7)}. Encontre a função f (x) = a1 + a2 x que melhor se ajusta no sentido
de mínimos quadrados aos pontos dados. Faça, então, um gráfico com os pontos e
o esboço da função ajustada.
E 7.1.3. Seja dado o conjunto de pontos {(−1,94, 1,02), (−1,44, 0,59), (0,93, −0,28),
(1,39, −1,04)}. Encontre a função f (x) = a1 + a2 x que melhor se ajusta no sentido
de mínimos quadrados aos pontos dados. Então, responda cada item:
a) Encontre o valor de f (1).
b) Encontre o valor de f (0,93).
c) Encontre o valor de |f (0,93) − (−0,28)|.
PN
d) Encontre o valor do resíduo R = j=1 (f (xj ) − yj )2 .
Forneça os valores calculados com 7 dígitos significativo por arredondamento.

7.2. AJUSTE LINEAR GERAL 183
7.2 Ajuste linear geral

O problem geral de ajuste linear consiste em dada uma família F gerada
pelo conjunto de m funções {f1 (x), f2 (x), . . . , fm (x)} e um conjunto de n pon-
tos {(x1 , y1 ), (x2 , y2 ), . . ., (xn , yn )}, calcular os coeficientes a1 , a2 , . . ., am tais que
a função dada por
m
X
f (x) = aj fj (x) = a1 f1 (x) + a2 f2 (x) + . . . + am fm (x)
j=1
minimiza o resíduo
n
X
R= [f (xi ) − yi ]2 .
i=1
Aqui, a minimização é feita por todas as possíveis escolhas dos coeficientes a1 , a2 ,

. . ., am .
Com o objetivo de tornar a desenvolvimento mais claro, vamos escrever R como
a soma dos resíduos parciais:
n
X
R= Ri , onde Ri := [f (xi ) − yi ]2 .
i=1
Pm
Do fato que f (xi ) = j=1 aj fj (xi ), temos que cada resíduo pode ser escrito como
 2
m
X
Ri =  aj fj (xi ) − yi  .
j=1
A fim de encontrar o ponto de mínimo, resolvemos o sistema oriundo de igualar

a zero cada uma das derivadas parciais de R em relação aos m coeficientes aj , isto
é, devemos resolver:
 
n n m
∂R X ∂Ri X X
= 2 =2  aj fj (xi ) − yi  f1 (xi ) = 0,
∂a1 i=1 ∂a 1 i=1 j=1
 
n n m
∂R X ∂Ri X X
= 2 =2  aj fj (xi ) − yi  f2 (xi ) = 0,
∂a2 i=1 ∂a 2 i=1 j=1
..
.  
n n m
∂R X ∂Ri X X
= 2 =2  aj fj (xi ) − yi  fm (xi ) = 0.
∂am i=1 ∂a m i=1 j=1

Dividindo cada equação por 2 e escrevendo na forma matricial, obtemos M a =

w, onde a matriz M é dada por:
 n n n 
P P P
 i=1 f1 (xi )2 f2 (xi )f1 (xi ) · · · fm (xi )f1 (xi )
 i=1 i=1 
P n n
P n
P 

 f1 (xi )f2 (xi ) f2 (xi )
2
··· fm (xi )f2 (xi )

 i=1 i=1 i=1 
P n n n 
M=
P P

 f1 (xi )f3 (xi ) f2 (xi )f3 (xi ) · · · fm (xi )f3 (xi )
.
 i=1 i=1 i=1 
 .. .. .. .. 

 . . . . 

 
P n n
P n
P 
f1 (xi )fm (xi ) f2 (xi )fm (xi ) · · · fm (xi )
2
i=1 i=1 i=1
E os vetores a e w, por:
 n 
P
   i=1 f1 (xi )yi 
 
a1   n
P 

 

 f2 (xi )yi 

i=1

 a2 

 n


a= e w=
P

 .. 
 
 f3 (xi )yi 

 .   i=1 
   .. 
  
 . 

am 
 n


P
fm (xi )yi
i=1
Agora, observamos que M = V T V e w = V T y, onde a matriz V é dada por:

 
 f1 (x1 ) f2 (x1 ) · · · fm (x1 ) 
 
 f1 (x2 ) f2 (x2 ) · · · fm (x2 ) 
 
 
 
V =  f (x )
 1 3 f2 (x3 ) · · · fm (x3 ) 

 .. .. .. .. 
 
 .
 . . .  
 
f1 (xn ) f2 (xn ) · · · fm (xn )
e é o vetor coluna y = (y1 , y2 , . . . , yN ),

Então, o problema de ajuste se reduz a resolver o sistema linear M a = w, ou
V T V a = V T y. Este sistema linear tem solução única se a matriz M for inversível.
O teorema a seguir mostra que isto acontece sempre a matriz V possui posto m,
ou seja, o número de linhas linearmente independentes for igual ao número de
colunas.1
1
Nota-se que o posto não pode ultrapassar o número de colunas.

Teorema 7.2.1. A matriz M = V T V é quadrada de ordem m e é inversível

sempre que o posto da matriz V é igual a número de colunas m.
Demonstração. Para provar que M é inversível, precisamos mostrar que se v é um

vetor de ordem m e M v = 0, então v = 0. Suponha, então, que M v = 0, isto é,
V T V v = 0. Tomando o produto interno da expressão V T V v = 0 com v, temos:
D E
0 = V T V v,v = hV v,V vi = kV vk2
Portato M v = 0 implica obrigatoriamente V v = 0. Como o posto de V é igual ao

número de colunas, v precisar ser o vetor nulo.
Observação 7.2.1. Este problema é equivalente a resolver pelo métodos dos mí-
nimos quadrados o seguinte sistema linear:
   
 f1 (x1 ) f2 (x1 ) · · · fm (x1 )   y1 
 
  a1  
 f1 (x2 ) f2 (x2 ) · · · fm (x2 ) 
    
   y2 
  a2 
    
  
 f (x )
 1 3 f2 (x3 ) · · · fm (x3 ) 
 . 
  = y 
 3
  .. 
 .. .. ... ..   .. 
  
 
 . . .     . 
   
  am  
f1 (xn ) f2 (xn ) · · · fm (xn ) yn
O caso de ajuste de um reta para um conjunto de pontos é um caso particular

de ajuste linear.
Exemplo 7.2.1. Encontre a reta que melhor se ajusta aos pontos dados na se-
guinte tabela:
i 1 2 3 4 5
xi 0,01 1,02 2,04 2,95 3,55
yi 1,99 4,55 7,20 9,51 10,82
Solução. O problema consiste em ajustar uma função da forma f (x) = a1 +a2 x no

conjunto de pontos dados. Notamos que f (x) é uma função da família gerada pelo
conjunto de funções {f1 (x) = 1, f2 (x) = x}. Então, aplicando o procedimento
acima, temos que o vetor dos coeficientes a = (a1 , a2 ) é solução por mínimos

Figura 7.2: Gráfico da solução do problema apresentado no exemplo 7.2.1.
quadrados do sistema linear V a = y, onde:

   
f1 (x1 ) f2 (x1 ) 1 0,01
   
f1 (x2 ) f2 (x2 ) 1 1,02
   
   
   
V = f (x )
 1 3 f2 (x3 )
 = 1
 2,04
.
   
   
f1 (x4 ) f2 (x4 ) 1 2,95
   
   
f1 (x5 ) f2 (x5 ) 1 3,55
Ou seja, é a solução do sistema V T V a = V T y dado por

    
5 9,57  a1   34,07 

  =   
9,57 26,5071 a2 85,8144
A solução desse sistema é a1 = 1,9988251 e a2 = 2,5157653. A figura 7.2, apresenta

um gráfico dos pontos e da reta ajustada.
♦
Exemplo 7.2.2. Encontre a função f (x) = a1 sen (πx) + a2 cos(πx) que melhor se
ajusta pelo critérios dos mínimos quadrados aos seguintes pontos dados

i 1 2 3 4 5
xi 0,00 0,25 0,50 0,75 1,00
yi −153 64 242 284 175
Solução. Pelo procedimento visto nesta seção, temos que os coeficientes a1 e a2

são dados pela solução por mínimos quadrados do seguinte sistema linear V a = y
a1 sen (πx1 ) + a2 cos(πx1 ) = y1

a1 sen (πx2 ) + a2 cos(πx2 ) = y2
a1 sen (πx3 ) + a2 cos(πx3 ) = y3
a1 sen (πx4 ) + a2 cos(πx4 ) = y4
a1 sen (πx5 ) + a2 cos(πx5 ) = y5
cuja matriz de coeficientes V é:

 
 sen (0) cos(0) 
 
sen (0,25π) cos(0,25π)
 
 
 
V =  sen (0,5π)
 cos(0,5π) 

 
 
sen (0,75π) cos(0,75π)
 
 
sen (π) cos(π)

Então, a solução por mínimos quadrados é

 
244,03658 
a = (V T V )−1 V T y = 
 .
−161,18783
Ou seja, f (x) = 244,03658 sen (πx) − 161,18783 cos(πx) é a função ajustada ao

conjunto de pontos dados. A figura 7.3 apresenta o gráfica de f (x) e dos pontos
dados.
Em Python, podemos computar os coeficientes da função f (x) da seguinte
forma:
>>> xi = np.array([0,0.25,0.5,0.75,1])
>>> yi = np.array([-153,64,242,284,175])
>>> V = np.array([np.sin(np.pi*xi),np.cos(np.pi*xi)]).transpose()
>>> a = ((np.linalg.inv((V.transpose()).dot(V))).dot(V.transpose())).dot(yi)
Observação 7.2.2. Em Python, quando resolvemos um sistema Ax = b usando
>>> x = np.linalg.inv(A).dot(b)
estamos computando a inversa da matriz A e multiplicando por b. Dde forma mais

eficiente, podemos usar a função numpy.linalg.solve, digitando:
>>> x = np.linalg.solve(A,b)
Isto requer que a matriz A seja quadrada e de posto completo. Alternativa-

mente, para obtermos a solução por mínimos quadrados, podemos usar a função
numpy.linalg.lstsq. Neste caso, digitamos:
>>> np.linalg.lstsq(A,b)
7.2.1 Ajuste polinomial

O ajuste polinomial é o caso particular do ajuste linear para funções poli-
nomiais, isto é, funções do tipo
p(x) = a1 + a2 x + · · · + am xm−1 .

Neste caso, a matriz V associada ao ajuste dos pontos {(x1 , y1 ), (x2 , y2 ), (x3 , y3 ),
. . ., (xn ,yn )} é dada por:
 
1 x1 x21 ··· x1m−1 
 
1 x2 x22 · · · x2m−1 
 
 
 
V = 1
 x3 x23 · · · x3m−1 

 .. .. .. .
 
. . . .. 

 
 
1 xn x2n · · · xnm−1
Então, os coeficientes ai , i = 1, 2, . . . , m, são dados pela solução do sistema linear

V T V a = v T y:
 n n
  n

P P P
 n xj ··· xjm−1  a
 
 yj 
 j=1 j=1  1   j=1 
 n n n
 n
 P P P    P 
x x2j m 
xj   a2  xy 
 j=1 j  j=1 j j
   
=
j=1 j=1  
 . 
.. .. ..
  
 ..  . 
 . 
 

 . . .   
 . 


Pn n
P n
P 
 a
Pn 
m−1
xm x2m−1 m−1
  
xj j ··· j p+1 xj yj
j=1 j=1 j=1 | {z } j=1
| {z } a | {z }
VTV VTy

Exemplo 7.2.3. Entre o polinômio de grau 2 que melhor se ajusta aos pontos
dados na seguinte tabela:
i 1 2 3 4 5
xi 0,00 0,25 0,50 0,75 1,00
yi −153 64 242 284 175
Solução. Um polinômio de grau 2 pode ser escrito na seguinte forma:
p(x) = a1 + a2 x + a3 x2 .
Assim, o problema se resume em encontrarmos a solução por mínimos quadrados
do seguinte sistema linear:
a1 + a2 x1 + a3 x21 = y1
a2 + a2 x2 + a3 x22 = y2
a3 + a2 x3 + a3 x23 = y3
a4 + a2 x4 + a3 x24 = y4
a5 + a2 x5 + a3 x25 = y5
Ou, escrita na forma matricial, V a = y, onde:
 
1 x1 x21 
 
1 x2 x22 
 
 
 
V = 1

2
x3 x3 
 
 
1 x4 x24 
 
 
1 x5 x25
A solução por mínimos quadrados é, então:

 
−165,37143
 
T −1 T
a = (V V ) V y =  1250,9714 
 
 
 
−900,57143
Ou seja, o polinômio de grau 2 que melhor ajusta os pontos dados no sentido de

mínimos quadrados é p(x) = −165,37143 + 1250,9714x − 900,57143x2 . A figura 7.4
mostra o gráfico do polinômio ajustado e os pontos dados.
Em Python, podemos computar os coeficientes do polinômio p(x) da seguinte
forma:

>>> xi = np.array([0,0.25,0.5,0.75,1])
>>> yi = np.array([-153,64,242,284,175])
>>> V = np.array([xi**2,xi**1,xi**0]).transpose()
>>> a = ((np.linalg.inv((V.transpose()).dot(V))).dot(V.transpose())).dot(yi)
Para fazermos o gráfico do polinômio e dos pontos, digitamos:
>>> xx = np.linspace(-0.25,1.25)
♦
Exercícios
E 7.2.1. Encontre o polinômio p(x) = a1 + a2 x + a3 x2 que melhor se ajusta

no sentido de mínimos quadrados aos pontos:
i 1 2 3 4
xi −1,50 −0,50 1,25 1,50
yi 1,15 −0,37 0,17 0,94
E 7.2.2. Encontrar a parábola y = ax2 +bx+c que melhor aproxima o seguinte

conjunto de dados:
i 1 2 3 4 5
xi 0,01 1,02 2,04 2,95 3,55
yi 1,99 4,55 7,20 9,51 10,82
E 7.2.3. Dado o seguinte conjunto de dados
xi 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
yi 31 35 37 33 28 20 16 15 18 23 31
a) Encontre a função do tipo f (x) = a + b sen (2πx) + c cos(2πx) que melhor

aproxima os valores dados.
b) Encontre a função do tipo f (x) = a + bx + cx2 + dx3 que melhor aproxima os
valores dados.

7.3 Aproximando problemas não lineares por pro-

blemas lineares
Eventualmente, problemas de ajuste de curvas podem recair em um sistema
não linear. Por exemplo, para ajustar função y = Aebx ao conjunto de pontos
(x1 ,y1 ), (x2 ,y2 ) e (x3 ,y3 ), temos que minimizar o resíduo2
R = (Aex1 b − y1 )2 + (Aex2 b − y2 )2 + (Aex3 b − y3 )2
ou seja, resolver o sistema
∂R
= 2(Aex1 b − y1 )ex1 b + 2(Aex2 b − y2 )ex2 b + 2(Aex3 b − y3 )ex3 b = 0
∂A
∂R
= 2Ax1 (Aex1 b − y1 )ex1 b + 2Ax2 (Aex2 b − y2 )ex2 b
∂b
+ 2Ax3 (Aex3 b − y3 )ex3 b = 0
que é não linear em A e b. Esse sistema pode ser resolvido pelo método de Newton-
Raphson, o que pode se tornar custoso, ou mesmo inviável quando não dispomos
de uma boa aproximação da solução para inicializar o método.
Felizmente, algumas famílias de curvas admitem uma transformação que nos
leva a um problema linear. No caso da curva y = Aebx , observe que ln y = ln A+bx.
Assim, em vez de ajustar a curva original y = Aebx a tabela de pontos, ajustamos
a curva submetida a transformação logarítmica
ỹ := a1 + a2 x̃ = ln A + bx.
Usamos os pontos (x̃j ,ỹj ) := (xj , ln yj ), j = 1,2,3 e resolvemos o sistema linear

 
 
 ỹ1 
a1   
V TV 
 =V
T 


ỹ2  ,
 
a2  
ỹ3
onde  
 1 x1 
 
A= 
 1 x2 

 
 
1 x3
2
A soma do quadrado dos resíduos.

7.3. APROXIMANDO PROBLEMAS NÃO LINEARES POR
PROBLEMAS LINEARES 193
Exemplo 7.3.1. Encontre uma curva da forma y = Aex que melhor ajusta os
pontos (1, 2), (2, 3) e (3, 5).
Temos  
 1 1 
 
A= 
1 2 


 
 
1 3
e a solução do sistema leva em B = 0,217442 e b = 0,458145. Portanto, A =

e0,217442 = 1,24289.
Observação 7.3.1. Os coeficientes obtidos a partir dessa linearização são apro-

ximados, ou seja, são diferentes daqueles obtidos quando
X aplicamos mínimos qua-
drados não linear. Observe que estamos minimizando [ln yi − ln(f (xi ))]2 em vez
X i
de [yi − f (xi )]2 . No exemplo resolvido, a solução do sistema não linear original
i
seria A = 1,19789 e b = 0,474348
Observação 7.3.2. Mesmo quando se deseja resolver o sistema não linear, a

solução do problema linearizado pode ser usada para construir condições iniciais.
A próxima tabela apresenta algumas curvas e transformações que linearizam o

problema de ajuste.
Curva Transformação Problema Linearizado

y = aebx ỹ = ln y ỹ = ln a + bx
y = axb ỹ = ln y ỹ = ln a + b ln x
y = axb ecx ỹ = ln y ỹ = ln a + b ln x + cx
(b+cx)2
y = ae ỹ = ln y ỹ = ln a + b2 + bcx + c2 x2
a 1 b 1
y= ỹ = ỹ = + x
b+x y a a
y = A cos(ωx + φ) −x− y = a cos(ωx) − b sen (ωx)
ω conhecido a = A cos(φ), b = A sen (φ)
Exemplo 7.3.2. Encontre a função f da forma y = f (x) = A cos(2πx + φ) que

ajusta a tabela de pontos

xi yi
0,0 9,12
0,1 1,42
0,2 - 7,76
0,3 - 11,13
0,4 - 11,6
0,5 - 6,44
0,6 1,41
0,7 11,01
0,8 14,73
0,9 13,22
1,0 9,93
Solução. Usando o fato que y = A cos(2πx + φ) = a cos(2πx) − b sen (2πx), onde
a = A cos(φ) e b = A sen (φ), z = [ a b ]T é solução do problema
B T Bz = B T y,
onde
 
 1. 0. 
 
0,8090170
 

 −0,5877853 

 

 0,3090170 −0,9510565 

 
 
  
 −0,3090170 −0,9510565 

 cos(2πx0 ) − sen (2πx0 )  
  
   −0,8090170 −0,5877853 
 cos(2πx1 ) − sen (2πx1 )
   
  
B =
 ..
=
  −1,0000000 0,0000000 .


 .  
 


   −0,8090170 0,5877853 
cos(2πx10 ) − sen (2πx10 )
 
 

 −0,3090170 0,9510565 

 
 

 0,3090170 0,9510565 

 
0,8090170 0,5877853
 
 
 
 
1,0000000 0,0000000

7.3. APROXIMANDO PROBLEMAS NÃO LINEARES POR
PROBLEMAS LINEARES 195
Assim, a = 7,9614704 e b = 11,405721 e obtemos o seguinte sistema:


 A cos(φ) = 7,9614704
.
A sen (φ) = 11,405721


Observe que
A2 = 7,96147042 + 11,4057212
e, escolhendo A > 0, A = 13,909546 e
11,405721
sen (φ) = = 0,8199923
13,909546
Assim, como cos φ também é positivo, φ é um ângulo do primeiro quadrante:
φ = 0,9613976
Portanto f (x) = 13,909546 cos(2πx + 0,9613976). Observe que nesse exemplo a

solução do problema linear é a mesma do problema não linear. ♦
Exemplo 7.3.3. Encontre a função f da forma y = f (x) = a

b+x
que ajusta a
tabela de pontos
xi yi
0,0 101
0,2 85
0,4 75
0,6 66
0,8 60
1,0 55
usando uma das transformações tabeladas.
Solução. Usando o fato que Y = 1

y
= ab + a1 x, z = [ b
a
1
a
]T é solução do problema
AT Az = AT Y,

onde    

1 x1  
1 0,0 
   
 1 x   1 0,2 
 2   
   
   
 1 x3   1 0,4 
A= 


 = 



1 1 0,6
   


x4 





   

 1 x5 


 1 0,8 

   
1 x6 1 1,0
e    

1/y1  
0,0099010 
   
 1/y   0,0117647 
 2   
   
   
 1/y3   0,0133333 
Y = 


 = 



1/y4  0,0151515
   
  
   
   

 1/y5 


 0,0166667 

   
1/y6 0,0181818
Assim, a1 = 0,0082755 e ab = 0,0100288 e, então, a = 120,83924 e b = 1,2118696,

120,83924
ou seja, f (x) = 1,2118696+x . ♦

Capítulo 8
Derivação Numérica
Nesta seção, discutiremos sobre estratégias numéricas de aproximação de de-

rivadas de funções reais. Com as técnicas que abordaremos é possível o cálculo
aproximado da derivada de uma função a partir de um conjunto de pontos discretos
{(xi , yi )}ni=1 . Começamos discutindo sobre as chamadas aproximações por di-
ferenças finitas e, então, discutimos sobre aproximações de derivadas via ajuste
ou interpolação.
módulos Python estão importados:
import numpy as np
import matplotlib.pyplot as plt
8.1 Diferenças finitas

Uma diferença finita é uma expressão da forma f (x + b) − f (x + a), que ao ser
dividida por (b−a) chama-se um quociente de diferenças. A técnica de diferenças
finitas consiste em aproximar a derivada de uma função via fórmulas discretas
que requerem apenas um conjunto finito de pares ordenados {(xi , yi )}ni=1 , onde
geralmente denotamos yi = f (xi ).
Essas fórmulas podem ser obtidas de várias maneiras. Começamos com a fór-
mula mais simples que pode ser obtida do cálculo diferencial. Seja f uma função
diferenciável, a derivada de f no ponto x0 é, por definição,
f (x0 + h) − f (x0 )
f ′ (x0 ) = lim .
h→0 h
Deste limite, tomando h 6= 0 pequeno (não muito pequeno para evitar o cance-
lamento catastrófico), é esperado que possamos obter uma aproximação razoável
197
para f ′ (x0 ). Assim, a diferença finita progressiva de ordem 1

f (x0 + h) − f (x0 )
D+,h f (x0 ) := ≈ f ′ (x0 ) (8.1)
h
é uma aproximação para f ′ (x0 ).
Exemplo 8.1.1. Usando a diferença finita progressiva de ordem 1, calcule apro-
ximações da derivada de f (x) = cos(x) no ponto x = 1 usando h = 10−1 , 10−2 ,
10−3 , 10−4 , 10−12 e 10−14 . Calcule o erro |D+,h f (1) − f ′ (1)| obtido para cada valor
de h.
Solução. Usando a diferença progressiva em (8.1), devemos calcular
cos(1 + h) − cos(1)
D+,h f (1) =
h
Fazendo isso, obtemos:
h D+,h f (1) |f ′ (1) − D+,h f (1)|

10−1 −8,67062E−01 2,55909E−02
10−2 −8,44158E−01 2,68746E−03
10−3 −8,41741E−01 2,70011E−04
10−4 −8,41498E−01 2,70137E−05
10−12 −8,41549E−01 7,80679E−05
10−14 −8,43769E−01 2,29851E−03
Em Python, podemos calcular a aproximação da derivada f ′ (1) com h = 0,1
usando as seguintes linhas de código:
>>> def f(x):
... return np.cos(x)
...
>>> x0=1
>>> h=0.1
>>> df = (f(x0+h)-f(x0))/h
E, similarmente, para outros valores de x0 e h. ♦
Exploremos o exemplo 8.1.1 um pouco mais. Observamos que, para valores mo-
derados de h, o erro |f ′ (1)−D+,h f (1)| diminui linearmente com h (veja figura 8.1).
Isto é consequência da ordem de truncamento da fórmula de diferenças finitas apli-
cada (que é de ordem 1). Porém, para valores muito pequenos de h < 10−8 , o erro
passa a aumentar quando diminuímos h. Isto é devido ao efeito de cancelamento
catastrófico.

8.1. DIFERENÇAS FINITAS 199
Figura 8.1: Erro absoluto das derivadas numéricas no exemplo 8.1.1.
8.1.1 Diferenças finitas via série de Taylor

Podemos construir fórmulas de diferenças finitas para uma função f (x) (suave1 )
no ponto x = x0 a partir de sua expansão em série de Taylor. Em alguns casos,
este procedimento acaba por nos fornecer, também, a ordem de truncamento da
fórmula.
Diferença finita progressiva de ordem 1
Podemos obter uma aproximação para f ′ (x0 ) a partir da série de Taylor
′ 2f (ξ)
′′
f (x0 + h) = f (x0 ) + hf (x0 ) + h , h > 0, ξ ∈ (x0 ,x0 + h).
2
Isolando f ′ (x0 ), obtemos
f (x0 + h) − f (x0 ) f ′′ (ξ)

f ′ (x0 ) = −h , (8.2)
| h
{z } | {z } 2
D+,h O(h)
1
Uma função suave é uma função infinitamente continuamente diferenciável, isto é, f ∈
∞
C (R). Uma análise mais cuidadosa, revela que hipóteses mais fracas podem ser assumidas.

o que mostra que o erro de truncamento da diferença finita progressiva2
f (x0 + h) − f (x0 )
D+,h f (x0 ) :=
h
é de ordem h.
Diferença finita regressiva de ordem 1

Outra aproximação para a derivada primeira pode ser obtida da série de Taylor
de f em torno de (x0 − h) dada por
f ′′ (ξ)
f (x0 − h) = f (x0 ) − hf ′ (x0 ) + h2 , h > 0, ξ ∈ (x0 , x0 + h).
2
Isolando f ′ (x0 ), obtemos
f (x0 ) − f (x0 − h) f ′′ (ξ)

f ′ (x0 ) = +h .
| h
{z } | {z2 }
D−,h O(h)
que fornece a diferença finita regressiva3
f (x0 ) − f (x0 − h)
D−,h f (x0 ) := ,
h
que possui erro de truncamento de ordem h.
Diferença finita central de ordem 2

Para obter uma aproximação para a derivada primeira com um erro menor,
podemos utilizar as séries de Taylor:
′′′ (ξ )
f (x0 + h) = f (x0 ) + hf ′ (x0 ) + h2 f ′′ (x0 ) + h3 f 3!
+
,
′′′
3 f (ξ− )
f (x0 − h) = f (x0 ) − hf ′ (x0 ) + h2 f ′′ (x0 ) + h 3!
Fazendo a primeira equação menos a segunda, obtemos

!
f ′′′ (ξ+ ) − f ′′′ (ξ− )
f (x0 + h) − f (x0 − h) = 2hf ′ (x0 ) + h3 .
3!
2
Também chamada de diferença finita progressiva de dois pontos ou diferença pra frente.
3
Também chamada de diferença regressiva de dois pontos ou diferença pra trás.

Dividindo por 2h e isolando f ′ (x0 ) obtemos

!
′ f (x0 + h) − f (x0 − h) f ′′′ (ξ+ ) − f ′′′ (ξ− )
f (x0 ) = − h2 .
| 2h
{z } 2 · 3!
| {z }
D0,h
O(h2 )
Assim, a diferença finita central4
f (x0 + h) − f (x0 − h)
D0,h f (x0 ) := ,
2h
é uma aproximação para f ′ (x0 ) com erro de truncamento de ordem h2 , ou sim-
plesmente ordem 2.
1
Exemplo 8.1.2. Calcule a derivada numérica da função f (x) = e 2 x no ponto
x = 2 usando a diferença progressiva, diferença regressiva e diferença central com
h = 10−1 , h = 10−2 e h = 10−4 . Também, calcule o erro absoluto da aproximação
obtida em cada caso.
Solução. Usando a diferença progressiva, devemos calcular

1 1
f (x + h) − f (x) e 2 (x+h) − e 2 x
D+,h = = .
h h
Com a diferença regressiva, calculamos
1 1
f (x) − f (x − h) e 2 x − e 2 (x−h)
D−,h = = .
h h
Por fim, usando a diferença central temos
1 1
f (x + h) − f (x − h) e 2 (h+h) − e 2 (x−h)
D0,h = = .
2h 2h
As aproximações e os erros absolutos calculados em cada caso estão apresen-
tados na seguinte tabela:
h D+,h f (2) Erro D−,h Erro D0,h Erro

10−1 1,39369 3,5E−02 1,32572 3,3E−02 1,35971 5,7E−04
10−2 1,36254 3,4E−03 1,35575 3,4E−03 1,35915 5,7E−06
10−4 1,35917 3,4E−05 1,35911 3,4E−05 1,35914 5,7E−10
♦

Figura 8.2: Erro absoluto das derivadas numéricas no exemplo 8.1.2.
Observação 8.1.1. O experimento numérico realizado no exemplo 8.1.2, nos mos-

tra que o erro absoluto na derivação numérica não é da ordem do erro de trun-
camento. Entretanto, este erro tende a variar com h na mesma ordem do erro de
truncamento. A figura 8.1.2 apresenta o erro absoluto das derivadas numéricas
computadas para o exemplo 8.1.2. Note que, devido ao efeito de cancelamento ca-
tastrófico, o erro absoluto deixa de variar na ordem do erro de truncamento para
valores muito pequenos de h.
Exemplo 8.1.3. Estime o erro absoluto no cálculo da derivada de f (x) = e−x
para x > 0 utilizando a diferença progressiva.
Solução. Da equação 8.2, temos:
′ f ′′ (ξ)
f (x) = D+,h f (x) − h , ξ > 0,
2
ou seja:
f ′′ (ξ)
′
|f (x) − D+,h f (x)| = ξ > 0.

h,
2
Agora, como |f ′′ (x)| = |e−x | < 1 para x > 0, concluímos que:

1
|f ′ (x) − D+,h f (x)| ≤ h, x > 0.
2
4
Também chamada de diferença finita central de três pontos. Note que o ponto f (x0 ) possui
coeficiente 0, por isso 3 pontos.

8.1.2 Erros de arredondamento

Para entender como os erros de arredondamento se propagam ao calcular as
derivadas numéricas vamos analisar a fórmula de diferenças finitas progressiva
f (x + h) − f (x)
D+,h f (x) = .
h
Nesse contexto temos o valor exato f ′ (x) para a derivada, a sua aproximação
numérica D+,h f (x) e a representação em número de máquina do operador D+,h f (x)
que denotaremos por D+,h f (x). Denotando por ε(x,h) o erro de arredondamento
ao calcularmos a derivada, vamos assumimos que
f (x + h) − f (x)
D+,h f (x) = D+,h f (x)(1 + ε(x,h)) = (1 + ε(x,h)). (8.3)
h
Também, consideremos
|f (x + h) − f (x + h)| = δ(x,h) ≤ δ
e
|f (x) − f (x)| = δ(x,0) ≤ δ,
onde f (x + h) e f (x) são as representações em ponto flutuante dos números f (x+h)
e f (x), respectivamente.
Então, da equação (8.3), a diferença do valor da derivada e sua aproximação
representada em ponto flutuante pode ser estimada por:

′

′ f (x + h) − f (x)
f (x) − D+,h f (x) = f (x) − (1 + ε(x,h)) .

h
Podemos reescrever o lado direito desta equação, da seguinte forma

′

′ f (x + h) − f (x) f (x + h) − f (x + h)
f (x) − D+,h f (x) = f (x) − +

h h
!
f (x) − f (x)
+ (1 + ε)

h

′ f (x + h) − f (x) f (x + h) − f (x + h)
= f (x) + − −
h h
!
f (x) − f (x)
+ (1 + ε) .

h

Então, separando os termos e estimando, obtemos:

′

′ f (x + h) − f (x) f (x + h) − f (x + h)
f (x) − D+,h f (x) f (x) − +

≤
h h
!
f (x) − f (x) f (x + h) − f (x)
+
|1 + ε| +

ε
h h
!
δ δ
M h + + |1 + ε| + |f ′ (x)|ε

≤
h h
!
2δ
≤ Mh + |1 + ε| + |f ′ (x)|ε
h
onde
1
M= max |f ′′ (y)|
2 x≤y≤x+h
está relacionado com o erro de truncamento.
Por fim, obtemos a seguinte estimativa para o erro absoluto na computação da
derivada numérica:
!

′
2δ
f (x) − D+,h f (x)

≤ Mh + |1 + ε| + |f ′ (x)|ε. (8.4)
h
Esta estimativa mostra que se o valor de h for muito pequeno o erro ao calcular
a aproximação numérica cresce. Isso nos motiva a procurar o valor ótimo de h que
minimiza o erro.
Exemplo 8.1.4. No exemplo 8.1.2, computamos a derivada numérica da função
1
f (x) = e 2 x no ponto x = 2 usando as fórmulas de diferenças finitas progressivas,
regressivas e central. A figura 8.2, mostra que, para valores h muito pequenos,
os erros de arredondamento passam a dominar os cálculos e, por consequência, o
erro da derivada numérica passa a aumentar. Pela figura, podemos inferir que a
escolha ótima de h para as fórmulas progressiva e regressivas é h ≈ 10−7 . Agora,
para a fórmula central, h ≈ 10−5 parece ser a melhor escolha.
Observação 8.1.2. Note que a estimativa (8.4), mostra que o erro na computação
da derivada numérica depende da função que está sendo derivada. Assim, o h ótimo
depende não somente da fórmula de diferenças finitas, mas também da função a
ser derivada.
ER 8.1.1. Aproxime a derivada de f (x) = sen (2x) − x2 no ponto x = 2 usando a
fórmula de diferenças finitas progressiva de ordem 1 com: a) h = 0,1 e b) h = 0,01.
Compute, também, o erro absoluto de cada aproximação computada.

Solução. A fórmula de diferenças finitas de ordem 1 para uma função y = f (x)

em um ponto x = x0 é dada por:
f (x0 + h) − f (x0 )
D+,h f (x0 ) = .
h
Substituindo f (x) = sen (2x) − x2 e x0 = 2, obtemos:
(sen (2(x0 + h)) − (x0 + h)2 ) − (sen (2x0 ) − x20 )

D+,h f (x0 ) =
h
sen (2(x0 + h)) − x20 + 2x0 h + h2 − sen (2x0 ) + x20 )
=
h
sen (4 + 2h) + 4h + h − sen (4))
2
= .
h
Então, tomando h = 0,1, podemos computar a derivada numérica e o erro associ-
ado:
D+,0,1 f (2) = −5,247733, |f ′ (2) − D+,0,1 f (2)| = 5,96 × 10−2 ,
onde f ′ (x) = 2 sen (2x) − 2x é a derivada analítica. Tomando h = 0,01 temos:
D+,0,1 f (2) = −5,302065, |f ′ (2) − D+,0,1 f (2)| = 5,22 × 10−3 .
Em Python, podemos fazer os cálculos com o seguinte código:

#funcao
def f(x):
return np.sin(2*x) - x**2
#derivada analitica
def fl(x):
return 2*np.cos(2*x) - 2*x
#d.f. progressiva de ordem 1

def dp1(f,x,h=0.1):
return (f(x+h)-f(x))/h
#h=0.1
dy = dp1(f,2)
print("D.F. Progressiva de ordem 1 com h = %f" % 1e-1)
print("Df = %f" % dy)
print("Erro = %1.2e" % np.abs(fl(2)-dy))
#h=0.01

dy = dp1(f,2,1e-2)
print("D.F. Progressiva de ordem 1 com h = %f" % 1e-2)
print("Df = %f" % dy)
print("Erro = %1.2e" % np.abs(fl(2)-dy))
♦
Exercícios
E 8.1.1. Use os esquemas numéricos do exercício 8.1.2 para aproximar as

seguintes derivadas:
a) f ′ (x) onde f (x) = sen (x) e x = 2.
b) f ′ (x) onde f (x) = e−x e x = 1.
Use h = 10−2 e h = 10−3 e compare com os valores obtidos através da avaliação

numérica das derivadas exatas.
E 8.1.2. Expanda a função suave f (x) em um polinômio de Taylor adequado
para obter as seguintes aproximações:
f (x+h)−f (x)
a) f ′ (x) = h
+ O(h)
f (x)−f (x−h)
b) f ′ (x) = h
+ O(h)
f (x+h)−f (x−h)
c) f ′ (x) = 2h
+ O(h2 )
E 8.1.3. Use a expansão da função f (x) em torno de x = 0 em polinômios de

Taylor para encontrar os coeficientes a1 , a2 e a3 tais que
a) f ′ (0) = a1 f (0) + a2 f (h) + a3 f (2h) + O(h2 )
b) f ′ (0) = a1 f (0) + a2 f (−h) + a3 f (−2h) + O(h2 )
c) f ′ (0) = a1 f (−h1 ) + a2 f (0) + a3 f (h2 ) + O(h2 ), |h1 |, |h2 | = O(h)
E 8.1.4. As tensões na entrada, vi , e saída, vo , de um amplificador foram

medidas em regime estacionário conforme tabela abaixo.
0,0 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00
0,0 1,05 1,83 2,69 3,83 4,56 5,49 6,56 6,11 7,06 8,29

8.2. DIFERENÇA FINITA PARA DERIVADA SEGUNDA 207
onde a primeira linha é a tensão de entrada em volts e a segunda linha é tensão

de saída em volts. Sabendo que o ganho é definido como
∂vo
.
∂vi
Calcule o ganho quando vi = 1 e vi = 4.5 usando as seguintes técnicas:
a) Derivada primeira numérica de primeira ordem usando o próprio ponto e o

próximo.
b) Derivada primeira numérica de primeira ordem usando o próprio ponto e o

anterior.
c) Derivada primeira numérica de segunda ordem usando o ponto anterior e o

próximo.
d) Derivada primeira analítica da função do tipo v0 = a1 vi + a3 vi3 que melhor

se ajusta aos pontos pelo critério dos mínimos quadrados.
Caso a b c d
vi = 1
vi = 4.5
2
E 8.1.5. Estude o comportamento da derivada de f (x) = e−x no ponto
x = 1,5 quando h fica pequeno.
8.2 Diferença finita para derivada segunda

Para aproximar a derivada segunda, considere as expansões em série de Taylor
h2 ′′ h3
f (x0 + h) = f (x0 ) + hf ′ (x0 ) + f (x0 ) + f ′′′ (x0 ) + O(h4 )
2 6
h2 ′′ h3
f (x0 − h) = f (x0 ) − hf ′ (x0 ) + f (x0 ) − f ′′′ (x0 ) + O(h4 ).
2 6
Somando as duas expressões, temos:
f (x0 + h) + f (x0 − h) = 2f (x0 ) + h2 f ′′ (x0 ) + O(h4 )

ou seja, uma aproximação de segunda ordem para a derivada segunda em x0 é
f (x0 + h) − 2f (x0 ) + f (x0 − h)

f ′′ (x0 ) = + O(h2 ) := D0,h
2
f (x0 ) + O(h2 ),
h2
onde
2 f (x0 + h) − 2f (x0 ) + f (x0 − h)
D0,h f (x0 ) = .
h2
2
Exemplo 8.2.1. Calcule a derivada segunda numérica de f (x) = e−x em x = 1,5
para h = 0,1, h = 0,01 e h = 0,001.
Solução. A tabela mostra os resultados:
h h = 0,1 h = 0,01 h = 0,001

2
D0,h f (1,5) 0,7364712 0,7377814 0,7377944
2
Observe que f ′′ (x) = (4x2 − 2)e−x e f ′′ (1,5) = 0,7377946. ♦
Exercícios
E 8.2.1. Use a expansão da função f (x) em torno de x = 0 em polinômios de

Taylor para encontrar os coeficientes a1 , a2 e a3 tais que
a) f ′′ (0) = a1 f (0) + a2 f (h) + a3 f (2h) + O(h)
b) f ′′ (0) = a1 f (0) + a2 f (−h) + a3 f (−2h) + O(h)
8.3 Obtenção de fórmulas por polinômios inter-

poladores
Para aproximar a derivada de uma função f (x) em x0 , x1 ou x2 usaremos os
três pontos vizinhos (x0 ,f (x0 )), (x1 ,f (x1 )) e (x2 ,f (x2 )). Uma interpolação usando
polinômios de Lagrange para esses três pontos é da forma:
(x − x1 )(x − x2 ) (x − x0 )(x − x2 )
f (x) = f (x0 ) + f (x1 )
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 )
(x − x0 )(x − x1 ) f (ξ(x))
′′′
+ f (x2 ) + (x − x0 )(x − x1 )(x − x2 ).
(x2 − x0 )(x2 − x1 ) 6

8.3. OBTENÇÃO DE FÓRMULAS POR POLINÔMIOS
INTERPOLADORES 209
A derivada de f (x) é
2x − x1 − x2 2x − x0 − x2
f ′ (x) = f (x0 ) + f (x1 )
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 )
2x − x0 − x1
+ f (x2 )
(x2 − x0 )(x2 − x1 )
(8.5)
f (ξ(x))
′′′
+ ((x − x1 )(x − x2 ) + (x − x0 )(2x − x1 − x2 ))
6 !
f ′′′ (ξ(x))
+ Dx (x − x0 )(x − x1 )(x − x2 ).
6
Trocando x por x0 , temos
2x0 − x1 − x2 2x0 − x0 − x2
f ′ (x0 ) = f (x0 ) + f (x1 )
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 )
2x0 − x0 − x1
+ f (x2 )
(x2 − x0 )(x2 − x1 )
f (ξ(x0 ))
′′′
+ ((x0 − x1 )(x0 − x2 ) + (x0 − x0 )(2x0 − x1 − x2 ))
6 !
f ′′′ (ξ(x0 ))
+ Dx (x0 − x0 )(x0 − x1 )(x0 − x2 ).
6
Considerando uma malha equiespaçada onde x1 = x0 + h e x2 = x0 + 2h, temos:
−3h −2h
f ′ (x0 ) = f (x0 ) + f (x1 )
(−h)(−2h) (h)(−h)
−h f (ξ(x0 ))
′′′
+ f (x2 ) + ((−h)(−2h))
(2h)(h) 6
1 3 1 f ′′′ (ξ(x0 ))

= − f (x0 ) + 2f (x1 ) − f (x2 ) + h2
h 2 2 3
Similarmente, trocando x por x1 ou trocando x por x2 na expressão (8.5), temos

outras duas expressões
1 1 1 f ′′′ (ξ(x1 ))

′
f (x1 ) = − f (x0 ) + f (x2 ) + h2
h 2 2 6
1 1 3 f ′′′ (ξ(x2 ))

f ′ (x2 ) = f (x0 ) − 2f (x1 ) + f (x2 ) + h2
h 2 2 3

Podemos reescrever as três fórmulas da seguinte forma:
1 3 1 f ′′′ (ξ(x0 ))

′
f (x0 ) = − f (x0 ) + 2f (x0 + h) − f (x0 + 2h) + h2
h 2 2 3
1 1 1 ′′′
(ξ(x +

f 0 h))
f ′ (x0 + h) = − f (x0 ) + f (x0 + 2h) + h2
h 2 2 6
1 1 3 f ′′′ (ξ(x0 + 2h))

′
f (x0 + 2h) = f (x0 ) − 2f (x0 + h) + f (x0 + 2h) + h2
h 2 2 3
ou ainda
1 f ′′′ (ξ(x0 ))
f ′ (x0 ) = [−3f (x0 ) + 4f (x0 + h) − f (x0 + 2h)] + h2 (8.6)
2h 3
1 f ′′′
(ξ(x 0 ))
f ′ (x0 ) = [f (x0 + h) − f (x0 − h)] + h2 (8.7)
2h 6
1 f ′′′ (ξ(x0 ))
f ′ (x0 ) = [f (x0 − 2h) − 4f (x0 − h) + 3f (x0 )] + h2 (8.8)
2h 3
Observe que uma das fórmulas é exatamente as diferenças centrais obtida anteri-
ormente.
Analogamente, para construir as fórmulas de cinco pontos tomamos o polinômio
de Lagrange para cinco pontos e chegamos a cinco fórmulas, sendo uma delas a
seguinte:
′ 1 h4 (5)
f (x0 ) = [f (x0 − 2h) − 8f (x0 − h) + 8f (x0 + h) − f (x0 + 2h)]+ f (ξ(x0 ))
12h 30
(8.9)
2
Exemplo 8.3.1. Calcule a derivada numérica de f (x) = e−x em x = 1,5 pelas
fórmulas de três e cinco pontos para h = 0,1, h = 0,01 e h = 0,001.
Solução. Em Python, podemos computar estas derivadas numéricas com h = 0.1

da seguinte forma:
>>> def f(x):
>>> ... return np.exp(-x**2)
>>> x=1.5
>>> h=0.1
>>> #progressiva de ordem 1
>>> dp1 = (f(x+h)-f(x))/h
>>> #regressiva de ordem 1
>>> dr1 = (f(x)-f(x-h))/h
>>> #central de ordem 2
>>> dc2 = (f(x+h)-f(x-h))/(2*h)

8.4. FÓRMULAS DE DIFERENÇAS FINITAS 211
Diferenças Finitas h = 0,1 0,01 0,001

Progressiva O(h) −0,2809448 −0,3125246 −0,3158289
Regressiva O(h) −0,3545920 −0,3199024 −0,3165667
Progressiva O(h2 ) −0,3127746 −0,3161657 −0,3161974
Central O(h2 ) −0,3177684 −0,3162135 −0,3161978
Regressiva O(h2 ) −0,3135824 −0,3161665 −0,3161974
Central O(h4 ) −0,3162384 −0,3161977 −0,31619767
2
Tabela 8.1: Derivadas numéricas de f (x) = e−x em x = 1,5. Veja o exemplo 8.3.1.
>>> #progressiva de ordem 2

>>> dp2 = (-3*f(x)+4*f(x+h)-f(x+2*h))/(2*h)
>>> #regressiva de ordem 2
>>> dr2 = (f(x-2*h)-4*f(x-h)+3*f(x))/(2*h)
>>> #central de ordem 4
>>> dc4 = (f(x-2*h)-8*f(x-h)+8*f(x+h)-f(x+2*h))/(12*h)
e, análogo, para h = 0.01 e h = 0.001. O valor analítico da derivada é f ′ (1,5) ≈
−0,3161976736856. A tabela 8.1 mostra os resultados computados com as deriva-
das numéricas.
♦
8.3.1 Exercícios resolvidos

Em construção ... Gostaria de colaborar na escrita deste livro? Veja como em:
Exercícios
8.4 Fórmulas de diferenças finitas

Veremos nessa seção uma outra maneira de obter fórmulas de diferenças finitas
para derivadas de qualquer ordem de tal forma que elas possuam alta ordem de
precisão.

Dados n + 1 pontos {x1 , x2 , . . . , xn }, queremos obter uma aproximação para a

derivada de f (x) calculada em x∗ do tipo
f ′ (x∗ ) ≈ c1 f (x1 ) + c2 f (x2 ) + . . . + cn f (xn ) (8.10)
que seja exata para polinômios até ordem n − 1.

Seja q(x) = c1 φ1 (x) + c2 φ2 (x) + . . . + cn φn (x) o polinômio de ordem n que
aproxima f (x). Fixe a base φk (x) = xk . Como a regra (8.10) deve ser exata para
qualquer q(x) até ordem n − 1, então também deve ser exata para qualquer função
da base. Substituindo f (x) por φ1 (x) = 1 em (8.10) obtemos
φ′1 (x)|x∗ = (1)′ |x∗ = (8.11)

0 = c1 φ1 (x1 ) + c2 φ1 (x2 ) + . . . + cn φ1 (xn ) (8.12)
0 = c1 + c2 + . . . + cn (8.13)
Da mesma forma para k = 1, . . . ,n − 1, obtemos
(x)′x∗ = 1 = c1 x1 + c2 x2 + . . . + cn xn (8.14)
(x2 )′x∗ = 2x∗ = c1 x21 + c2 x22 + . . . + cn x2n (8.15)
(x3 )′x∗ = 3(x∗ )2 = c1 x31 + c2 x32 + . . . + cn x3n (8.16)
.. .
. = .. (8.17)
(xn−1 )′x∗ = (n − 1)(x ) ∗ n−2
= c1 xn−1
1 + c1 xn−1
1 + . . . + cn xn−1
n (8.18)
que pode ser escrito na forma matricial

    
 1 1 ... 1   c1   0 
    
1
    


x1 x2 ... xn  c 
  2




    

 x21 x22 ... x2n 
  c3 
  = 
 2x∗ 
 (8.19)
.. .. ..   ..  ..
    
  

 . . . 
 . 
  
 . 

    
xn−1
1 xn−1
2 . . . xn−1
n cn (n − 1)(x∗ )n−2
Resolvendo o sistema obtemos os coeficientes ck para a regra de diferenciação.
Exemplo 8.4.1. Sejam {x1 , x2 , x3 } = {−h, 0, h} e x∗ = x2 = 0, obtenha uma

regra de diferenciação para aproximar f ′ (x∗ ).
Solução. A regra terá a forma
f ′ (x∗ ) ≈ c1 f (x1 ) + c2 f (x2 ) + c3 f (x3 )

8.4. FÓRMULAS DE DIFERENÇAS FINITAS 213
Considere a base polinomial {φ1 (x), φ2 (x), φ3 (x)} = {1, x, x2 } e substitua f (x) por
φk (x) obtendo
(1)′x=0 = 0 = c1 (1) + c2 (1) + c3 (1) (8.20)
′
(x)x=0 = 1 = c1 (−h) + c2 (0) + c3 (h) (8.21)
(x2 )′x=0 = 0 = c1 (−h)2 + c2 (0)2 + c3 (h)2 (8.22)
    
 1 1 1  c1  0
    

−h 0
 
h = 1
 
(8.23)
 c2 
 
  
    
h2 0 h2 c3 0
Resolvendo o sistema obtemos {c1 , c2 , c3 } = {− 2h
1
, 0, 2h
1
} fornecendo a regra
1 1
f ′ |x=x1 ≈ − f (x1 ) + f (x3 ) (8.24)
2h 2h
f (x3 ) − f (x1 )
≈ (8.25)
2h
♦
Exercícios
E 8.4.1. Seja {x0 , x1 , x2 } = {0, h, 2h} e x∗ = x0 = 0, obtenha uma regra

unilateral de diferenciação para aproximar f ′ (x0 ).
E 8.4.2. Seja {x0 , x1 , x2 } = {−h, 0, h} e x∗ = x1 = 0, obtenha uma regra de

diferenciação para aproximar f ′′ (x∗ ).
E 8.4.3. Seja {x0 , x1 , . . . , x4 } = {−2h, −h, 0, h, 2h} e x∗ = 0, obtenha uma

regra de diferenciação para aproximar f ′ (x∗ ).
E 8.4.4. Seja [x0 ,x1 , . . . ,x4 ] = [−2h, − h,0,h,2h] e x∗ = 0, obtenha uma regra
de diferenciação para aproximar f ′′ (x∗ ).
E 8.4.5. Seja [x0 ,x1 , . . . ,x4 ] = [0,h,3h,6h,10h] e x∗ = 0, obtenha uma regra de

diferenciação para aproximar f ′ (x∗ ).

8.5 Derivada via ajuste ou interpolação

dy
Dado os valores de uma função em pontos {(xi ,yi )}N i=1 , as derivadas dx i
podem ser obtidas através da derivada de uma curva que melhor ajusta ou interpola
os pontos. Esse tipo de técnica é necessário quando os pontos são muito espaçados
entre si ou quando a função oscila muito. Por exemplo, dado os pontos (0,1), (1,2),
(2,5), (3,9), a parábola que melhor ajusta os pontos é
Q(x) = 0,95 + 0,45x + 0,75x2 .
Usando esse ajuste para calcular as derivadas, temos:
Q′ (x) = 0,45 + 1,5x
y ′ (x1 ) ≈ Q′ (x1 ) = 0,45, y ′ (x2 ) ≈ Q′ (x2 ) = 1,95,

y ′ (x3 ) ≈ Q′ (x3 ) = 3,45 e y ′ (x4 ) ≈ Q′ (x4 ) = 4,95
Agora olhe o gráfico da seguinte tabela de pontos.
x y
0 1,95
1 1,67
2 3,71
3 3,37
4 5,12
5 5,79
6 7,50
7 7,55
8 9,33
9 9,41
10 11,48

12
11
10
1
0 1 2 3 4 5 6 7 8 9 10
Observe que as derivadas calculadas por diferenças finitas oscilam entre um

valor pequeno e um grande em cada intervalo e além disso, a fórmula progressiva
difere da regressiva significantemente. Por exemplo, por diferenças regressivas
f ′ (7) ≈ (7,55−7,50)
1
= 0,05 e por diferenças progressivas f ′ (7) ≈ (9,33−7,55)
1
= 1,78. A
melhor forma de calcular a derivada aqui é fazer um ajuste de curva. A reta que
melhor ajusta os dados da tabela é y = f (x) = 1,2522727 + 0,9655455x. Usando
esse ajuste, temos f ′ (7) ≈ 0,9655455.
Exercícios


Capítulo 9
Integração Numérica
Neste capítulo discutiremos técnicas numéricas para aproximar integrais de-

finidas de funções reais.
Considere o problema de calcular (ou estimar) a integral de f (x) no intervalo
[a,b], ou seja,
Z b
I= f (x) dx.
a
Uma maneira de estimar esta integral numericamente consiste em subdividir

o intervalo [a,b] em n − 1 intervalos a partir de um conjunto ordenado de pontos
a = x1 < x2 < ... < xn = b. Em cada intervalo i, a integral será aproximada por
∆Si e a integral será aproximada por
n−1
X
I≈S= ∆Si .
i=1
O tamanho de cada intervalo é dado por hi = xi+1 − xi . No caso uniforme, todos

os intervalos possuem o mesmo tamanho h = hi = n−1b−a
.
Nas próximas seções apresentaremos formas diferentes de aproximar ∆Si inici-
ando com o caso mais simples que é um retângulo. Cada uma das regras obtidas
também é chamada de quadratura.
Exemplo 9.0.1. A figura 9.1 mostra um exemplo quando f (x) = x2 + 1, 0 ≤

x ≤ 2. Temos a aproximação por um retângulo com base h1 = 2, depois com dois
retângulos de base h2 = 1 e, finalmente com quatro retângulo de bases h3 = 0,5.
Os valores aproximados para a integral são dados na seguinte tabela:
216
217
4.5
3.5
2.5
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Figura 9.1: Aproximação por retângulos.

Z 2
(x2 + 1) dx
0
h1 = 2 h1 f (1) = 4
h2 = 1 h2 f (0,5) + h2 f (1,5) = 4,5
h3 = 0,5 4,625
h4 = 0,25 4,65625
Observe que:
" #2
Z 2
2 x3 8
(x + 1) dx = +x = + 2 = 4,6666667.
0 3 0
3
Nos códigos Python apresentados ao longo deste capítulo, estaremos assumindo:
9.1 Regras de Newton-Cotes

O método básico para encontrar as regras de integração consiste em aproximar
a integral de f por uma combinação linear de n valores1 de fi := f (xi ), ou seja,
Z b n
X
I= f (x) dx ≈ Ai fi .
a i=1
Podemos obter os coeficientes Ai aproximando a função f pelo polinômio de

Lagrange pn−1 que interpola {(xi ,fi )}ni=1 , tal que,
n
f (x) = pn (x) + ELAG (x) (9.1)
n
X
n
= fi Li (x) + ELAG (x) (9.2)
i=1
onde o erro na interpolação de Lagrange é

n
n f (n) (ξ(x)) Y
ELAG (x) = (x − xi ). (9.3)
n! i=1
Substituindo na integral obtemos

Z b n
" Z b # Z b
X
n
f (x) dx = fi Li (x) dx + ELAG (x) dx. (9.4)
a i=1 a a
1
Utilizaremos neste capítulo a notação fi para indicar f (xi ).

9.1. REGRAS DE NEWTON-COTES 219
A fórmula de quadratura é então

Z b n
X
f (x) dx ≈ Ai fi , (9.5)
a i=1
onde Z b
Ai = Li (x) dx. (9.6)
a
9.1.1 Somas de Riemann

O método mais simples de aproximar
Z b
I= f (x) dx.
a
com apenas um intervalo, é aproximar f (x) por um polinômio constante no in-

tervalo [a,b], ou seja, f (x) = c. Se aproximarmos f (x) pelo ponto a esquerda do
intervalo temos que f (x) ≈ f (a) e
Z b
Rb
I = a f (x) dx ≈ f (a) dx (9.7)
a
Rb
= f (a) a dx = f (a)(b − a) (9.8)
Esta é a regra de quadratura local para 1 intervalo.

Quando subdividimos [a,b] em n intervalos com tamanho h = (b − a)/n nos
pontos xi = a + (i − 1)h , em cada intervalo i aproximamos a área por
∆Si ≈ f (xi )h
tal que a área total será aproximada pelas somas de Riemann à esquerda
n−1
X n−1
X
S= ∆Si = f (xi )h
i=1 i=1
Podemos obter uma fórmula similar se usarmos os pontos a direita do intervalo,

ou seja, as somas de Riemann à direita
n−1
X
S= f (xi+1 )h
i=1
Uma terceira opção é utilizar o ponto médio do intervalo [xi ,xi+1 ] o qual fornece
a regra do ponto médio
n−1
X xi + xi+1
S= f (ξi )h, ξi = . (9.9)
i=1 2

9.1.2 Regra do trapézio

A regra do trapézio consiste em aproximar a função f (x) por um polinômio
de grau 1. Se utilizarmos uma reta ligando extremos do intervalo obtemos um
trapézio que fornece o nome da regra.
Desta forma, utilizando x1 := a, x2 := b, h = x2 − x1 e a notação fi = f (xi )
obtemos através da interpolação de Lagrange o polinômio
p1 (x) = f1 L1 (x) + f2 L2 (x) (9.10)
Aproximando f (x) por p1 (x) e integrando obtemos

Z b Z b
f (x) dx ≈ p1 (x) dx
a a
Z b
= f1 L1 (x) + f2 L2 (x) dx
a
Z b Z b
= f1 L1 (x) dx + f2 L2 (x) dx
a a
= A1 f1 + A2 f2
onde
" # x2
Z b
x − x1 (x − x1 )2
A1 = dx =
a x2 − x1 2h x1
(x2 − x1 ) h 1 2 2
= = = h
2h 2h 2
Da mesma forma,
Z b
(x − x2 ) 1
A2 = dx = h
a (x1 − x2 ) 2
de onde obtemos a regra do trapézio dada por
1 1
Z b
f (x) dx ≈ f1 + f2 h. (9.11)
a 2 2
Erro na regra do trapézio

O erro na regra do trapézio pode ser obtido integrando o erro da interpolação
de Lagrange,
Z b
2
Z b
f ′′ (ξ(x))
ET RAP = ELAG (x) dx = (x − x1 )(x − x2 ) dx.
a a 2!

Pelo teorema do valor médio, existe a ≤ η ≤ b tal que

f ′′ (η) Z b
ET RAP = (x − x1 )(x − x2 ) dx,
2! a
portanto
" # x2
f ′′ (η) x3 x2
ET RAP = − (x2 + x1 ) + x1 x2 x
2 3 2 x1
!
f (η)
′′
x32 x22 x3 x2
= − (x2 + x1 ) + x1 x2 x2 − 1 + 1 (x2 + x1 ) − x1 x2 x1
2 3 2 3 2
f (η) 2x2 − 3x2 (x2 + x1 ) + 6x2 x1 − 2x1 + 3x21 (x2 + x1 ) − 6x2 x21
′′ 3 2 2 3
=
2 6
f (η) 3
′′ f ′′ (η)
= x1 − 3x21 x2 + 3x22 x1 − x32 = (x1 − x2 )3
12 12
f ′′ (η) 3
= − h.
12
Assim, o erro na regra do trapézio é
f ′′ (η) 3
ET RAP = − h = O(h3 ).
12
Exemplo 9.1.1. Use a regra do trapézio para aproximar a integral
Z 1
2
e−x dx.
0
Depois divida a integral em duas

Z 1/2 Z 1
2 2
e−x dx + e−x dx.
0 1/2
e aplique a regra do trapézio em cada uma delas. Finalmente, repita o processo

dividindo em quatro integrais.
Usando o intervalo [0,1], temos h = 1, x0 = 0 e x1 = 1. A regra do trapézio
resulta em Z 1
2 1
e−x dx ≈ (e0 + e−1 ) = 0,6839397.
0 2
Usando dois intervalos, [0,1/2] e [1/2,1] e usando a regra do trapézio em cada um
dos intervalos, temos:
Z 1
2 0,5 0 0,5 −1/4
e−x dx ≈ e + e−1/4 + e + e−1
0 2 2
= 0,4447002 + 0,2866701 = 0,7313703.

Agora, usando quatro intervalos, temos

Z 1
2 0,25 0 0,25 −1/16
e−x dx ≈ e + e−1/16 + e + e−1/4
0 2 2
0,25 −1/4 0,25 −9/16
+ e + e−9/16 + e + e−1
2 2
= 0,7429841.
9.1.3 Regra de Simpson

Na regra de Simpson aproximamos f por um polinômio de grau 2, portanto
precisamos de três pontos do intervalo [a,b]. Utilizando, por definição,
a+b
x1 := a, x2 := e x3 := b
2
com h = x3 − x1 , podemos obter o polinômio de Lagrange
p2 (x) = f1 L1 (x) + f2 L2 (x) + f3 L3 (x)
Aproximando f por p2 e integrando temos

Z b Z b
f (x) dx ≈ p2 (x) dx (9.12)
a a
Z b
= f1 L1 (x) + f2 L2 (x) + f3 L3 (x) dx (9.13)
a
= f1 A1 + f2 A2 + f3 A3 (9.14)
onde
Z b
Ai = Li (x) dx (9.15)
a
Calculando essas integrais obtemos a regra de Simpson
1 4 1
Z b
f (x) dx = f (x1 ) + f (x2 ) + f (x3 ) h.
a 6 6 6
Exemplo 9.1.2. Obtenha os coeficientes Ai do método de Simpson integrando os

polinômios de Lagrange Li (x).

Fazendo uma translação para a origem (subtraindo x1 de x2 e x3 )

Z x3
(x − x2 )(x − x3 )
A1 = dx
x1 (x1 − x2 )(x1 − x3 )
Z h
(x − h/2)(x − h) 2 Zh
= dx = 2 (x − h/2)(x − h) dx
0 (0 − h/2)(0 − h) h 0
2 Zh 2 3 h2 2 3 3 2 h2 x h
= x − hx + dx = (x /3 − hx + )
h2 0 2 2 h2 4 2 0
2 3 3 3 h3 2 3
= (h /3 − h + ) = ( − + 1)h
h2 4 2 3 2
1
= h.
6
Apesar de longa, é apenas a integral de um polinômio de grau 2. De forma seme-
lhante podemos obter
4 1
A2 = h, A3 = h
6 6
Erro na regra de Simpson

Se usarmos a mesma metodologia da regra dos trapézios, teremos
Z b Z b Z b
(x − x1 )(x − x2 )(x − x3 ) ′′′
f (x) dx = p2 (x) dx + f (ξ(x)) dx
a a a 6
e obteremos o fórmula de Simpson com um erro de quarta ordem. O fato é que a

regra de Simpson tem ordem cinco e, para isso, usaremos uma abordagem alter-
nativa.
Considere o polinômio de Taylor em x2 ,
f ′′ (x2 ) f ′′′ (x2 ) f (4) (ξ(x))

f (x) = f (x2 )+f ′ (x2 )(x−x2 )+ (x−x2 )2 + (x−x2 )3 + (x−x2 )4 ,
2 6 24
onde x1 ≤ ξ(x) ≤ x3 e integre no intervalo [a,b] = [x1 ,x3 ]:

"
Z b
(x − x2 )2 f ′′ (x2 )
f (x) dx = f (x2 )(x − x2 ) + f ′ (x2 ) + (x − x2 )3
a 2 6
#x
f ′′′ (x2 ) 4
3
+ (x − x2 )
24 x1
1 Z x3 (4)
+ f (ξ(x))(x − x2 )4 dx,
24 x1

Pelo teorema do valor médio, existe x1 ≤ η ≤ x3 tal que

"
Z b
(x − x2 )2 f ′′ (x2 )
f (x) dx = f (x2 )(x − x2 ) + f ′ (x2 ) + (x − x2 )3
a 2 6
# x3
f ′′′ (x2 )
+ (x − x2 )4
24 x1
f (η)
(4) Z x3
+ (x − x2 )4 dx
"
24 x1
(x − x2 )2 f ′′ (x2 )
= f (x2 )(x − x2 ) + f ′ (x2 ) + (x − x2 )3
2 6
# x3
f (x2 )
′′′
+ (x − x2 )4
24 x1
f (4) (η) h i x3
+ (x − x2 )5 .
120 x1
Usando o fato que

(x3 − x2 )3 − (x1 − x2 )3 = 2h3 ,
(x3 − x2 )4 − (x1 − x2 )4 = 0
e
(x3 − x2 )5 − (x1 − x2 )5 = 2h5 ,
temos Z b
h3 ′′ h5 f (4) (η)
f (x) dx = hf (x2 ) +
f (x2 ) + .
a 3 60
Usando a fórmula de diferenças finitas centrais para a derivada segunda:
f (x1 ) − 2f (x2 ) + f (x3 ) h2 (4)
f ′′ (x2 ) = + f (η2 ),
h2 12
x1 ≤ η2 ≤ x3 , temos
!
Z b
h3 f (x1 ) − 2f (x2 ) + f (x3 ) h2 (4)
f (x) dx = 2hf (x2 ) + + f (η2 )
a 3 h2 12
h5 f (4) (η)
+
60
h5 1 (4) 1

h
= (f (x1 ) + 4f (x2 ) + f (x3 )) − f (η2 ) − f (4) (η) .
3 12 3 5
Pode-se mostrar que é possível escolher η3 que substitua η e η2 com a seguinte
estimativa
Z b
h h5
f (x) dx = (f (x1 ) + 4f (x2 ) + f (x3 )) − f (4) (η3 ).
a 3 90

Exemplo 9.1.3. Use a regra de Simpson para aproximar a integral

Z 1
2
e−x dx.
0
Depois divida a integral em duas

Z 1/2 Z 1
−x2 2
e dx + e−x dx.
0 1/2
e aplica a regra de Simpson em cada uma delas.

Usando o intervalo [0,1], temos h = 1/2, x0 = 0, x1 = 1/2 e x2 = 1. A regra
de Simpson resulta em
Z 1
2 0,5 0
e−x dx ≈ (e + 4e−1/4 + e−1 ) = 0,7471804.
0 3
Usando dois intervalos, [0,1/2] e [1/2,1] e usando a regra do trapézio em cada um
dos intervalos, temos:
Z 1
2 0,25 0 0,25 −1/4
e−x dx ≈ (e + 4e−1/16 + e−1/4 ) + (e + 4e−9/16 + e−1 ) = 0,7468554.
0 3 3
Exercícios
E 9.1.1. Calcule numericamente as seguintes integrais:

Z 1
R1 2
a) e−x dx b) x dx
0
0
Z 1
R1 2
c) x3 dx d) 0 xe−x dx
0
Z 1
1 R1
e) dx e) x
0 x2 +1 dx
0 x2 +1
usando os métodos simples do Ponto médio, Trapézio e Simpson. Calcule, também,
o valor analítico destas integrais e o erro nas aproximações dadas pelas quadraturas
numérica.
E 9.1.2. Dê a interpretação geométrica dos métodos do ponto médio, tra-
pézio e Simpson. A partir desta construção geométrica, deduza as fórmulas para
aproximar Z b
f (x) dx.
a
Verifique o método de Simpson pode ser entendido como uma média aritmética
ponderada entre os métodos de trapézio e ponto médio. Encontre os pesos envol-
vidos. Explique o que são os métodos compostos.

R 2
E 9.1.3. Calcule numericamente o valor de 25 e4−x dx usando os métodos
compostos do ponto médio, trapézio e Simpson. Obtenha os resultados utilizando,
em cada quadratura, o número de pontos indicado.
n Ponto médio Trapézios Simpson

3
5
7
9
9.2 Obtenção das regras de quadratura

Na seção anterior, obtivemos as regras de quadraturas pela aproximação do
integrando por polinômios interpoladores de Lagrange. Aqui, veremos um outro
método para obter regras de quadratura, que torna-se bastante útil para quando
temos muitos pontos ou quando o intervalo entre os pontos não é uniforme.
Dados n pontos [t1 ,t2 , . . . ,tn ], queremos obter uma aproximação para
Z b
f (t) dt ≈ w1 f (t1 ) + w2 f (t2 ) + . . . + wn f (tn ) (9.16)
a
que seja exata para polinômios2 até ordem n − 1.

Aproxime f (t) pelo polinômio p(t) = w1 φ1 (t) + . . . + wn φn (t) de ordem n − 1.
Escolha uma base, como por exemplo φk (t) = tk−1 . Como a regra de quadratura
deve ser exata para qualquer polinômio até ordem n − 1, então também deve ser
exata para qualquer função da base. Substituindo f (t) por φ1 (t) = 1 em (9.16)
obtemos
Z b
φ1 (t) dt = t|ba = w1 φ1 (t1 ) + w2 φ1 (t2 ) + . . . + wn φ1 (tn ) (9.17)
a
b − a = w1 + w2 + . . . + wn (9.18)
2
Por exemplo, se n = 2, então a regra é exata para retas.

9.2. OBTENÇÃO DAS REGRAS DE QUADRATURA 227
Da mesma forma para φk (t), k = 2, . . . ,n, obtemos

b2 − a2
(t2 /2)|ba = = w1 t1 + w2 t2 + . . . + wn tn (9.19)
2
b3 − a3
(t3 /3)|ba = = w1 t21 + w2 t22 + . . . + wn t2n (9.20)
3
.. ..
.=. (9.21)
n n
b −a
= w1 tn−1
1 + w2 tn−1
2 + . . . + wn tn−1
n (9.22)
n
    
 1 1 ... 1   w1  b − a
    
    b2 −a2 


t1 t2 ... tn  w 
  2
 2 
 
    3 3

 t21 t22 ... t2n  w 
  3 =  b −a 
 3  (9.23)
.. .. ..   ..   .. 
    


 . . .  . 
 
 . 
 
    n n
tn−1
1 tn−1
2 . . . tn−1
n wn b −a
n
Resolvendo o sistema obtemos os coeficientes wk para a regra de integração.

Exemplo 9.2.1. Seja n = 3, [a,b] = [0,h],
Rb
onde [t1 ,t2 ,t3 ] = [0,h/2,h]. Obtenha
uma regra de integração para aproximar a f (t) dt.
Solução. A regra terá a forma
Z b
f (t) dt ≈ w1 f (t1 ) + w2 f (t2 ) + w3 f (t3 ) (9.24)
a
≈ w1 f1 + w2 f2 + w3 f3 . (9.25)
Considere a base polinomial [φ1 (t),φ2 (t),φ3 (t)] = [1,t,t2 ] e substitua f (t) por φk (t)
obtendo
Z h
1 dt = h = w1 (1) + w2 (1) + w3 (1) (9.26)
0
Z h
t dt = h2 /2 = w1 (0) + w2 (h/2) + w3 (h) (9.27)
0
Z h
t2 dt = h3 /3 = w1 (0)2 + w2 (h/2)2 + w3 (h)2 (9.28)
0
    
1 1 1  w1   h 
    
0 = (9.29)
    2 
 h/2 h
 w2 
  h /2
 
    
0 h2 /4 h2 w3 h3 /3

Note que podemos simplificar h tal que o sistema fique

    
1 1 1 w1   1 
    
0 1/2 1 = h 1/2 (9.30)
   
 w2 
  
  
    
0 1/4 1 w3 1/3
1 4 1
Resolvendo o sistema obtemos [w1 ,w2 ,w3 ] = h[ , , ] fornecendo a regra de
6 6 6
Simpson Z h
h 4h h
f (t) dt ≈ f0 + f1 + f2 (9.31)
0 6 6 6
♦
9.3 Regras compostas

Vimos que em todas as estimativas de erro que derivamos, o erro depende do
tamanho do intervalo de integração. Uma estratégia para reduzir o erro consiste
em particionar o intervalo de integração em diversos subintervalos menores tal que
Z b n Z xi+1
X
f (x) dx = f (x) dx
a i=1 xi
onde a = x1 < ... < xn+1 = b, sendo n o número de subintervalos da partição do

intervalo de integração. No caso uniforme xi = a + (i − 1)h, h = (b − a)/n.
Depois, aplica-se um método simples de integração em cada subintervalo,
Z xi+1
f (x) dx ≈ ∆Si
xi
e a integral será aproximada por

Z b n
X
f (x) dx ≈ S = ∆Si .
a i=1
9.3.1 Método composto dos trapézios

A regra composta dos trapézios assume a seguinte forma:
Z b n Z xi+1
X
f (x) dx = f (x) dx
a i=1 xi
n
X xi+1 − xi
≈ [f (xi ) + f (xi+1 )] .
i=1 2

9.3. REGRAS COMPOSTAS 229
Como h = xi+1 − xi , temos:
Z b Ni
hX
f (x) dx ≈ [f (xk ) + f (xk+1 )]
a 2 k=1
h
= [f (x1 ) + 2f (x2 ) + 2f (x3 ) + · · · + 2f (xNi ) + f (xNi +1 )]
2
Ni
h X
= [f (x1 ) + f (xNi +1 )] + h f (xi )
2 i=2
9.3.2 Método composto de Simpson

Já a regra composta de Simpson assume a seguinte forma:
Z b n Z xk+1
X
f (x) dx = f (x) dx
a k=1 xk
n
xk+1 + xk

X xx+1 − xk
≈ f (xk ) + 4f + f (xk+1 )
k=1 6 2
onde, como anteriormente, xk = a + (k − 1)h, h = (b − a)/n e i = 1,2, . . . ,n + 1,

sendo n o número de subintervalos da partição do intervalo de integração. Podemos
simplificar o somatório acima, escrevendo:
Z b " n−1 n
#
h X X
f (x) dx ≈ f (x1 ) + 2 f (x2i+1 ) + 4 f (x2i ) + f (x2n+1 ) + O(h5 )
a 3 i=1 i=1
onde, agora, h = (b − a)/(2n), xi = a + (i − 1)h, i = 1,2, . . . ,2n + 1.
Exemplo 9.3.1. Calcule numericamente a integral
Z 2
2
x2 ex dx
0
pelas regras compostas do ponto médio, trapézio e Simpson variando o número de

intervalos n = 1, 2, 3, 6, 12, 24, 48 e 96.
Solução. As aproximações calculadas são apresentadas na seguinte tabela:

n Ponto Médio Trapézios Simpson

1 5,4365637 218,3926 76,421909
2 21,668412 111,91458 51,750469
3 31,678746 80,272022 47,876505
6 41,755985 55,975384 46,495785
12 45,137529 48,865685 46,380248
24 46,057757 47,001607 46,372373
48 46,292964 46,529682 46,37187
96 46,352096 46,411323 46,371838
Exercícios
E 9.3.1. Use as rotinas construídas em aula e calcule numericamente o valor

das seguintes integrais usando o método composto dos trapézios para os seguintes
números de pontos:
R 1 −4x2 R1 R1 4 R 1 − 21
n h 0 e dx 1
0 1+x2 dx x (1 − x)4 dx
0 0 ex +1 dx
17 0.4409931
33 0.4410288
65 0.4410377
129 0.4410400
257 0.4410405
513 0.4410406
1025 0.4410407 0.7853981 1.5873015873016 · 10−3 4.6191723776309 · 10−1
R1
E 9.3.2. O valor exato da integral imprópria 0 x ln(x) dx é dado por
!1
Z 1
x2 x2
x ln(x) dx = ln x −
= −1/4
0 2 4
0

9.4. O MÉTODO DE ROMBERG 231
Aproxime o valor desta integral usando a regra de Simpson para n = 3, n = 5 e

n = 7. Como você avalia a qualidade do resultado obtido? Por que isso acontece.
R ∞ −x2 √
π
E 9.3.3. O valor exato da integral imprópria 0 e dx é dado por 2
.
Escreva esta integral como
Z 1 Z 1 Z 1
−x2 −2 −1/u2 2 2
I= e dx + u e du = e−x + x−2 e−1/x dx
0 0 0
e aproxime seu valor usando o esquema de trapézios e Simpson para n = 5, n = 7

e n = 9.
E 9.3.4. Estamos interessados em avaliar numericamente a seguinte integral:
Z 1
ln(x) sen (x) dx
0
cujo valor com 10 casas decimais corretas é −.2398117420.

a) Aproxime esta integral via Gauss-Legendre com n = 2,n = 3, n = 4, n = 5,
n = 6 e n = 7.
b) Use a identidade
Z 1 Z 1 Z 1
ln(x) sen (x) dx = ln(x)x dx + ln(x) [sen (x) − x] dx
0 0 0
!1
x2 x2
Z 1
= ln x − + ln(x) [sen (x) − x] dx

2 0
4
0
1 Z1
= − + ln(x) [sen (x) − x] dx
4 0
R
e aproxime a integral 01 ln(x) [sen (x) − x] dx numericamente via Gauss-Legendre
com n = 2, n = 3, n = 4, n = 5, n = 6 e n = 7.
c) Compare os resultados e discuta levando em consideração as respostas às se-

guintes perguntas: 1)Qual função é mais bem-comportada na origem? 2)Na
segunda formulação, qual porção da solução foi obtida analiticamente e, por-
tanto, sem erro de truncamento?
9.4 O método de Romberg

O método de Romberg é um método simplificado para construir quadraturas
de alta ordem.

Considere o método de trapézios composto aplicado à integral

Z b
f (x) dx
a
Defina I(h) a aproximação desta integral pelo método dos trapézios composto com
malha de largura constante igual a h. Aqui h = b−a
Ni
para algum Ni inteiro, i.e.:
 
Ni
h X b−a
I(h) = f (a) + 2 f (xj ) + f (b) , Ni =
2 j=2 h
Teorema 9.4.1. Se f (x) é uma função analítica no intervalo (a,b), então a função
I(h) admite uma representação na forma
I(h) = I0 + I2 h2 + I4 h4 + I6 h6 + . . .
Para um demonstração, veja [4]. Em especial observamos que

Z b
f (x) dx = lim I(h) = I0
a h→0
Ou seja, o valor exato da integral procurada é dado pelo coeficiente I0 .

A ideia central do método de Romberg, agora, consiste em usar a extrapolação
de Richardson para construir métodos de maior ordem a partir do métodos dos
trapézios para o intervalo (a,b)
Exemplo 9.4.1. Construção do método de quarta ordem.
I(h) = I0 + I2 h2 + I4 h4 + I6 h6 + . . .
!
h h2 h4 h6
I = I0 + I2 + I4 + I6 + . . .
2 4 16 64
Usamos agora uma eliminação gaussiana para obter o termo I0 :

4I(h/2) − I(h) 1 5
= I0 − I4 h4 − I6 h6 + . . .
3 4 16
Vamos agora aplicar a fórmula para h = b − a,
h
I(h) = [f (a) + f (b)]
2
h a+b
I(h/2) = [f (a) + 2f (c) + f (b)] , c =
4 2

9.4. O MÉTODO DE ROMBERG 233
4I(h/2) − I(h) h h
= [f (a) + 2f (c) + f (b)] − [f (a) + f (b)]
3 3 6
h
= [f (a) + 4f (c) + f (b)]
6
Observe que esquema coincide com o método de Simpson.
A partir de agora, usaremos a seguinte notação
R1,1 = I(h)
R2,1 = I(h/2)
R3,1 = I(h/4)
..
.
Rn,1 = I(h/2n−1 )
Observamos que os pontos envolvidos na quadratura Rk,1 são os mesmos pontos
envolvidos na quadratura R(k − 1,1) acrescidos dos pontos centrais, assim, temos
a seguinte fórmula de recorrência:
k−2 !
1 h 2X h
Rk,1 = Rk−1,1 + k−1 f a + (2i − 1) k−1
2 2 i=1 2
Definimos Rk,2 para k ≥ 2 como o esquema de ordem quatro obtido da fórmula
do exemplo 9.4.1:
4Rk,1 − Rk−1,1
Rk,2 =
3
Os valores Rk,2 representam então os valores obtidos pelo método de Simpson
composto aplicado a uma malha composta de 2k−1 + 1 pontos.
Similarmente os valores de Rk,j são os valores obtidos pela quadratura de ordem
2j obtida via extrapolação de Richardson. Pode-se mostrar que
Rk,j−1 − Rk−1,j−1
Rk,j = Rk,j−1 + .
4j−1 − 1
Exemplo
R 2 −x2
9.4.2. Construa o esquema de Romberg para aproximar o valor de
0 e dx com erro de ordem 8.
55,59815 0,000000 0,000000 0,000000
30,517357 22,157092 0,000000 0,000000
O que nos fornece os seguintes resultados:
20,644559 17,353626 17,033395 0,000000
17,565086 16,538595 16,484259 16,475543

Ou seja, temos: Z 2
2
ex dx ≈ 16,475543
0
usando uma aproximação de ordem 8.
Exemplo
R 2 2 x2
9.4.3. Construa o esquema de Romberg para aproximar o valor de
0 x e dx com erro de ordem 12.
218,3926
111,91458 76,421909
66,791497 51,750469 50,105706
O que nos fornece:
51,892538 46,926218 46,604601 46,549028
47,782846 46,412949 46,378731 46,375146 46,374464
46,72661 46,374531 46,37197 46,371863 46,37185 46,371847
Ou seja, temos: Z 2
2
x2 ex dx ≈ 46,371847
0
com uma aproximação de ordem 12.
Exercícios
E 9.4.1. Para cada integrando encontre o função I(h) = a0 + a1 h + a2 h2 +

a3 h3 + a4 h4 que melhor se ajusta aos dados, onde h = n−1
1
. Discuta os resultados
com base no teorema envolvido na construção do método de Romberg.
Rπ
E 9.4.2. Calcule os valores da quadratura de Romberg de R1,1 até R4,4 para
0 sen (x) dx. Não use rotinas prontas neste problema.
E 9.4.3. Sem usar rotinas prontas, use o método de integração de Romberg

para obter a aproximação R3,3 das seguintes integrais:
R 1 −x2
a) 0 e dx

9.5. ORDEM DE PRECISÃO 235
R2q
b) 0 2 − cos(x) dx
R2
c) 0
√ 1
dx
2−cos(x)
E 9.4.4. Encontre uma expressão para R2,2 em termos de f (x) e verifique o

método de Romberg R2,2 é equivalente ao método de Simpson.
E 9.4.5. Considere o problema de aproximar numericamente o valor de

Z 100
1
e 2 cos(x) − 1 dx
0
pelo método de Romberg. Usando rotinas prontas, faça o que se pede.
a) Calcule R(6,k), k = 1, . . . ,6 e observe os valores obtidos.
b) Calcule R(7,k), k = 1, . . . ,6 e observe os valores obtidos.
c) Calcule R(8,k), k = 1, . . . ,6 e observe os valores obtidos.
d) Discuta os resultados anteriores e proponha uma estratégia mais eficiente para

calcular o valor da integral.
9.5 Ordem de precisão

Todos os métodos de quadratura que vimos até o momento são da forma
Z b N
X
f (x) dx ≈ wj f (xj )
a j=1
Exemplo 9.5.1. a) Método do trapézio

Z b
b−a
f (x) dx ≈ [f (a) + f (b)]
a 2
b−a b−a
= f (a) + f (b)
2 2
2
X
:= w1 f (x1 ) + w2 f (x2 ) = wj f (xj )
j=1

b) Método do trapézio com dois intervalos

" ! #
Z b
a+b b−a
f (x) dx ≈ f (a) + 2f + f (b)
a 2 4
!
b−a b−a a+b b−a
= f (a) + f + f (b)
4 2 2 4
3
X
:= w1 f (x1 ) + w2 f (x2 ) + w3 f (x3 ) = wj f (xj )
j=1
c) Método de Simpson
" ! #
Z b
a+b b−a
f (x) dx ≈ f (a) + 4f + f (b)
a 2 6
!
b−a 2(b − a) a+b b−a
= f (a) + f + f (b)
6 3 2 6
3
X
:= wj f (xj )
j=1
d) Método de Simpson com dois intervalos

" ! !
Z b
3a + b a+b
f (x) dx ≈ f (a) + 4f + 2f
a 4 2
! #
a + 3b b−a
+ 4f + f (b)
4 12
! !
b−a b−a 3a + b b−a a+b
= f (a) + f + f
12 3 4 6 2
!
b−a a + 3b b−a
+ f + f (b)
3 4 12
5
X
:= wj f (xj )
j=1
A principal técnica que temos usado para desenvolver os métodos numéricos é

o polinômio de Taylor:
f (x) = a0 + a1 x + a2 x2 + . . . + an xn + Rn (x)

Integrando termo a termo, temos:

Z b Z b Z b Z b
f (x) dx = a0 dx + a1 x dx + a2 x2 dx + . . . +
a a a a
Z b Z b
an xn dx + Rn (x) dx
a a
b − a2
2
b3 − a3
= a0 (b − a) + a1 + a2 + ... +
2 3
bn+1 − an+1 Z b
an + Rn (x) dx
n+1 a
Neste momento, é natural investigar o desempenho de um esquema numérico

aplicado a funções do tipo f (x) = xn .
Definição 9.5.1. A ordem de precisão ou ordem de exatidão de um esquema

de quadratura numérica é definida como o maior inteiro positivo n para o qual o
esquema é exato para todas as funções do tipo xk com 0 ≤ k ≤ n, ou seja, um
esquema é dito de ordem n se
n
X Z b
wj f (xj ) = f (x) dx, f (x) = xk , k = 0,1, . . . n
j=1 a
n
X Z b
bk+1 − ak+1
wj xkj = xk dx = , k = 0,1, . . . n
j=1 a k+1
Observação 9.5.1. Se o método tem ordem 0 ou mais, então

n
X
wj = b − a
j=1
Exemplo 9.5.2. A ordem de precisão do esquema de trapézios é 1:

Z b 2
b−a X
f (x) dx ≈ [f (a) + f (b)] = wj f (xj )
a 2 j=1
onde wj = b−a
2
, x1 = a e x2 = b.
Pn
(k = 0) : j=1 wj = b − a
Pn b2 −a2
(k = 1) : j=1 wj xj = (a + b) b−a
2
= 2
Pn b3 −a3
(k = 2) : j=1 wj x2j = (a2 + b) 2 =
2 b−a
6 3

Exemplo 9.5.3. A ordem de precisão do esquema de Simpson é 3:

" ! 3
#
Z b
a+b b−a X
f (x) dx ≈ f (a) + 4f + f (b) = wj f (xj )
a 2 6 j=1
onde w1 = w3 = b−a
6
,w2 = 4 b−a
6
, x1 = a, x2 = a+b
2
e x3 = b
Pn
(k = 0) : j=1 wj = (1 + 4 + 1) b−a
6
=b−a
Pn b2 −a2
(k = 1) : j=1 wj xj = (a + 4 a+b
2
+ b) b−a
6
= (a + b) b−a
2
= 2
2
Pn b3 −a3
(k = 2) : j=1 wj xj = (a + 4
2 2 a+b
2
+ b2 ) b−a
6
= 3
3
Pn b4 −a4
(k = 3) : j=1 wj xj = (a + 4
3 3 a+b
2
+ b3 ) b−a
6
= 4
4
Pn b5 −a5
(k = 4) : j=1 wj xj = (a + 4
4 4 a+b
2
+ b4 ) b−a
6
6= 4
Exemplo 9.5.4. Encontre os pesos wj e as abscissas xj tais que o esquema de

dois pontos Z 1
f (x) dx = w1 f (x1 ) + w2 f (x2 )
−1
é de ordem 3.
Solução. Temos um sistema de quatro equações e quatro incógnitas dado por:
w1 + w2 = 2
x1 w1 + x2 w2 = 0
2
x21 w1 + x22 w2 =
3
x31 w1 + x32 w2 = 0
Da segunda e quarta equação, temos:

w1 x2 x3
= − = − 23
w2 x1 x1
Como x1 6= x2 , temos x1 = −x2 e w1 = w2 . Da√ primeira equação, temos w1 =
w2 = 1. Da terceira equação, temos −x1 = x2 = 33 .
Esse esquema de ordem de precisão três e dois pontos chama-se quadratura de
Gauss-Legendre com dois pontos:
√ ! √ !
Z 1
3 3
f (x) dx = f +f −
−1 3 3
♦

Exemplo 9.5.5. Comparação
f (x) Exato Trapézio Simpson Gauss-Legendre (2)
√ √
e−1 + 4e0 + e1 − 3 3
e − e−1 e−1 + e e− 3 +e 3
ex 3
≈ 2,35040 ≈ 3,08616 ≈ 2,36205 ≈ 2,34270
16 4
√
2
p
9 − 9 2
x 3+ x3 3,41421 1,13807 1,15411
≈ 1,14924
3
e−e−1
x2 ex 3 ≈ 0,78347 3,08616 1,02872 0,67905
Exercícios
E 9.5.1. Encontre os pesos w1 , w2 e w3 tais que o esquema de quadratura

dado por Z 1
f (x) dx ≈ w1 f (0) + w2 f (1/2) + w3 f (1)
0
apresente máxima ordem de exatidão. Qual a ordem obtida?
E 9.5.2. Encontre a ordem de exatidão do seguinte método de integração:

" √ ! √ !#
Z 1
2 − 2 2
f (x) dx ≈ f + f (0) + f
−1 3 2 2
E 9.5.3. Encontre a ordem de exatidão do seguinte método de integração:

Z 1
1 ′ 136 62 136 1 ′
f (x) dx = − f (−1) + f (−1/2) − f (0) + f (1/2) + f (1)
−1 210 105 105 105 210
E 9.5.4. Encontre os pesos w1 , w2 e w3 tal que o método de integração

Z 1
f (x) dx ≈ w1 f (1/3) + w2 f (1/2) + w3 f (2/3)
0

tenha ordem de exatidão máxima. Qual é ordem obtida?
E 9.5.5. Quantos pontos são envolvidos no esquema de quadratura R3,2 ? Qual

a ordem do erro deste esquema de quadratura? Qual a ordem de exatidão desta
quadratura?
9.6 Quadratura de Gauss-Legendre

Utilizando n pontos para aproximar a integral de f (x) em [−1,1] podemos
encontrar a regra de quadratura de Gauss-Legendre
Z 1 n
X
f (t) dt ≈ wj f (tj )
−1 j=1
cuja ordem de exatidão é 2n − 1.
• Note que temos n coeficientes wj e n pontos tj para determinar. O problema

de encontrar os n pesos e n abscissas é equivalente a um sistema não linear
com 2n equações e 2n incógnitas.
• Pode-se mostrar que este problema sempre tem solução e que a solução é
única se t1 < t2 < . . . < tn
• Os nós xj são dados pelos zeros do polinômio de Legendre, Pn (t).
• Os pesos são dados por

2
wj = .
1 − t2j [Pn′ (tj )]2
A Tabela 9.1 lista os nós e os pesos da quadratura de Gauss-Legendre para

n = 1, 2, 3, 4 e 5.
Exemplo 9.6.1. Aproxime
Z 1 √
I= 1 + x2 dx
−1
pelo método de Gauss-Legendre com 2, 3, 4 e 5 pontos.

Solução. A aproximação desta integral usando o método de Gauss-Legendre con-
siste em computar
Z 1 n
X
I= f (x) dx ≈ wi f (ti ),
−1 i=1

9.6. QUADRATURA DE GAUSS-LEGENDRE 241
Tabela 9.1: Nodos e pesos para quadratura de Gauss-Legendre.
n tj wj
1 0 2
√
3
2 ± 1
3
8
0
3 s
9
3 5
±
5 9
s
q √
± 3 − 2 6/5 /7 18+ 30
36
4 s
q √
± 3 + 2 6/5 /7 18− 30
36
128
0
v 225
u s √
5 1u 10 322 + 13 70
5−2
t
±
3 7 900
v
u s √
1u 10 322 − 13 70
5+2
t
±
3 7 900

onde f (x) = sqrt1 + x2 , wi é o i-ésimo peso, ti é o i-ésimo nodo, i = 1, . . . , n, e

n é o número de nodos (ou pesos) da quadratura. Usando os nodos e pesos dados
na Tabela 9.1, obtemos os seguintes resultados:
n I
2 2,3094011
3 2,2943456
4 2,2957234
5 2,2955705
Em Python, temos:
def f(x):
return np.sqrt(1+x^2)
#G-L n=2
x2 = sqrt(3)/3
w2 = 1
I2 = w2[1]*f(x2[1]) + w2[1]*f(-x2[1])
print("%1.7f\n" % I2)
#G-L n=3
x3 = [0 -sqrt(3/5) sqrt(3/5)]
w3 = [8/9 5/9 5/9]
I3 = w3[1]*f(x3[1]) + w3[2]*f(x3[2]) + w3[2]*f(-x3[2]);
print("%1.7f\n" % I3)
#G-L n=4
x4 = [sqrt((3-2*sqrt(6/5))/7) sqrt((3+2*sqrt(6/5))/7)]
w4 = [(18+sqrt(30))/36 (18-sqrt(30))/36]
I4 = w4(1)*f(x4(1)) + w4(1)*f(-x4(1)) ...
+ w4(2)*f(x4(2)) + w4(2)*f(-x4(2))
print("%1.7f\n" % I4)
#G-L n=5
x5 = [0 1/3*sqrt(5-2*sqrt(10/7)) 1/3*sqrt(5+2*sqrt(10/7))]
w5 = [128/225 (322+13*sqrt(70))/900 (322-13*sqrt(70))/900]
I5 = w5(1)*f(x5(1)) + w5(2)*f(x5(2)) + w5(2)*f(-x5(2)) ...
+ w5(3)*f(x5(3)) + w5(3)*f(-x5(3))
print("%1.7f\n" % I5)

9.6. QUADRATURA DE GAUSS-LEGENDRE 243
Mudança de intervalo
Os coeficientes da quadratura de Gauss-Legendre forma obtidos no intervalo
[−1,1]. Para aproximar a integral de f (x) no intervalo [a,b] devemos fazer a mu-
dança de variável
x̄i = αti + β, α = (b − a)/2, β = (b + a)/2
tal que
Z b n
X
f (x) dx ≈ wi f (x̄i )(b − a)/2
a i=1
Quando subdividimos o intervalo inicial [a,b] em N intervalos com extremos
[xi ,xi+1 ] a transformação torna-se
x̄i = αti + β, α = (xi+1 − xi )/2, β = (xi+1 + xi )/2
e Z xi+1 n
X
f (x) dx ≈ wi f (x̄i )(xi+1 − xi )/2
xi i=1
Exemplo 9.6.2. Aproximar
Z 1√
I= 1 + x2 dx
0
pelo método de Gauss-Legendre com 3 pontos.
Solução. Para tanto, fazemos a mudança de variáveis u = 2x − 1:
Z 1√
I= 1 + x2 dx
0
s
1Z 1 u+1 2

= 1+ du.
2 −1 2
E, então aplicamos a quadratura gaussiana nesta última integral, o que nos fornece
I ≈ 1,1478011. No GNU Octave, podemos computar estas aproximações com o
seguinte código:
def f(u):
return sqrt(1+(u+1)^2/4)/2
x3 = [0 -sqrt(3/5) sqrt(3/5)]
w3 = [8/9 5/9 5/9]
I3 = f(x3(1))*w3(1) + f(x3(2))*w3(2) + f(-x3(2))*w3(2)
print("%1.7f\n" % I3)
♦

Exercícios
E 9.6.1. Encontre aproximações para a integral

Z 1
5
x4 ex dx
−1
usando a quadratura de Gauss-Legendre com 2, 3, 4 e 5 pontos. Então, compare

com o seu valor exato.
E 9.6.2. Encontre aproximações para as seguintes integrais via Gauss-Legendre
com 4 e 5 pontos:
Z 1
4
a) e−x dx
0
Z 4
b) log(x + ex )dx
1
Z 1
2
c) e−x dx
0
R1
E 9.7.1. Considere o problema de calcular numericamente a integral I =
cos(x)
−1 f (x)dx quando f (x) =
√ .
|x|
a) O que acontece quando se aplica diretamente a quadratura gaussiana com um

número impar de abscissas?
b) Calcule o valor aproximado por quadratura gaussiana com n = 2, n = 4, n = 6

e n = 8.
c) Calcule o valor aproximado da integral removendo a singularidade

Z 1
cos(x) Z 1
cos(x) − 1 Z 1
1
I = q dx = q dx + q dx
−1 |x| −1 |x| −1 |x|
Z 1
cos(x) − 1 Z 1
1 Z 1
cos(x) − 1
= q dx + 2 √ dx = q dx + 4
−1 |x| 0 x −1 |x|
e aplicando quadratura gaussiana com n = 2, n = 4, n = 6 e n = 8.

d) Calcule o valor aproximado da integral removendo a singularidade, conside-

rando a paridade da função

Z 1
cos(x) − 1 Z 1
cos(x) − 1 √ Z 1 cos 1+u −1
I = 4+ q dx = 4 + 2 √ dx = 4 + 2 √ 2 du
−1 |x| 0 x −1 1+u
e aplicando quadratura gaussiana com n = 2, n = 4, n = 6 e n = 8.

e) Expandindo a função cos(x) em série de Taylor, truncando a série depois do
n-ésimo termos não nulo e integrando analiticamente.
f) Aproximando a função cos(x) pelo polinômio de Taylor de grau 4 dado por

x2 x4
P4 (x) = 1 − +
2 24
e escrevendo
Z 1
cos(x) Z 1
cos(x) − P4 (x) Z 1
P4 (x)
I = q dx = q dx + q dx
−1 |x| −1 |x| −1 |x|
!
Z 1
cos(x) − P4 (x) Z 1
x3/2 x7/2
= 2 √ dx +2 x−1/2 − + dx
0 x 0 2 24
| {z } | {z }
Resolver numericamente Resolver analiticamente
E 9.7.2. Calcule numericamente o valor das seguintes integrais com um erro

relativo inferior a 10−4 .
Z 1
sen (πx)
a) dx
0 x
Z 1
sen (πx)
b) dx
0 x(1 − x)

Z 1 sen π
2
x
c) q dx
0 x(1 − x)
Z 1
d) ln(x) cos(x)dx
0
R 1 ex R 1 e−x
E 9.7.3. Calcule as integrais 0 |x|1/4 dx e 0 |x|4/5 dx usando procedimentos
analíticos e numéricos.

E 9.7.4. Use a técnica de integração por partes para obter a seguinte identi-
dade envolvendo integrais impróprias:
Z ∞
cos(x) Z ∞
sen (x)
I= dx = dx.
0 1+x 0 (1 + x)2
Aplique as técnicas estudadas para aproximar o valor de I e explique por que a

integral da direita é mais bem comportada.
E 9.7.5. Resolva a equação

Z x
2
x+ e−y dy = 5
0
com 5 dígitos significativos.
E 9.7.6. (Ciência dos materiais) O calor específico (molar) de um sólido pode

ser aproximado pela teoria de Debye usando a seguinte expressão
3 Z TD /T
y 4 ey

T
CV = 9N kB dy
TD 0 (ey − 1)2
onde N é a constante de Avogrado dado por N = 6,022 × 1023 e kB é a constante

de Boltzmann dada por kB = 1,38 × 10−23 . TD é temperatura de Debye do sólido.
a) Calcule o calor específico do ferro em quando T = 200K, T = 300K e T = 400K

supondo TD = 470K.
b) Calcule a temperatura de Debye de um sólido cujo calor específico a tempe-

ratura de 300K é 24J/K/mol. Dica: aproxime a integral por um esquema
numérico com um número fixo de pontos.
c) Melhore sua cultura geral: A lei de Dulong-Petit para o calor específico dos só-
lidos precede a teoria de Debye. Verifique que a equação de Debye é consistente
com Dulong-Petit, ou seja:
lim Cv = 3N kB .
T →∞
Dica: use ey ≈ 1 + y quando y ≈ 0
E 9.7.7. Explique por quê quando um método simples tem estimativa de

erro de truncamento local de ordem hn , então o método composto associado tem
estimativa de erro de ordem hn−1 .

E 9.7.8. Encontre os pesos w1 e w2 e as abcissas x1 e x2 tais que

Z 1
f (x) = w1 f (x1 ) + w2 f (x2 )
−1
quando f (x) = xk , k = 0,1,2,3, isto é, o método que apresente máxima ordem de

exatidão possível com dois pontos.
Use esse método para avaliar o valor da integral das seguintes integrais e com-
pare com os valores obtidos para Simpson e trapézio, bom como com o valor exato.
Z 1
a) 2 + x − 5x2 + x3 dx
−1
Z 1
b) ex dx
−1
Z 1
dx
c) √
−1 x2 + 1
E 9.7.9. Encontre os pesos w1 , w2 e w3 tal que o método de integração

√ ! √ !
Z 1
3 3
f (x)dx ≈ w1 f − + w2 f (0) + w3 f
−1 3 3
tenha ordem de exatidão máxima. Qual é ordem obtida?

Capítulo 10
Problemas de valor inicial
Neste capítulo, vamos desenvolver técnicas numéricas para aproximar a solução

do problema de valor inicial (PVI) dado pela equação diferencial ordinária (EDO)
de primeira ordem
u′ (t) = f (t, u(t)) (10.1a)

u(t1 ) = a (condição inicial). (10.1b)
A incógnita de um problema de valor inicial é uma função que satisfaz a equação

diferencial (10.1a) e a condição inicial (10.1b).
Considere os próximos três exemplos:
Exemplo 10.0.1.
du
=t (10.2)
dt
u(0) = a (10.3)
Exemplo 10.0.2.
du
=u (10.4)
dt
u(0) = a (10.5)
Exemplo 10.0.3.
du
= sen (u2 + sen (t)) (10.6)
dt
u(0) = a (10.7)
A solução do primeiro exemplo é u(t) = t2 /2 + a pois satisfaz a equação dife-

rencial e a condição inicial.
248
10.1. TEORIA DE EQUAÇÕES DIFERENCIAIS 249
A solução do segundo exemplo é fácil de ser obtida: u(t) = aet . Porém como
podemos resolver o terceiro problema?
Muitos problemas de valor inicial da forma (10.1) não podem ser resolvidos
exatamente, ou seja, sabe-se que a solução existe e é única, porém não podemos
expressá-la em termos de funções elementares. Por isso é necessário calcular apro-
ximações numéricas. Diversos métodos completamente diferentes estão disponíveis
para aproximar uma função real.
Existem várias maneiras de obter aproximações para a solução deste problema.
Nos limitaremos a estudar métodos que aproximam u(t) em um conjunto finito de
valores de t chamado malha que será denotado por {ti }N i=1 = {t1 , t2 , t3 , . . . , tN }.
Desta forma, aproximamos a solução u(ti ) por ui em cada ponto da malha usando
diferentes esquemas numéricos.
Nos códgos em Python apresentados neste capítulo, estaremos assumindo que
as seguintes bibliotecas e módulos estão importados:

import numpy as np
import matplotlib.pyplot as plt
10.1 Teoria de equações diferenciais

Uma questão fundamental é analisar se um dado PVI é um problema bem
posto. Ou seja,
• Existe uma solução para o P V I?
• A solução é única?
• A solução do PVI é pouco sensível a pequenas perturbações nas condições

iniciais?
Definição 10.1.1. A função f (t, u) é Lipschitz em u se existe uma constante L,

tal que ∀t ∈ [a, b] e u,v ∈ R,
|f (t, u) − f (t, v)| ≤ L|u(t) − v(t)|.
Teorema 10.1.1. Seja f (t, u) contínua em t e Lipschitz em u. Então existe uma

única solução para o PVI
u′ (t) = f (t, u(t)) (10.8)

u(t1 ) = a. (10.9)

Definição 10.1.2. Estabilidade dinâmica refere-se a propriedade de pequenas

perturbações sobre o estado inicial de um sistema gerarem pequenas variações no
estado final deste sistema (haverá decaimento nas variações, ou pelo menos não
crescimento, quanto t cresce).
Teorema 10.1.2 (Dependência na condição inicial). Se u(t) e v(t) são soluções
do PVI com f Lipschitz com u(t1 ) = u1 , v(t1 ) = v1 , então
|u(t) − v(t)| ≤ eL(t−t1 ) |u1 − v1 |.
10.2 Método de Euler

Considere o PVI dado por
u′ (t) = f (t,u(t)) (10.10)

u(t1 ) = a (10.11)
Ao invés de solucionar o problema para qualquer t > t1 , (encontrar u(t)), iremos

aproximar u(t) em t2 = t1 + h.
Integrando (10.10) de t1 até t2 ,
Z t2 Z t2
u′ (t) dt = f (t,u(t)) dt (10.12)
t1 t1
Z t2
u(t2 ) − u(t1 ) = f (t,u(t)) dt (10.13)
t1
Z t2
u(t2 ) = u(t1 ) + f (t,u(t)) dt (10.14)
t1
Seja un a aproximação de u(tn ). Para obter o método numérico mais simples

aproximamos f em [t1,t2] pela função constante f (t,u(t)) ≈ f (t1 ,u1 ),
Z t2
u2 = u1 + f (t1 ,u1 ) dt (10.15)
t1
u2 = u1 + f (t1 ,u1 )(t2 − t1 ) (10.16)
u2 = u1 + hf (t1 ,u1 ) (10.17)
Este procedimento pode ser estendido para t3 ,t4 , . . ., onde
tn+1 = tn + h = t1 + nh, n = 1,2, . . .
e h é o passo do método, ou espaçamento, que consideraremos constante.

Obtendo, assim, o método de Euler,
un+1 = un + h f (tn ,un ). (10.18)

10.2. MÉTODO DE EULER 251
Podemos também obter o método de Euler a partir da aproximação de u′ (t)

por um esquema de primeira ordem do tipo
u(t + h) − u(t)
u′ (t) = + O(h), h > 0.
h
Substituindo na EDO temos
u(t + h) − u(t)
= f (t,u(t)) + O(h) (10.19)
h
u(t + h) = u(t) + hf (t,u(t)) + O(h2 ). (10.20)
Sendo un a aproximação de u em tn produzida pelo método de Euler, obtemos
un+1 = un + hf (tn ,un ), (10.21)

u1 = a. (10.22)
Exemplo 10.2.1. Considere o problema de valor inicial
u′ (t) = 2u(t)
u(0) = 1
cuja solução é u(t) = e2t . O método de Euler aplicado a este problema produz o
esquema:
uk+1 = uk + 2huk = (1 + 2h)uk

u1 = 1,
Suponha que queremos calcular o valor aproximado de u(1) com h = 0,2. Então
os pontos t(1) = 0, t(2) = 0,2, t(3) = 0,4, t(4) = 0,6, t(5) = 0,8 e t(6) = 1,0 formam
os seis pontos da malha. As aproximações para a solução nos pontos da malha
usando o método de Euler são:
u(0) ≈ u(1) =1
u(0,2) ≈ u(2) = (1 + 2h)u(1) = 1,4u(1) = 1,4
u(0,4) ≈ u(3) = 1,4u(2) = 1,96
u(0,6) ≈ u(4) = 1,4u(3) = 2,744
u(0,8) ≈ u(5) = 1,4u(4) = 3,8416
u(1,0) ≈ u(6) = 1,4u(5) = 5,37824
Essa aproximação é bem grosseira quando comparamos com a solução do problema

em t = 1: u(1) = e2 ≈ 7,38906.
Em Python, podemos computar a solução numérica deste PVI via o método
de Euler com o seguite código:

#define f(t,u)
def f(t,u):
return 2*u
#tamanho e num. de passos

h = 0.2
N = 6
#cria vetor t e u
t = np.empty(N)
u = np.copy(t)
#C.I.
t[0] = 0
u[0] = 1
#iteracoes
for i in np.arange(N-1):
t[i+1] = t[i] + h
u[i+1] = u[i] + h*f(t[i],u[i])
#imprime
for i,tt in enumerate(t):
print("%1.1f %1.4f" % (t[i],u[i]))
Exemplo 10.2.2. Aproxime a solução do PVI
du
= −0.5u + 2 + t (10.23)
dt
u(0) = 8 (10.24)
Teste para h = 1.6, 0.8, 0.4, 0.2, 0.1.

Note que a solução exata do problema é
u(t) = 2t + 8e−t/2 (10.25)
Itere a fórmula
un+1 = un + h(−0.5un + 2 + tn ), u1 = 8 (10.26)
através do código abaixo:
%---------------------------

function [u,t]=euler(h,Tmax)
u(1)= 8;
t(1)= 0;
itmax = Tmax/h;
for n=1:itmax
t(n+1)= t(n) + h;
u(n+1)= u(n) + h*(-0.5*u(n)+2+t(n));
end
plot(t,u,'g*-');
%---------------------------
Vamos agora, analisar o desempenho do método de Euler usando um exemplo

mais complicado, porém ainda simples suficiente para que possamos obter a solução
exata:
Exemplo 10.2.3. Considere o problema de valor inicial relacionado à equação
logística:
u′ (t) = u(t)(1 − u(t))

u(0) = 1/2
Podemos obter a solução exata desta equação usando o método de separação

de variáveis e o método das frações parciais. Para tal escrevemos:
du(t)
= dt
u(t)(1 − u(t))
O termo u(1−u)
1
pode ser decomposto em frações parciais como 1
u
1
− 1−u e chegamos
na seguinte equação diferencial:
1 1

+ du = dt.
u 1−u
Integrando termo-a-termo, temos a seguinte equação algébrica relacionando u(t) e
t:
ln(u) − ln(1 − u) = t + C
Onde C é a constante de integração, que é definida pela condição inicial, isto é,
u = 1/2 em t = 0. Substituindo, temos C = 0. O que resulta em:

u
ln =t
1−u
Equivalente a
u
= et
1−u

Tabela 10.1: Tabela comparativa entre método de Euler e solução exata para
problema 10.2.3.
t Exato Euler h = 0,1 Euler h = 0,01
0 1/2 0,5 0,5
e1/2
1/2 1+e1/2
≈ 0,6224593 0,6231476 0,6225316
1 e
1+e
≈ 0,7310586 0,7334030 0,7312946
e2
2 1+e2
≈ 0,8807971 0,8854273 0,8812533
3
3 e
1+e3
≈ 0,9525741 0,9564754 0,9529609
e
u = (1 − u)et
Colocando o termo u em evidência, encontramos:
(1 + et )u = et (10.27)
t
E, finalmente, encontramos a solução exata dada por u(t) = 1+e
e
t.
Vejamos, agora, o esquema iterativo produzido pelo método de Euler:
uk+1 = uk + huk (1 − uk ),
u1 = 1/2.
Para fins de comparação, calculamos a solução exata e aproximada para alguns

valores de t e de passo h e resumimos na tabela 10.1.
No exemplo a seguir, apresentamos um problema envolvendo uma equação
não-autônoma, isto é, quando a função f (u) depende explicitamente do tempo.
Exemplo 10.2.4. Resolva o problema de valor inicial
u′ (t) = −u(t) + t
u(0) = 1,
cuja solução exata é u(t) = 2e−t + t − 1.
O esquema recursivo de Euler fica:
uk+1 = uk + h(−uk + tk )
u1 = 1
Comparação

t Exato Euler h = 0,1 Euler h = 0,01

0 1 1 1
1 2e −1
≈ 0,7357589 0,6973569 0,7320647
2 2e−2 + 1 ≈ 1,2706706 1,2431533 1,2679593
3 2e−3
+ 2 ≈ 2,0995741 2,0847823 2,0980818
Exercícios
E 10.2.1. Resolva o problema de valor inicial dado por

√
u′ = −2u + u
u(0) = 1
com passo h = 0,1 e h = 0,01 para obter aproximações para u(1). Compare com
a solução exata dada por u(t) = (1 + 2e−t + e−2t ) /4

√
u′ = −2u + z
z ′ = −z + u
u(0) = 0
z(0) = 2
com passo h = 0,2, h = 0,02, h = 0,002 e h = 0,0002 para obter aproximações

para u(2) e z(2).

u′ = cos(tu(t))
u(0) = 1
com passo h = 0,1, h = 0.01, h = 0,001, h = 0,0001 e 0,00001 para obter

aproximações para u(2).
10.2.1 Ordem de precisão

A precisão de um método numérico que aproxima a solução de um PVI é dada
pela ordem do erro acumulado ao calcular a aproximação em um ponto tn+1 em
função do espaçamento da malha h.

Se u(tn+1 ) for aproximado por un+1 com erro da ordem O(hp+1 ) dizemos que o
método tem ordem de precisão p.
Queremos obter a ordem de precisão do método de Euler. Para isso, substituí-
mos a EDO u′ = f (t,u) na expansão em série de Taylor
u(tn+1 ) = u(tn ) + hu′ (tn ) + h2 u′′ (tn )/2 + O(h3 ) (10.28)
e obtemos
u(tn+1 ) = u(tn ) + hf (tn ,u(tn )) + h2 u′′ (tn )/2 + O(h3 ) (10.29)
Subtraindo (10.29) do método de Euler
un+1 = un + h f (tn ,un ) (10.30)
obtemos
en+1 = un+1 − u(tn+1 ) (10.31)
= un − u(tn ) + h(f (tn ,u(tn ) + en ) − f (tn ,u(tn ))) + (10.32)
h2 ′′
+ u + O(h3 ) (10.33)
2 n
Defina o erro numérico como en = un − u(tn ) onde u(tn ) é a solução exata e un
é a solução aproximada. Assim
h2 ′′
en+1 = en + h(f (tn ,u(tn ) + en ) − f (tn ,u(tn ))) + u
2 n
+ O(h3 ) (10.34)
Usando a condição de Lipschitz em f temos
h2 ′′
|en+1 | ≤ |en | + h|f (tn ,u(tn ) + en ) − f (tn ,u(tn ))| + |u | + O(h3 )(10.35)
2 n
h2 ′′
≤ |en | + hL|u(tn ) + en − u(tn )| + |u | + O(h3 ) (10.36)
2 n
h2 ′′
≤ |en | + hL|en | + |u | + O(h3 ) (10.37)
2 n
h2
≤ (1 + hL)|en | + |u′′n | + O(h3 ) (10.38)
2
10.2.2 Erro de truncamento Local

O Erro de Truncamento Local é o erro cometido em uma iteração do
método numérico supondo que a solução exata é conhecida no passo anterior.
Assim, supondo que a solução é exata em tn (|en | = 0), obtemos que o ETL é
ET Ln+1 2 ′′ 3 2
Euler = h /2|u | + O(h ) = O(h )
Como o ET L = O(h2 ) temos que o método de Euler possui ordem 1.

10.3. CONVERGÊNCIA, CONSISTÊNCIA E ESTABILIDADE 257
10.2.3 Erro de truncamento Global

O Erro de Truncamento Global é o erro cometido durante várias iterações
do método numérico.
Supondo que a solução exata é conhecida em t1 (ke1 k = 0), então realizando
n = Th iterações obtemos
ET G = nET L (10.39)
= n[h2 /2|u′′ | + O(h3 )] (10.40)
= T h/2|u′′ | + O(h2 ) (10.41)
ou seja
ET Gn+1
Euler = O(h)
10.3 Convergência, consistência e estabilidade

Nesta seção veremos três conceitos fundamentais em análise numérica: conver-
gência, consistência e estabilidade.
10.3.1 Convergência
Um método é dito convergente se para toda EDO com f Lipschitz e todo
t > 0 temos que
lim |un − u(tn )| = 0, ∀n
h→0
Convergência significa que a solução numérica tende a solução do PVI.
Teorema 10.3.1. O método de Euler é convergente.
De fato, se f Lipschitz e |e0 | = 0, temos que
lim |en+1 | = limh→0 O(h) = 0 (10.42)

h→0
10.3.2 Consistência
Definição 10.3.1. Dizemos que um método numérico Rh (un ) = f é consistente
com o PVI u′ (t) = f se para qualquer u(t)
lim |u′ (tn ) − Rh (un )| = 0, ∀n (10.43)

h→0
Isto é equivalente a
ET L
lim =0 (10.44)
h→0 h
10.3.3 Estabilidade
Definição 10.3.2. Um método numérico é estável se
|un − vn | ≤ C1 |u1 − v1 |, ∀n
Isto significa que dadas duas condições iniciais u1 e v1 , teremos que as soluções
un e vn estarão a uma distância limitada por uma constante C1 vezes |u1 − v1 |. Se
u1 e v1 estiverem próximas então un e vn estão também próximas dependendo da
constante C1 (obviamente C1 depende da função f ).
Considere o PVI linear bem-posto
u′ (t) = λu(t), u(0) = 1, (10.45)
onde λ ∈ C. Note que:
• Possui solução exata u(t) = eλt .
• O PVI é assintoticamente estável, isto é, limt→∞ u(t) = 0, se e somente

se ℜλ < 0.
Definição 10.3.3. O domínio de estabilidade linear D do método numérico

é o conjunto de todos hλ ∈ C tal que limn→∞ un = 0.
Ou seja, D é o conjunto de todos hλ para o qual o correto comportamento

assintótico de (10.45) seja recuperado.
Exemplo 10.3.1. Utilizando o Método de Euler para solucionar (10.45) obte-

mos (u1 = 1)
un+1 = un + hλun , (10.46)

un+1 = (1 + hλ)un , (10.47)
un+1 = (1 + hλ)2 un−1 , (10.48)
un+1 = (1 + hλ)n+1 u1 (10.49)
un+1 = (1 + hλ)n+1 , n = 0,1, . . . (10.50)
Para que o método de Euler seja estável, é necessário que h seja escolhido tal que
|1 + hλ| < 1. Ou seja, hλ deve estar em DEuler onde
DEuler = {z ∈ C : |1 + z| < 1} (10.51)
é o interior de um disco no plano complexo de raio 1 e centro em z = −1 como na

Fig.??.

10.4. O MÉTODO DE EULER IMPLÍCITO 259
Tal análise pode ser facilmente estendida para u′ = λu + b (veja exercícios).

Para o caso EDO não-linear, seja
u′ = f (t,u), t ≥ t0 , u(t0 ) = u0 (10.52)
é comum requerer que hλn,k ∈ D onde λn,k são os autovalores da matriz jacobi-
ana Jn := ∂f |
∂u (tn ,un )
, baseado na hipótese que o comportamento local da EDO é
modelado por
u′ = un + Jn (u − un ) (10.53)
Esta prática não é exata e fornece apenas uma ideia local do comportamento da
EDO (podendo levar a conclusões errôneas).
Um dos teoremas mais importantes em análise numérica é o seguinte:
Teorema 10.3.2. Um método numérico consistente para um PVI bem-posto é
convergente se e somente se ele é estável.
Ele também é usado da seguinte forma:
Teorema 10.3.3. Se um método numérico é consistente e estável em [a,b]
então ele é convergente.
10.4 O método de Euler implícito

Integrando o PVI
u′ (t) = f (t,u(t)) (10.54)
u(t1 ) = a (10.55)
de t1 até t2 obtemos (como feito anteriormente)
Z t2
u(t2 ) = u(t1 ) + f (t,u(t)) dt (10.56)
t1
Entretanto se aproximarmos a função f por uma função constante f (t,u(t)) ≈

f (t2 ,u2 ), obteremos um novo método
Z t2
u2 = u1 + f (t2 ,u2 ) dt (10.57)
t1
u2 = u1 + hf (t2 ,u2 ) (10.58)
Generalizando este procedimento para tn obtemos o método de Euler im-
plícito
un+1 = un + h f (tn+1 ,un+1 ). (10.59)

Note que este método é implícito (a equação é implícita) pois depende de un+1
dos dois lados da equação. Se a função f for simples o suficiente, podemos resolver
a equação isolando o termo un+1 . Se isso não for possível, devemos usar um dos
métodos vistos anteriormente para calcular as raízes da equação (por exemplo,
método da bissecção e método de Newton).
Pode ser mostrado que o erro de truncamento local é
ET Ln+1 2
EulImp = O(h ).
portanto o método é de ordem 1. E o erro de truncamento global é
ET Gn+1
EulImp = O(h).
Exemplo 10.4.1. Utilizando o método de Euler implícito para solucionar

(10.45) obtemos
un+1 = un + hλun+1 , (10.60)

(1 − hλ)un+1 = un , (10.61)
1

un+1 = un , (10.62)
1 − hλ
1
2
un+1 = un−1 , (10.63)
1 − hλ
1
n+1
un+1 = , n = 0,1, . . . (10.64)
1 − hλ
onde u1 = 1. Concluímos então que
1

DEulImp = {z ∈ C : < 1} (10.65)
1 − z
ou ainda,
DEulImp = {z ∈ C : |1 − z| > 1} (10.66)
Para que o método

de Euler implícito seja estável, é necessário que h seja
escolhido tal que 1−hλ < 1, ou ainda, |1 − hλ| > 1. Ou seja, hλ deve estar em
1
DEulImp onde
DEulImp = {z ∈ C : |1 − z| > 1} (10.67)
é o exterior de um disco no plano complexo de raio 1 e centro em z = 1.

Note que DEulImp inclui todo o semiplano negativo. Portanto o método de
Euler implícito imita a estabilidade assintótica da EDO linear sem restrição no
passo h.

10.5. MÉTODO TRAPEZOIDAL 261
Definição 10.4.1. Um método numérico é chamado A-estável ou incondicio-

nalmente estável se incluir todo o semiplano complexo com parte real negativa,
{z ∈ C : ℜz < 0} ⊆ D
Portanto o método de Euler implícito é A-estável (incondicionalmente estável).
10.5 Método Trapezoidal

O método de Euler aproxima f como uma constante no intervalo [t1 ,t2 ]. Pode-
mos melhorar isso usando a regra do trapézio,
Z t2
u(t2 ) = u(t1 ) + f (t,u(t)) dt (10.68)
t1
1 1

u2 = u1 + (t2 − t1 ) f (t1 ,u1 ) + f (t2 ,u2 ) (10.69)
2 2
motivando o método trapezoidal
h
un+1 = un + (f (tn ,un ) + f (tn+1 ,un+1 )) (10.70)
2
O método trapezoidal é dito implícito, pois para obter un+1 é necessário calcular
f (tn+1 ,un+1 ).
Entretanto, pode ser mostrado que o erro de truncamento local é
ET Ln+1 3
T rap = O(h )
portanto o método é de ordem 2. E o erro de truncamento global é
ET Gn+1 2
T rap = O(h )
Exemplo 10.5.1. Utilizando o método trapezoidal para solucionar (10.45) ob-

temos
!n+1
1 + hλ/2
un+1 = , n = 0,1, . . . (10.71)
1 − hλ/2
Concluímos então que

1 + z/2
DT r = {z ∈ C : < 1} (10.72)

1 − z/2
Note que DT r = C− , o semiplano negativo. Portanto o método do trapézio imita

a estabilidade assintótica da EDO linear sem restrição no passo h.

10.6 O método de Heun

Também chamado de método de Euler Modificado. A ideia é calcular pri-
meiramente um valor intermediário ũ usando o método de Euler explícito e usar
esse valor na equação para o método do Trapézio. Ou seja, o método de Heun
é
ũ = un + hf (tn ,un ) (10.73)

h
un+1 = un + (f (tn ,un ) + f (tn+1 ,ũ)) (10.74)
2
Este é um exemplo de um método preditor-corretor.

Felizmente o erro de truncamento local continua sendo
ET Ln+1 3
Heun = O(h )
e o erro de truncamento global é
ET Gn+1 2
Heun = O(h )
Exercícios
E 10.6.1. Use o método de Euler melhorado para obter uma aproximação

numérica do valor de u(1) quando u(t) satisfaz o seguinte problema de valor inicial
u′ (t) = −u(t) + eu(t) ,

u(0) = 0,
usando passos h = 0,1 e h = 0,01.
E 10.6.2. Use o método de Euler e o método de Euler melhorado para obter

aproximações numéricas para a solução do seguinte problema de valor inicial para
t ∈ [0,1]:
u′ (t) = −u(t) − u(t)2 ,

u(0) = 1,
usando passo h = 0,1. Compare os valores da solução exata dada por u(t) = 2et1−1
com os numéricos nos pontos t = 0, t = 0.1, t = 0.2, t = 0.3, t = 0.4, t = 0.5,
t = 0.6, t = 0.7, t = 0.8, t = 0.9, t = 1.0.

10.7. O MÉTODO THETA 263
10.7 O método theta

Tanto o método de Euler quanto o método trapezoidal se encaixam no método
un+1 = un + h(θf (tn ,un ) + (1 − θ)f (tn+1 ,un+1 )) (10.75)
com θ = 1 e θ = 21 respectivamente. O método é explícito somente para θ = 1.

Para θ = 0, obtemos o método implícito de Euler.
10.8 O método de Taylor

Uma maneira simples de aumentar a ordem do método é utilizar diretamente
a série de Taylor. Considere a expansão
h2 ′′ h3
u(t + h) = u(t) + hu′ (t) + u (t) + u′′′ (t) + . . . (10.76)
2! 3!
Utilizando dois termos temos o método de Euler. Utilizando os três primeiros
termos da série e substituindo u′ (t) = f (t,x) e u′′ (t) = ∂f
∂t
(t,x) temos o método
de Taylor de ordem 2
h2 ∂f
un+1 = un + hf (tn ,un ) + (tn ,un ) (10.77)
2! ∂t
O método de Taylor de ordem 3 é
h2 ∂f h3 ∂ 2 f
un+1 = un + hf (tn ,un ) + (tn ,un ) + (tn ,un )
2! ∂t 3! ∂t2
10.9 Estabilidade dos métodos de Taylor

Exemplo 10.9.1. Prove que para um método de Taylor de ordem p para a EDO
(10.45) temos
z2 z3 zp
p(z) = 1 + z + + + ... + (10.78)
2! 3! p!
onde un = (p(z))n u0 e a região de estabilidade é dada por
DT = {z ∈ C : |p(z)| < 1} (10.79)
Plote as regiões de estabilidade para o método de Taylor para p = 1, . . . ,6 no

mesmo gráfico.

Exemplo 10.9.2. Aproxime a solução do PVI

du
= sen t (10.80)
dt
u(0) =1 (10.81)
para t ∈ [0,10].
a. Plote a solução para h = 0.16,0.08, 0.04, 0.02, 0.01 para o método de Taylor
de ordem 1, 2 e 3. (Plote todos de ordem 1 no mesmo gráfico, ordem 2 em
outro gráfico e ordem 3 outro gráfico separado.)
b. Utilizando a solução exata, plote um gráfico do erro em escala logarítmica.

Comente os resultados (novamente, em cada gráfico separado para cada mé-
todo repita os valores acima)
c. Fixe agora o valor h = 0.02 e plote no mesmo gráfico uma curva para cada
método.
d. Plote em um gráfico o erro em t = 10 para cada um dos métodos (uma curva

para cada ordem) a medida que h diminui. (Use escala loglog)
10.10 Métodos de Passo Múltiplo

Seja o PVI
u′ (t) = f (t,u(t)) (10.82)

u(t0 ) =a (10.83)
Integrando a EDO em [tn+1 ,tn ] obtemos

R tn+1
un+1 = un + tn f (t,u(t)) dt (10.84)
Denote por fn ≡ f (tn ,un ). Um método de passo simples utiliza fn+1 e fn . Um

método de passo múltiplo utiliza também s valores anteriores já calculados como
fn−1 ,fn−2 , . . . ,fn−s , onde s ≥ 1 inteiro.
un+1 = un + h[bs fn+1 + bs−1 fn + . . . + b1 fn−s+2 + b0 fn−s+1 ] (10.85)
Para conformidade com [9], translade s − 1 índices,
un+s = un+s−1 + h[bs fn+s + bs−1 fn+s−1 + . . . + b1 fn+1 + b0 fn ] (10.86)

10.11. O MÉTODO DE ADAMS-BASHFORTH 265
e teremos
Ps
un+s = un+s−1 + h m=0 bm fn+m (10.87)
De forma geral um método de passo múltiplo será

s
X Ps
am un+m = h m=0 bm fn+m (10.88)
m=0
10.11 O método de Adams-Bashforth

Quando as = 1, as−1 = −1, am = 0 para m = s − 2, . . . ,0, bs = 0 temos um
método de Adams-Bashforth do tipo
Ps−1
un+s = un+s−1 + h m=0 bm fn+m (10.89)
Note que os métodos de Adams-Bashforth são explícitos pois bs = 0.
Exemplo 10.11.1. Vamos obter o método de Adams-Bashforth para s = 4 como

Rt
un+4 = un+3 + tn+3
n+4
f (t,u(t)) dt (10.90)
P3
un+4 = un+3 + h m=0 bm fn+m (10.91)
un+4 = un+3 + h[b3 fn+3 + b2 fn+2 + b1 fn+1 + b0 fn ] (10.92)
Para isso devemos obter [b3 ,b2 ,b1 ,b0 ] tal que o método seja exato para polinômios
até ordem 3. Podemos obter esses coeficientes de maneira análoga a obter os
coeficientes de um método para integração.
Supondo que os nós tk estejam igualmente espaçados, e para facilidade dos
cálculos, como o intervalo de integração é [tn+3 ,tn+4 ], translade tn+3 para a origem
tal que [tn ,tn+1 , . . . ,tn+4 ] = [−3h, − 2h, − h,0,h].
Considere a base [φ0 (t), . . . ,φ3 (t)] = [1,t,t2 ,t3 ] e substitua f (t) por φk (t) obtendo
Z h
1 dt = h = h(b0 (1) + b1 (1) + b2 (1) + b3 (1))
0
Z h h2
t dt = = h(b0 (0) + b1 (−h) + b2 (−2h) + b3 (−3h))
0 2
Z h
h3
t2 dt = = h(b0 (0)2 + b1 (−h)2 + b2 (−2h)2 + b3 (−3h)2 )
0 3
Z h
h4
t3 dt = = h(b0 (0)3 + b1 (−h)3 + b2 (−2h)3 + b3 (−3h)3 )
0 4


    

1 1 1 1 b
 0  
1 
 0 −1 −2  1/2 
    
−3   b 
 1 
 =   (10.93)
0 1 4 9 1/3 
   
   b2  
    
0 −1 −8 −27 b3 1/4
Resolvendo o sistema obtemos

9 37 59 55
[b0 ,b1 ,b2 ,b3 ] = [− , ,− , ]
24 24 24 24
fornecendo o método de Adams-Bashforth de 4 estágios
un+4 = un+3 + h
24
[55fn+3 − 59fn+2 + 37fn+1 − 9fn ] (10.94)
E 10.11.1. Mostre que o método de Adams-Bashforth para s = 2 é dado por
un+2 = un+1 + h2 [3fn+1 − fn ] (10.95)
E 10.11.2. Mostre que o método de Adams-Bashforth para s = 3 é dado por
un+3 = un+2 + h
12
[23fn+2 − 16fn+1 + 5fn ] (10.96)
10.12 O método de Adams-Moulton

Quando as = 1, as−1 = −1, am = 0 para m = s − 2, . . . ,0, bs 6= 0 temos um
método de Adams-Moulton do tipo
Ps
un+s = un+s−1 + h m=0 bm fn+m (10.97)
Note que os métodos de Adams-Moulton são implícitos pois bs 6= 0.

Exemplo 10.12.1. Vamos obter o método de Adams-Moulton para s = 3 como
Rt
un+3 = un+2 + tn+3
n+4
f (t,u(t)) dt (10.98)
P3
un+3 = un+2 + h m=0 bm fn+m (10.99)
un+3 = un+2 + h[b3 fn+3 + b2 fn+2 + b1 fn+1 + b0 fn ] (10.100)
Para isso devemos obter [b3 ,b2 ,b1 ,b0 ] tal que o método seja exato para polinômios
até ordem 3. Podemos obter esses coeficientes de maneira análoga a obter os
coeficientes de um método para integração.

10.13. MÉTODO BDF 267
Supondo que os nós tk estejam igualmente espaçados, e para facilidade dos

cálculos, como o intervalo de integração é [tn+2 ,tn+3 ], translade tn+2 para a origem
tal que [tn ,tn+1 , . . . ,tn+3 ] = [−2h, − h,0,h].
Considere a base [φ0 (t), . . . ,φ3 (t)] = [1,t,t2 ,t3 ] e substitua f (t) por φk (t) obtendo
Z h
1 dt = h = h(b0 (1) + b1 (1) + b2 (1) + b3 (1))
0
Z h h2
t dt = = h(b0 (h) + b1 (0) + b2 (−h) + b3 (−2h))
0 2
Z h
h3
t2 dt = = h(b0 (h)2 + b1 (0)2 + b2 (−h)2 + b3 (−2h)2 )
0 3
Z h
h4
t3 dt = = h(b0 (h)3 + b1 (0)3 + b2 (−h)3 + b3 (−2h)3 )
0 4
    

1 0 1 1   b0   1 
 1 0 −1 −2   b1   1/2 
    
  =  (10.101)
 1 0 1 4  1/3 
    
  b2 
    
1 0 −1 −8 b3 1/4
Resolvendo o sistema obtemos

1 5 19 9
[b0 ,b1 ,b2 ,b3 ] = [ , − , , ,]
24 24 24 24
fornecendo a regra
un+3 = un+2 + h
24
[9fn+3 + 19fn+2 − 5fn+1 + fn ] (10.102)
E 10.12.1. Encontre o método de Adams-Moulton para s = 2.
E 10.12.2. Encontre o método de Adams-Moulton para s = 3.
10.13 Método BDF

Um método de ordem s com s estágios é chamado de método BDF-Backward
Differentiation Formula se σ(w) = bs ws , onde bs ∈ R, ou seja,
as un+s + ... + a1 un+1 + a0 un = hbs fn+s (10.103)

Exemplo 10.13.1. Mostre que o método BDF com s = 3 é

18 9 2
un+3 − un+2 + un+1 − un = 6
hfn+3 (10.104)
11 11 11 11
E 10.13.1. Mostre que o método BDF com s = 1 é o método de Euler

implícito.
E 10.13.2. Mostre que o método BDF com s = 2 é

4 1
un+2 − un+1 + un = 32 hfn+2 (10.105)
3 3
10.14 Ordem e convergência de métodos de passo

múltiplo
Mais geralmente, um método de passo múltiplo será da forma
as un+s + ... + a1 un+1 + a0 un = h[bs fn+s + ... + b1 fn+1 + b0 fn ] (10.106)
Por convenção normalizamos a equação acima tomando as = 1. Quando bs = 0

temos um método explícito e quando bs 6= 0 temos um método implícito.
O método será de ordem p se o ET L = O(hp+1 ).
Dois polinômios são usados para estudar o método (10.106):
ρ(w) = as ws + ... + a1 w + a0 , σ(w) = bs ws + ... + b1 w + b0 , (10.107)
Exemplo 10.14.1. O método (10.96) de Adams-Bashforth para s = 3 estágios

é de ordem 3 de convergência, ou seja, ET L = O(h4 ). Ele é construído de tal
maneira que seja exato para os polinômios 1,t,t2 ,t3 .
10.14.1 Consistência, Estabilidade e Convergência

Teorema 10.14.1. Um método de passo múltiplo é consistente se ρ(1) = 0 e
ρ′ (1) = σ(1).
Teorema 10.14.2. Um método de passo múltiplo é estável se todas as raízes de

ρ(z) estão em |z| ≤ 1 e as raízes com |z| = 1 são simples.
Teorema 10.14.3. Se um método numérico é consistente e estável em [a,b]

então ele é convergente.

10.15. ESTABILIDADE DOS MÉTODOS DE PASSO MÚLTIPLO 269
Exemplo 10.14.2. Prove que o método de passo 3

27 27
un+3 + un+2 − un+1 − un = (10.108)
11 11
h
= [3fn+3 + 27fn+2 + 27fn+1 + 3fn ] (10.109)
11
não é estável.
Solução. O polinômio
27 2 27
ρ(w) = w3 + w − w−1 (10.110)
11 11 √ ! √ !
19 + 4 15 19 − 4 15
= (w − 1) w + w+ (10.111)
11 11
falha na condição da raiz. ♦
E 10.14.1. Prove que todos os métodos de Adams-Bashforth satisfazem a

condição da raiz.
Teorema 10.14.4. O polinômio ρ(w) em (10.103) satisfaz a condição da raiz e o
método BDF é convergente se e somente se 1 ≤ s ≤ 6.
E 10.14.2. Mostre que os métodos BDF com s = 2 e s = 3 são convergentes.
10.14.2 As barreiras de Dahlquist

Um método de passo múltiplo possui 2s + 1 coeficientes am ,bm . Poderíamos
definir tais coeficientes de tal forma a obter ordem máxima.
Conclusão? Poderíamos obter métodos com s estágios e ordem 2s.
Entretanto tal método (implícito de passo s e ordem 2s) não é convergente
para s ≥ 3 .
É possível provar que a ordem máxima de convergência para um método de
passo múltiplo s é no máximo 2⌊(s + 2)/2⌋ para métodos implícitos e s para
métodos explícitos. Esta é a primeira barreira de Dahlquist.
10.15 Estabilidade dos métodos de passo múlti-

plo
Teorema 10.15.1. O método BDF de 2 estágios é A-estável.
Teorema 10.15.2 (A segunda barreira de Dahlquist). A ordem máxima de um
método de passo múltiplo A-estável é dois.

10.16 Métodos de Runge-Kutta

10.16.1 Método de Runge-Kutta Explícito
Seja a EDO
u′ (t) = f (t,u(t)) (10.112)

u(t0 ) = a (10.113)
Integrando a EDO em [tn ,tn+1 ] obtemos

Z tn+1
un+1 = un + f (t,u(t)) dt (10.114)
tn
Um método de passo simples utiliza fn e fn+1 . Queremos aumentar a ordem do

método, porém utilizando somente valores de f entre [tn ,tn+1 ].
un un+1
| |
tn tn+1
τ1 τ2 ··· τν
Z tn+1
un+1 = un + f (t,u(t)) dt (10.115)
tn
Z 1
= un + h f (tn + hτ,u(tn + hτ )) dτ (10.116)
0
ν
X
= un + h bj f (tn + cj h,u(tn + cj h)) (10.117)
j=1
Por exemplo, se ν = 3 estágios teremos [τ0 ,τ1 ,τ2 ] = [tn + c0 h,tn + c1 h,tn + c2 h],
Uj ≡ u(τj ) e Fj ≡ f (τj ,Uj ), j = 1,2,3. Inicie com U1 = un (c1 = 0) como a solução
no passo anterior e aproxime U2 ,U3 , com uma combinação linear dos valores de Fj
anteriores, ou seja,
U1 = un (10.118)
U2 = un + ha21 F1 (10.119)
U3 = un + ha31 F1 + ha32 F2 (10.120)
un+1 = un + h[b1 F1 + b2 F2 + b3 F3 ] (10.121)

10.16. MÉTODOS DE RUNGE-KUTTA 271
onde A = (aij ) é a matriz de RK (triangular inferior com diagonal zero), bj são os

pesos RK e cj são os nós RK.
Os coeficientes podem ser resumidos em uma tabela na forma
c1 0 0 0
c A c2 a21 0 0
=
bT c3 a31 a22 0
b1 b2 b3
10.16.2 Método de RK ν = 2
Assumindo suavidade suficiente em f , expanda em série de Taylor
F2 = f (tn + c2 h,U2 ) (10.122)
= f (tn + c2 h,un + a21 hfn ) (10.123)
∂fn ∂fn
= fn + h[c2 + a21 fn ] + O(h2 ) (10.124)
∂t ∂u
fazendo com que (10.121) se torne
un+1 = un + h[b1 F1 + b2 F2 ] (10.125)
∂fn ∂fn
= un + h(b1 + b2 )fn + h2 b2 [c2 + a21 fn ] + O(h3 ) (10.126)
∂t ∂u
Usando a EDO e derivando-a obtemos
ut = f (t,u) (10.127)
utt = ft + fu ut = ft + fu f (10.128)
e expandindo em série de Taylor a solução exata em tn+1 ,
h2
u(tn+1 ) = un + hut + utt + O(h3 ) (10.129)
2
h2
= un + hfn + [ft + fu f ] + O(h3 ) (10.130)
2
e comparando com (10.126) obtemos as condições para ordem p ≥ 2,
1
b1 + b2 = 1, b2 c 2 = a21 = c2 (10.131)
2
O sistema possui mais de uma solução. Algumas escolhas comuns são
0 0 0
1
2
1
2
, 3 3
2 2
e 1 1
0 1 1
4
3
4
1
2
1
2

onde a última tabela fornece o método de Heun (ou Euler modificado):
U1 = un (10.132)
U2 = un + hF1 (10.133)
1 1
un+1 = un + h[ F1 + F2 ] (10.134)
2 2
Note que o método é de ordem p = 2 pois os termos que sobraram são de O(h3 ).
Seguindo um procedimento similar, podemos obter as condições para um mé-
todo com ν = 3 e ordem p = 3, que são
b1 + b2 + b3 = 1, b2 c2 + b3 c3 = 1
2
(10.135)
1
b2 c22 + b3 c23 = , b3 a32 c2 = 16 (10.136)
3
Alguns exemplos de métodos de RK de 3 estágios são o método clássico de
Runge-Kutta
0
1 1
2 2
1 −1 2
1 4 1
6 6 6
e o método de Nystrom
0
2 2
3 3
2
3
0 2
3
2 3 3
8 8 8
Com paciência e a ajuda de um software algébrico (como Maple) é possível
encontrar um método de quarta ordem e ν = 4 estágios como
0
1 1
2 2
1
2
0 1
2
1 0 0 1
1 2 2 1
6 6 6 6
10.16.3 Método de Runge-Kutta implícito (IRK)

No conjunto de equações (10.118)-(10.121), Uk depende em valores conhecidos
F1 , . . . ,Fk−1 tornando o método explícito.

10.17. ESTIMATIVA DA ORDEM DE CONVERGÊNCIA 273
Entretanto se Uk depender de F1 , . . . ,Fν temos um método implícito como

ν
X
Uj = un + h aji Fi , j = 1, . . . ,ν (10.137)
i=1
Xν
un+1 = un + h bi Fi (10.138)
i=1
onde A = (aij ) é a matriz de RK. É necessário que

ν
X
aji = cj , j = 1, . . . ,ν (10.139)
i=1
para que o método possua ordem p ≥ 1.
Exemplo 10.16.1. Um método de Runge-Kutta Implícito (IRK) de dois estágios

é dado por
2
U1 = un + h/4[f (tn ,U1 ) − f (tn + h,U2 )] (10.140)
3
2
U2 = un + h/12[3f (tn ,U1 ) + 5f (tn + h,U2 )] (10.141)
3
2
un+1 = un + h/4[f (tn ,U1 ) + 3f (tn + h,U2 )] (10.142)
3
que possui uma tabela como
0 14 − 41
2 1 5
3 4 12
1 3
4 4
10.17 Estimativa da ordem de convergência

Raramente temos a solução exata u(t) para calcular o erro obtido na solução
numérica. Entretanto, se a solução é suave o suficiente e o espaçamento h é pequeno
suficientemente, podemos usar o seguinte procedimento para estimar a ordem do
método (ou ainda, o erro na solução).
Como visto nos exemplo numéricos anteriores, em gráficos na escala loglog,
se h é grande não obtemos a ordem de convergência utilizada (por exemplo, en-
contramos que o método de Euler possui ordem p ≈ 0.7 onde deveria ser 1). A
medida que h decresce se aproximando de 0, a ordem de convergência tende a se
aproximar de p ≈ 1. (Entretanto h não pode ficar muito pequeno a ponto que as
operações de ponto flutuante atrapalhem na convergência).

Portanto existe uma faixa hmin < h < hmax onde o método apresenta a ordem
desejada. Essa região depende do método e do PVI estudado.
Mas se estivermos nessa região podemos aproximar a ordem do método da se-
guinte forma: Considere a solução para um determinado t = T ∗ fixo, u(T ∗ ). Consi-
dere também as aproximações das soluções obtidas com espaçamento h, denotada
por uh ; a aproximação obtida com espaçamento dividido por 2, h/2, denotada por
uh/2 ; a aproximação obtida com espaçamento h/4, denotada por uh/4 ,. . . e assim
por diante, todas calculadas em t = T ∗ .
10.17.1 Método 1
Podemos utilizar uma solução bem refinada, por exemplo, uh/16 como sendo
uma boa aproximação da solução exata e supormos que u∗ = uh/16 . Desta forma
podemos aproximar o erro por eh = ku(h) − u∗ k e a ordem do método é estimada
como
log(eh )−log(eh/2 )
p ≈ log(h)−log(h/2)
(10.143)

eh
log
eh/2
≈ log(h/(h/2))
(10.144)

eh
log
eh/2
≈ log(2)
(10.145)

kuh −u∗ k
log
kuh/2 −u∗ k
≈ log(2)
(10.146)
(10.147)
10.17.2 Método 2
Segundo Ferziger/Peric/Roache, podemos também estimar p diretamente de

kuh/2 −uh k
log
kuh/4 −uh/2 k
p ≈ log(2)
(10.148)
(10.149)
Exercícios
E 10.17.1. Resolva o problema 1 pelos diversos métodos e verifique heuristi-

camente a estabilidade para diversos valores de h.

10.18. SISTEMAS DE EQUAÇÕES DIFERENCIAIS E EQUAÇÕES DE
ORDEM SUPERIOR 275
10.18 Sistemas de equações diferenciais e equa-
ções de ordem superior
O problema (10.1) pode ser um sistema de equações de primeira ordem, isto é,
a incógnita y(t) pode ser um vetor de funções, como mostra o exemplo 10.150
Exemplo 10.18.1. O problema de valor inicial
u′ (t) = v(t), (10.150a)
v ′ (t) = u(t), (10.150b)
u(0) = 1. (10.150c)
v(0) = 0. (10.150d)
pode ser escrito na forma (10.1) com y(t)
No exemplo 10.18.2, mostramos como o método de Euler pode ser facilmente
estendido para problemas envolvendo sistemas de equações diferenciais..
Exemplo 10.18.2. Escreva o processo iterativo de Euler para resolver numerica-
mente o seguinte sistema de equações diferenciais
x′ = −y
y′ = x
x(0) = 1
y(0) = 0,
cuja solução exata é x(t) = cos(t) e y(t) = sen (t).

Para aplicar o método de Euler a um sistema, devemos encarar as diversas
incógnitas do sistema como formando um vetor, neste caso, escrevemos:
 
x(t) 
z(t) =  .
y(t)
O sistema é igualmente escrito na forma vetorial:
     
x(k+1)   x(k)  −y (k) 
 = + h  .
y (k+1) y (k) x(k)
Observe que este processo iterativo é equivalente a:
x(k+1) = x(k) − hy (k)
y (k+1) = y (k) + hx(k) .

Exemplo 10.18.3. Escreva o problema de valor inicial de segunda ordem dado

por
y ′′ + y ′ + y = cos(t),
y(0) = 1,
y ′ (0) = 0,
como um problema envolvendo um sistema de primeira ordem.
A fim de transformar a equação diferencial dada em um sistema de equações

de primeira ordem, introduzimos a substituição w = y ′ , de forma que obteremos o
sistema:
y′ = w
w′ = −w − y + cos(t)
y(0) = 1
w(0) = 0
Portanto, o método de Euler produz o seguinte processo iterativo:
y (k+1) = y (k) + hw(k) ,

w(k+1) = w(k) − hw(k) − hy (k) + h cos(t(k) ),
y (1) = 1,
w(1) = 0.
Exercícios

√
y′ = −2y + z
z′ = −z + y
y(0) = 0
z(0) = 2
com passo h = 0,2, h = 0,02, h = 0,002 e h = 0,0002 para obter aproximações

para y(2) e z(2).

E 10.19.1. Considere o seguinte modelo para o crescimento de uma colônia

de bactérias:
du
= αu(A − u)
dt
onde u indica a densidade de bactérias em unidades arbitrárias na colônia e α e A
são constantes positivas. Pergunta-se:
a) Qual a solução quando a condição inicial u(0) é igual a 0 ou A?
b) O que acontece quando a condição inicial u(0) é um número entre 0 e A?
c) O que acontece quando a condição inicial u(0) é um número negativo?
d) O que acontece quando a condição inicial u(0) é um número positivo maior

que A?
e) Se A = 10 e α = 1 e u(0) = 1, use métodos numéricos para obter tempo

necessário para que a população dobre?
f) Se A = 10 e α = 1 e u(0) = 4, use métodos numéricos para obter tempo

necessário para que a população dobre?
E 10.19.2. Considere o seguinte modelo para a evolução da velocidade de um

objeto em queda (unidades no SI):
v ′ = g − αv 2
Sabendo que g = 9,8 e α = 10−2 e v(0) = 0. Pede-se a velocidade ao tocar o solo,

sabendo que a altura inicial era 100.
E 10.19.3. Considere o seguinte modelo para o oscilador não-linear de Van

der Pol:
u′′ (t) − α(A − u(t)2 )u′ (t) + w02 u(t) = 0
onde A, α e w0 são constantes positivas.
• Encontre a frequência e a amplitude de oscilações quando w0 = 1, α = .1 e
A = 10. (Teste diversas condições iniciais)
• Estude a dependência da frequência e da amplitude com os parâmetros A, α

e w0 . (Teste diversas condições iniciais)
• Que diferenças existem entre esse oscilador não-linear e o oscilador linear?

E 10.19.4. Considere o seguinte modelo para um oscilador não-linear:
u′′ (t) − α(A − z(t))u′ (t) + w02 u(t) = 0

Cz ′ (t) + z(t) = u(t)2
onde A, α, w0 e C são constantes positivas.

• Encontre a frequência e a amplitude de oscilações quando w0 = 1, α = .1,
A = 10 e C = 10. (Teste diversas condições iniciais)
• Estude a dependência da frequência e da amplitude com os parâmetros A,

α, w0 e C. (Teste diversas condições iniciais)
E 10.19.5. Considere o seguinte modelo para o controle de temperatura em

um processo químico:
CT ′ (t) + T (t) = κP (t) + Text

P ′ (t) = α(Tset − T (t))
onde C, α e κ são constantes positivas e P (t) indica o potência do aquecedor. Sa-

bendo que Tset é a temperatura desejada, interprete o funcionamento esse sistema
de controle.
• Calcule a solução quando a temperatura externa Text = 0, Tset = 1000,
C = 10, κ = .1 e α = .1. Considere condições iniciais nulas.
• Quanto tempo demora o sistema para atingir a temperatura 900K?
• Refaça os dois primeiros itens com α = 0.2 e α = 1
• Faça testes para verificar a influência de Text , α e κ na temperatura final.
E 10.19.6. Considere a equação do pêndulo dada por:

d2 θ(t) g
+ sen (θ(t)) = 0
dt2 l
onde g é o módulo da aceleração da gravidade e l é o comprimento da haste.
• Mostre analiticamente que a energia total do sistema dada por
!2
1 dθ(t) g
− cos(θ(t))
2 dt l
é mantida constante.

• Resolva numericamente esta equação para g = 9,8m/s2 e l = 1m e as se-

guintes condições iniciais:
θ(0) = 0.5 e θ′ (0) = 0.
θ(0) = 1.0 e θ′ (0) = 0.
θ(0) = 1.5 e θ′ (0) = 0.
θ(0) = 2.0 e θ′ (0) = 0.
θ(0) = 2.5 e θ′ (0) = 0.
θ(0) = 3.0 e θ′ (0) = 0.
Em todos os casos, verifique se o método numérico reproduz a lei de conservação
de energia e calcule período e amplitude.
E 10.19.7. Considere o modelo simplificado de FitzHugh-Nagumo para o

potencial elétrico sobre a membrana de um neurônio:
dV
= V − V 3 /3 − W + I
dt
dW
= 0.08(V + 0.7 − 0.8W )
dt
onde I é a corrente de excitação.
• Encontre o único estado estacionário (V0 ,W0 ) com I = 0.
• Resolva numericamente o sistema com condições iniciais dadas por (V0 ,W0 )
e
I=0
I = 0.2
I = 0.4
I = 0.8
I = e−t/200
E 10.19.8. Considere o problema de valor inicial dado por

du(t)
= −u(t) + e−t
dt
u(0) = 0
Resolva analiticamente este problema usando as técnicas elementares de equações
diferenciais ordinárias. A seguir encontre aproximações numéricas usando os mé-
todos de Euler, Euler modificado, Runge-Kutta Clássico e Adams-Bashforth de
ordem 4 conforme pedido nos itens.

a) Construa uma tabela apresentando valores com 7 algarismos significativos

para comparar a solução analítica com as aproximações numéricas produ-
zidas pelos métodos sugeridos. Construa também uma tabela para o erro
absoluto obtido por cada método numérico em relação à solução analítica.
Nesta última tabela, expresse o erro com 2 algarismos significativos em for-
mato científico. Dica: f ormat(′ e′ ,8) para a segunda tabela.
0.5 1.0 1.5 2.0 2.5

Analítico
Euler
Euler modificado
Runge-Kutta Clássico
Adams-Bashforth ordem 4
0.5 1.0 1.5 2.0 2.5

Euler
Euler modificado
b) Calcule o valor produzido por cada um desses método para u(1) com passo
h = 0.1, h = 0.05, h = 0.01, h = 0.005 e h = 0.001. Complete a tabela com
os valores para o erro absoluto encontrado.
0.1 0.05 0.01 0.005 0.001

Euler
Euler modificado

Capítulo 11
Problemas de Valores de
Contorno
Neste capítulo, discutimos sobre métodos numéricos para resolver equações

diferenciais ordinárias com condições de contorno.
Nos códigos Python apresentados, assumimos que as seguintes bibliotecas e
módulos estão carregados:
11.1 Método de Diferenças Finitas

Nesta seção, discutimos os fundamentos do método de diferenças finitas
(MDF) para problemas de valores de contorno (PVC). Este método consiste
na reformulação do problema contínuo em um problema discreto usando fórmulas
de diferenças finitas tomadas sobre uma malha apropriada.
Para introduzir os conceitos principais, consideramos o seguinte problema de
valor de contorno (PVC)
−uxx = f (x, u), a < x < b, (11.1)
u(a) = ua , (11.2)
u(b) = ub , (11.3)
onde ua e ub são dados. Por ter fixados os valores da variável u nos contornos, este
é chamado de PVC com condições de Dirichlet1 .
1
Johann Peter Gustav Lejeune Dirichlet, 1805 - 1859, matemático alemão.
281
Figura 11.1: Malha uniforme de N pontos em um intervalo [a, b].
A resolução de um tal problema pelo método de elementos finitos consiste em

quatro etapas fundamentais: 1. construção da malha, 2. construção do problema
discreto, 3. resolução do problema discreto e 4. visualização e interpretação dos
resultados.
1. Construção da malha. A malha consiste em uma representação discreta
do domínio [a, b]. Como veremos, sua construção tem impacto direto nas próximas
etapas do método. Aqui, vamos construir a malha mais simples possível, aquela que
consiste de N pontos igualmente espaçados, isto é, a chamada malha uniforme.
Para tanto, seja N ∈ N dado e, então, tomamos o seguinte conjunto discreto
PN = {x1 , x2 , . . . , xN } (a malha), onde
xi = a + (i − 1)h, i = 1, 2, . . . , N,
com
b−a
h := ,
N −1
o qual é chamado de tamanho (ou passo) da malha (veja a figura 11.1).
2. Construção do problema discreto. A segunda etapa consiste na discre-
tização das equações, no nosso caso, das equações (11.1)-(11.3).
Vamos começar pela equação (11.1). Em um ponto da malha xi , i = 2, 3, . . . , N −
1, temos
−uxx (xi ) = f (xi , u(xi )).
Usando a fórmula de diferenças finitas central de ordem 2 para a segunda derivada,
temos !
u(xi − h) − 2u(xi ) + u(xi + h) 2
− + O(h ) = f (xi , u(xi )).
h2
Rearranjando os termos, obtemos
u(xi − h) − 2u(xi ) + u(xi + h)
− = f (xi , u(xi )) + O(h2 ).
h2
Agora, denotando por ui a aproximação numérica de u(xi ), a equação acima
nos fornece
1 2 1
2
ui−1 − 2 ui + 2 ui+1 = −f (xi , ui ), (11.4)
h h h
11.1. MÉTODO DE DIFERENÇAS FINITAS 283
para i = 2, 3, . . . , N − 1. Observamos que trata-se de um sistema de N incógnitas,

a saber ui , e de N − 2 equações, isto é, um sistema subdeterminado.
Para obtermos um sistema determina, aplicamos as condições de contorno. Da
condição de contorno dada na equação (11.2), temos
u(a) = ua ⇒ u1 = ua . (11.5)
Analogamente, da condição de contorno dada na equação (11.2), temos
u(b) = ub ⇒ uN = ub . (11.6)
Por fim, as equações (11.6), (11.4) e (11.5) determinam o problema discreto

associado
u1 = ua , (11.7)
1 2 1
ui−1 − 2 ui + 2 ui+1 = −f (xi , ui ), i = 2, . . . , N − 1, (11.8)
h2 h h
uN = ub . (11.9)
Este é um sistema de equações de N incógnitas e N equações.

3. Resolução do sistema discreto. Esta etapa consiste em resolver o
sistema discreto construído na etapa anterior.
Para o PVC (11.1)-(11.3), construímos o problema discreto (11.7)-(11.9). Este
é um problema de N equações e N incógnitas. Observamos que se f (x, u) é
uma função linear, o sistema será linear e podemos resolver o sistema usando de
técnicas numéricas para sistema lineares. Agora, se f (x, u) é uma função não
linear, podemos usar, por exemplo, do método de Newton para sistemas.
4. Visualização e interpretação dos resultados. A solução do problema
discreto consiste dos valores ui , isto é, de aproximações dos valores de u nos pontos
da malha. Para visualizarmos a solução podemos, por exemplo, construir o gráfico
do conjunto de pontos {(xi , ui )}. Ainda, para obtermos aproximações da solução
em outros pontos que não fazem parte da malha, podemos usar de técnicas de
interpolação e/ou ajuste.
Exemplo 11.1.1. Use o método de diferenças finitas para resolver o seguinte
problema de valor de contorno com condições de Dirichlet homogêneas:
−uxx = 100(x − 1)2 , 0 < x < 1, (11.10)

u(0) = 0, (11.11)
u(1) = 0. (11.12)
Use a fórmula de diferenças finitas central de ordem 2 para discretizar a derivada

em uma malha uniforme de 11 pontos. Calcule, também, a solução analítica deste

problema, faça um esboço das soluções numérica e analítica e compute o erro

absoluto médio definido por
N
1 X
E := |u(xi ) − ui | ,
N i=1
onde xi é o i-ésimo ponto da malha, i = 1, 2, . . . , N e N é o número de pontos

na mesma. Por fim, repita seus cálculos para uma malha com 101 pontos. O que
ocorre com o erro absoluto médio?
Solução. Vamos seguir as etapas conforme acima.

1. Construção da malha. Tomando N = 11, definimos os pontos da malha
no domínio [0, 1] por:
xi = (i − 1)h, i = 1, 2, . . . , N,
com h = 1/(N − 1).

Em Python, podemos construir a malha da seguinte forma:
a = 0
b = 1
N = 11
h = (b-a)/(N-1)
x = np.linspace(a,b,N)
2. Construção do problema discreto. Usando a fórmula de diferenças

finitas central de ordem 2 para aproximar a derivada na equação (11.10), obtemos
o seguinte sistema de equações:
ui−1 − 2ui + ui+1

− = 100(xi − 1)2 , i = 2, . . . , N − 1.
h2
Completamos este sistema com as condições de contorno dadas nas equações (11.11)
e (11.12), donde
u1 = uN = 0.
Ou seja, obtemos o seguinte problema discreto:
u1 = 0, (11.13)
1
− (ui+1 − 2ui + ui+1 ) = 100(xi − 1)2 , i = 2, . . . , N − 1, (11.14)
h2
uN = 0. (11.15)

Observamos que este é um sistema linear N × N , o qual pode ser escrito na forma
matricial Au = b, cujos matriz de coeficientes é
 
1 0 0 0 0 ··· 0
 
1 −2 1 0 0 · · · 0


 
A= 0 1 −2 1 0 ··· 0

,
 .. .. .. .. .. .. .. 


. . . . . . .
 
0 0 0 0 0 ··· 1
o vetor das incógnitas e o vetor dos termos constantes são

   
u1 0
   
−100h (x2 − 1)2 
2
 u2 
  

   
u=  u3  e b= −100h2 (x3 − 1)2 
  
.
 ..  ..
   
 
 .   . 
   
uN 0
Em Python, podemos construir o problema discreto a seguinte forma:

A = np.zeros((N,N))
b = np.zeros(N)
A[0,0] = 1
b[0] = 0
for i in np.arange(1,N-1):
A[i,i-1] = 1
A[i,i] = -2
A[i,i+1] = 1
b[i] = -100 * h**2 * (x[i]-1)**2
A[N-1,N-1] = 1
b[N-1] = 0
3. Resolução do problema discreto. Neste caso, o problema discreto
consiste no sistema linear Au = b e, portanto, a solução é
u = A−1 b. (11.16)
Em Python, podemos computar a solução do sistema Au = b com:

u = np.linalg.solve(A,b)

Figura 11.2: Esboço dos gráficos das soluções analítica (linha) e numérica (pontos)
do PVC dado no exemplo 11.1.1.
4. Visualização e interpretação dos resultados. Tendo resolvido o pro-

blema discreto Au = b, obtemos os valores da solução numérico de u nos pontos
da malha, isto é, obtivemos o conjunto de pontos {(xi , ui )}N
i=1 . Neste exemplo,
queremos comparar a solução numérica com a solução analítica.
A solução analítica pode ser obtida por integração. Temos:
(x − 1)3
−uxx = 100(x − 1)2 ⇒ −ux + c1 = 100
3
(x − 1)4
⇒ −u + c2 x + c1 = 100 ,
12
(x − 1)4
ou seja, u(x) = − + c2 x + c1 . As constantes são determinadas pelas
12
condições de contorno dadas pelas equações (11.11) e (11.12), isto é:
100
u(0) = 0 ⇒ c1 = ,
12
100
u(1) = 0 ⇒ c2 = − .
12
Portanto, a solução analítica é:
(x − 1)4 x 100
u(x) = −100 − 100 + (11.17)
12 12 12
Tabela 11.1: Erro absoluto médio das soluções numéricas com N = 11 e N = 101
do PVC dado no exemplo 11.1.1.
N h E
11 0,1 1,3 × 10−2
101 0,01 1,4 × 10−4
A figura 11.2 mostra o esboço dos gráficos das soluções analítica (11.17) e a da
solução numérica (11.16).
Em Python, podemos fazer o esboço das soluções analítica e numérica da se-
guinte forma:
#def. sol. analitica

def ue(x):
return -100.0*(x-1)**4/12 - 100*x/12 + 100.0/12
#grafico
xx = np.linspace(0,1)
yy = np.zeros(50)
for i,xxi in enumerate(xx):
yy[i] = ue(xxi)
plt.plot(x',u,'ro',xx,yy,'b-')
plt.show()
Por fim, computamos o erro absoluto médio das soluções numéricas com N = 11
e N = 101. A tabela 11.1 mostra os resultados obtidos. Observamos, que ao dimi-
nuirmos 10 vezes o tamanho da malha h, o erro absoluto médio diminui aproxima-
damente 100 vezes. Este resultado é esperado, pois o problema discreto (11.13)-
(11.15) aproxima o problema contínuo (11.10)-(11.12) com erro de truncamento
de ordem h2 . Verifique!
Em Python, podemos computar o erro absoluto médio da seguinte forma:
E = 0
for i,xi in enumerate(x):
E += np.abs(ue(xi) - u[i])
E /= N

x u x u
0.50 1.000000 1.00 1.643900
0.60 1.143722 1.10 1.745332
0.70 1.280661 1.20 1.834176
0.80 1.410269 1.30 1.908160
0.90 1.531724 1.40 1.964534
1.00 1.643900 1.50 2.000000
Tabela 11.2: Solução numérica do exercício ER 11.1.1.
ER 11.1.1. Use o método de diferenças finitas para resolver o seguinte problema
de valor de contorno:
−uxx + u = e−x , 0 < x < 1, (11.18)
u(0,5) = 1, (11.19)
u(1,5) = 2. (11.20)
Para tanto, use a fórmula de diferenças finitas central de ordem 2 para discretizar
a derivada em uma malha uniforme com passo h = 0,1. Faça, então, um esboço
do gráfico da solução computada.
Solução. O passo h é uma malha uniforme com N pontos no domínio [0,5, 1,5]
satisfaz:
(b − a) (b − a)
h= ⇒N = + 1.
N −1 h
Ou seja, a malha deve conter N = 11 pontos igualmente espaçados. Denotamos
os pontos na malha por xi , onde xi = 0,5 + (i − 1)h.
Agora, a equação diferencial dada no i-ésimo ponto da malha é:
−uxx (xi ) + u(xi ) = exi , i = 2, 3, . . . , N − 1.
Denotando ui ≈ u(xi ) e usando a fórmula de diferenças finitas central de ordem
dois para a derivada uxx , obtemos:
ui−1 − 2ui + ui+1

− 2
+ ui = exi ,
h
para i = 2, 3, . . . , N − 1. Rearranjando os termos e aplicando as condições de
contorno, temos o problema discretizado como segue:
u1 = 1
−ui−1 + (2 + h )ui − ui+1 = h2 exi , i = 2, . . . , N − 1,
2
uN = 2.

Figura 11.3: Esboço do gráfico da solução numérica do exercício ER 11.1.1.
O problema discreto obtido é um sistema linear N × N . Resolvendo este

sistema, obtemos a solução discreta apresentada na tabela 11.2. A figura 11.3
mostra um esboço do gráfico da solução computada.
Em Python, podemos computar a solução numérica e graficá-la com o seguinte
código:
#malha
a = 0.5
b = 1.5
N = 11
h = (b-a)/(N-1)
x = np.linspace(a,b,N)
#sistema
A = np.zeros((N,N))
b = np.zeros(N)
A[0,0] = 1
b[0] = 1
for i in np.arange(1,N-1):
A[i,i-1] = -1
A[i,i] = 2 + h**2
A[i,i+1] = -1

b[i] = h**2 * np.exp(x[i])

A[N-1,N-1] = 1
b[N-1] = 2
#solucao
u = np.linalg.solve(A,b)
#grafico
plt.plot(x,u,'b-o')
plt.show()
Exercícios
E 11.1.1. Considere o seguinte problema de valor de contorno para a equação

de calor no estado estacionário:





−uxx = 32, 0 < x < 1.

u(0) = 5

u(1) = 10


Defina uj = u(xj ) onde xj = (j − 1)h e j = 1, . . . ,5. Aproxime a derivada

segunda por um esquema de segunda ordem e transforme a equação diferencial em
um sistema de equações lineares. Escreva este sistema linear na forma matricial
e resolva-o. Faça o mesmo com o dobro de subintervalos, isto é, com malha de 9
pontos.


2




−uxx = 200e−(x−1) , 0 < x < 2.

u(0) = 120

u(2) = 100



segunda por um esquema de segunda ordem e transforme a equação diferencial em
um sistema de equações lineares. Resolva o sistema linear obtido.



2




−uxx = 200e−(x−1) , 0 < x < 2.

u′ (0) = 0

u(2) = 100



segunda por um esquema de segunda ordem, a derivada primeira na fronteira por
um esquema de primeira ordem e transforme a equação diferencial em um sistema
de equações lineares. Resolva o sistema linear obtido.

de calor no estado estacionário com um termo não linear de radiação:

u4




−uxx = 100 − 10000
, 0 < x < 2.

u(0) = 0

u(2) = 10



segunda por um esquema de segunda ordem e transforme a equação diferencial
em um sistema de equações não lineares. Resolva o sistema obtido. Expresse a
solução com dois algarismos depois do separador decimal. Dica: Veja problema 38
da lista 2, seção de sistemas não lineares.

de calor no estado estacionário com um termo não linear de radiação e um termo
de convecção: 
u4




−uxx + 3ux = 100 − 10000 , 0 < x < 2.

u′ (0) = 0

u(2) = 10



um esquema de primeira ordem, a derivada primeira no interior por um esquema
de segunda ordem e transforme a equação diferencial em um sistema de equações
não lineares. Resolva o sistema obtido.
E 11.1.6. Considere o seguinte problema de valor de contorno:

u2




−u′′ + 2u′ = e−x − 100
, 1 < x < 4.

u′ (1) + u(1) = 2

u′ (4) = −1



Defina uj = u(xj ) onde xj = 1 + (j − 1)h e j = 1, . . . ,101. Aproxime a derivada

um esquema de primeira ordem, a derivada primeira no interior por um esquema
de segunda ordem e transforme a equação diferencial em um sistema de equações
não lineares. Resolva o sistema obtido.

Apêndice A
Rápida Introdução ao Python
Neste apêndice, discutiremos os principais aspectos da linguagem computaci-

onal Python que são essenciais para uma boa leitura desta versão do livro. O
material aqui apresentado, é uma adaptação livre do Apêndice A de [12].
A.1 Sobre a linguagem Python

Python é uma linguagem de programação de alto nível, interpretada e multi-
paradigma. Lançada por Guido van Rossum1 em 1991 é, atualmente, mantida de
forma colaborativa e aberta.
Para mais informações, consulte:
• Página oficial da linguagem Python: https://www.python.org/
• Comunidade Python Brasil: http://wiki.python.org.br/
Para iniciantes, recomendamos o curso EAD gratuíto no site Codecademy:
https://www.codecademy.com/learn/python
A.1.1 Instalação e Execução

Para executar um código Python é necessário ter instalado um interpretador
para a linguagem. No site oficial do Python estão disponíveis para download os
interpretadores Python 2.7 e Python 3 para vários sistemas operacionais, como
Linux, Mac OS e Windows. Muitas distribuições de Linux (Linux Mint, Ubuntu,
etc.) têm o Python no seu sistema de pacotes (incluindo documentação em várias
línguas).
Ao longo do texto, assumiremos que o leitor estaja usando um computar ro-
dando Linux. Para outros sistemas, pode ser necessário fazer algumas adaptações.
1
Guido van Rossum, nascido em 1956, programador de computadores dos Países Baixos.
293
A.1.2 Usando Python

O uso do Python pode ser feito de três formas básicas:
• usando um console Python de modo iterativo;
• executando um código codigo.py no console Python;
• executando um código Python codigo.py diretamente em terminal;
Exemplo A.1.1. Considere o seguinte pseudocódigo:
s = "Olá Mundo!". (Sem imprimir na tela o resultado.)

saída(s). (Imprime na tela.)
Implemente este pseudocódigo em Python: a) usando diretamente um console; b)

digitando seu código em um arquivo separado e executando-o no console Python
com a função execfile.b) digitando seu código em um arquivo separado e executando-
o em terminal com o comando python.
Solução. Seguem as soluções de cada item:
a) No console temos:
>>> s = "Olá, Mundo!"

>>> print(s)
Olá, Mundo!
Para sair do console, digite:
>>> quit()
b) Abra o editor de texto de sua preferência e digite o código:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
s = 'Olá'
print(s)
Salve o arquivo como, por exemplo, ola.py. No console Python, digite:
>>> execfile("ola.py")

A.2. ELEMENTOS DA LINGUAGEM 295
c) Abra o editor de texto de sua preferência e digite o código:
# -*- coding: utf-8 -*-
s = 'Olá'
print(s)
Salve o arquivo como, por exemplo, ola.py. Em um terminal, digite:
$ python ola.py
A.2 Elementos da linguagem

Python é uma linguagem de alto nível, interpretada e dinâmica. Uma variável
é criada quando um valor é atribuído a ela. Por exemplo:
>>> x=1
>>> y = x * 2.0
a variável x recebe o valor int 1 e, logo após, na segunda linha de comando,

a variável y recebe o valor double 2. Observamos que o símbolo = significa o
operador de atribuição não o de igualdade. O operador lógico de igualdade no
Python é ==. Veja os seguintes comandos:
>>> print(x,y)
(1, 2.0)
>>> type(x), type(y)
(<type 'int'>, <type 'float'>)
Comentários e continuação de linha de comando são usados como no seguinte

exemplo:
>>> #isto é um comentário

...
>>> x = 1 \
... + 2
>>> print(x)
3

A.2.1 Operações matemáticas elementares

Em Python, os operadores matemáticos elementares são os seguintes:
+ adição
- subtração
* multiplicação
/ divisão
** potenciação
Atenção, a operação de divisão se comporta diferente nas versões Python 2.7
e Python 3. Em Python 3, temos:
>>> 1/2
0.5
Já, em Python 2.7:
>>> 1/2
0
>>> 1/2
0.5
A.2.2 Funções e constantes elementares

Várias funções e constantes elementares estão disponíveis no pacote módulo
Python math. Por exemplo:
>>> import math as math
>>> math.cos(pi)
-1.0
>>> math.exp(1)
2.718281828459045
>>> math.log(math.exp(1))
1.0
Observamos que math.log é a função logarítmo natural, isto é, f (x) = ln(x),
enquanto que a implementação Python de f (x) = log(x) é:
>>> math.log10(10)
1.0
Veja mais na documentação do módulo math:
>>> help(math)

A.3. MATRIZES 297
A.2.3 Operadores lógicos

Em Python, o valor lógico verdadeiro é escrito como True e o valor lógico falso
como False. Temos os seguintes operadores lógicos disponíveis:
and e lógico
or ou lógico
not negação
== igualdade
!= diferente
< menor que
> maior que
<= menor ou igual que
>= maior ou igual que
Exemplo A.2.1. Se x = 2, então x é maior ou igual a 1 e menor que 3?
Solução. Em Python, temos:

>>> x=2
>>> (x >= 1) and (x < 3)
True
♦
A.3 Matrizes
Em Python, temos um ótimo suporte para computação científica com o pacote
numpy. Uma matriz A = [ai,j ]m,n
i,j=1 em Python é definida usando-se a seguinte
sintaxe:

>>> A = np.array([[ a11 , a12 , ... , a1n], [...]. [am1 , am2 , ... , amn]])
Exemplo A.3.1. Defina a matriz:

 
1 2 3 
A=
4 5 6
Solução. Em Python, digitamos:

>>> A = np.array([[1,2,3],
... [4,5,6]])

>>> print(A)
[[1 2 3]
[4 5 6]]
♦
A seguinte lista contém uma série de funções que geram matrizes particulares:
numpy.eye matriz identidade

numpy.linspace vetor de elementos linearmente espaçados
numpy.ones matriz cheia de uns
numpy.zeros matriz nula
A.3.1 Obtendo dados de uma matriz

A função numpy.shape retorna o tamanho de uma matriz, por exemplo:
>>> A = np.ones((3,2))
>>> print(A)
[[ 1. 1.]
[ 1. 1.]
[ 1. 1.]]
>>> nl, nc = np.shape(A)
>>> print(nl,nc)
(3, 2)
informando que a matriz A tem três linhas e duas colunas.

Existem vários métodos para se acessar os elementos de uma matriz dada A:
• a matriz inteira acessa-se com a sintaxe:
• o elemento da i-ésima linha e j-ésima coluna acessa-se usando a sintaxe:
A[i,j]
• o bloco formado pelas linhas i1 , i2 e pelas colunas j1 , j2 obtém-se usando a

sintaxe:
A[i1:i2, j1:j2]
Exemplo A.3.2. Veja as seguintes linhas de comando:

A.3. MATRIZES 299
>>> from numpy import random

>>> A = np.random.random((3,4))
>>> A
array([[ 0.39235668, 0.30287204, 0.24379253, 0.98866709],
[ 0.72049734, 0.99300252, 0.14232844, 0.25604346],
[ 0.61553036, 0.80615392, 0.22418474, 0.13685148]])
>>> A[2,3]
0.13685147547025989
>>> A[1:3,1:4]
array([[ 0.99300252, 0.14232844, 0.25604346],
[ 0.80615392, 0.22418474, 0.13685148]])
Definida uma matriz A em Python, as seguintes sintaxes são bastante úteis:
A[:,:] toda a matriz

A[i:j,k] os elementos das linhas i até j (exclusive) da k-ésima coluna
A[i,j:k] os elementos da i-ésina linha das colunas j até k (exclusive)
A[i,:] a i-ésima linha da matriz
A[:,j] a j-ésima coluna da matriz
Atenção, os índices em Python iniciam-se em 0. Assim, o comando A[1:3,1:4]

retorna o bloco da matriz A compreendido da segunda à terceira linha e da segunda
a quarta coluna desta matriz.
>>> B = np.random.random((4,4))
>>> B
array([[ 0.94313432, 0.72650883, 0.55487089, 0.18753526],
[ 0.02094937, 0.45726099, 0.51925464, 0.8535878 ],
[ 0.75948469, 0.95362926, 0.77942318, 0.06464183],
[ 0.91243198, 0.22775889, 0.04061536, 0.14908227]])
>>> aux = np.copy(B[:,2])
>>> B[:,2] = np.copy(B[:,3])
>>> B[:,3] = np.copy(aux)
>>> B
array([[ 0.94313432, 0.72650883, 0.18753526, 0.55487089],
[ 0.02094937, 0.45726099, 0.8535878 , 0.51925464],
[ 0.75948469, 0.95362926, 0.06464183, 0.77942318],
[ 0.91243198, 0.22775889, 0.14908227, 0.04061536]])

A.3.2 Operações matriciais e elemento-a-elemento

Em Python com numpy, o operador * opera elemento a elemento. Por exemplo:
>>> A = np.array([[1,2],[2,1]]); print(A)
[[1 2]
[2 1]]
>>> B = np.array([[2,1],[2,1]]); print(B)
[[2 1]
[2 1]]
>>> print(A*B)
[[2 2]
[4 1]]
A multiplicação matricial obtemos com:
>>> C = A.dot(B)
>>> print(C)
[[6 3]
[6 3]]
Aqui, temos as sintaxes análogas entre operações elemento-a-elemento:
+ adição
- subtração
* multiplicação
/ divisão
** potenciação
>>> A = np.ones((2,2))
>>> A
array([[ 1., 1.],
[ 1., 1.]])
>>> B = 2 * np.ones((2,2))
>>> B
array([[ 2., 2.],
[ 2., 2.]])
>>> A*B
array([[ 2., 2.],
[ 2., 2.]])
>>> A.dot(B)
array([[ 4., 4.],

A.4. ESTRUTURAS DE RAMIFICAÇÃO E REPETIÇÃO 301
[ 4., 4.]])
>>> A/B
array([[ 0.5, 0.5],
[ 0.5, 0.5]])
A.4 Estruturas de ramificação e repetição

A linguagem Python contém estruturas de repetição e ramificação padrões de
linguagens estruturadas.
A.4.1 A instrução de ramificação “if”

A instrução “if” permite executar um pedaço do código somente se uma dada
condição for satisfeita.
Exemplo A.4.1. Veja o seguinte código Python:
# -*- coding: utf-8 -*-
i = 2
if (i == 1):
print("Olá!")
elif (i == 2):
print("Hallo!")
elif (i == 3):
print("Hello!")
else:
print("Ça Va!")
Qual é a saída apresentada pelo código? Por quê?
Observamos que, em Python, a identação é obrigatória, pois é ela que defini o

escopo da instrução.
A.4.2 A instrução de repetição “for”

A instrução for permite que um pedaço de código seja executado repetida-
mente.
Exemplo A.4.2. Veja o seguinte código:

for i in range(6):
print(i)
Qual é a saída deste código? Por quê?
import numpy as np
for i in np.arange(1,8,2):
print(i)
Qual é a saída deste código? Por quê?
for k = 10:-3:1
disp(k)
end
O que é mostrado no console do Python?
import numpy as np
for i in np.arange(10,1,-3):
print(i)
O que é mostrado no console do Python?
A.4.3 A instrução de repetição “while”

A instrução while permite que um pedaço de código seja executado repetida-
mente até que uma dada condição seja satisfeita.
Exemplo A.4.6. Veja o seguinte código Pyhon:
s = 0
i = 1
while (i <= 10):
s = s + i
i = i + 1
Qual é o valor de s ao final da execução? Por quê?

A.5. FUNÇÕES 303
A.5 Funções
Além das muitas funções disponíveis em Python (e os tantos muitos pacotes
livers disponíveis), podemos definir nossas próprias funções. Para tanto, existe a
instrução def. Veja os seguintes exemplos:
Exemplo A.5.1. O seguinte código:
def f(x):
return x + np.sin(x)
define a função f (x) = x + sen x.

Observe que f (π) = π. Confirme isso computando:
>>> f(np.pi)
Exemplo A.5.2. O seguinte código em Python:
def h(x,y):
if (x < y):
return y - x
else:
return x - y
define a função: 
 y − x ,x < y
h(x,y) =
 x − y ,x ≥ y
Exemplo A.5.3. O seguinte código:
def J(x):
y = np.zeros((2,2))
y[0,0] = 2*x[0]
y[0,1] = 2*x[1]
y[1,0] = -x[1]*np.sin(x[0]*x[1])
y[1,1] = -x[0]*np.sin(x[0]*x[1])
return y
∂(f1 ,f2 )
define a matriz jacobiana J(x1 ,x2 ) := ∂(x1 ,x2 )
da função:
f (x1 ,x2 ) = (x21 + x22 , cos(x1 x2 )).

A.6 Gráficos
Para criar um esboço do gráfico de uma função de uma variável real y = f (x),
podemos usar a biblioteca Python mathplotlib.A função matplotlib.pyplot.plot
faz uma representação gráfica de um conjunto de pontos {(xi , yi )} fornecidos.
Existe uma série de opções para esta função de forma que o usuário pode ajustar
várias questões de visualização. Veja a documentação.
Exemplo A.6.1. Veja as seguintes linhas de código:

>>> def f(x): return x**3 + 1
...
>>> x = np.linspace(-2,2)
>>> plt.plot(x, f(x))
[<matplotlib.lines.Line2D object at 0x7f4f6d153510>]
>>> plt.grid()
>>> plt.show()

Resposta dos Exercícios
Recomendamos ao leitor o uso criterioso das respostas aqui apresentadas. De-

vido a ainda muito constante atualização do livro, as respostas podem conter
imprecisões e erros.
E 2.1.1. a) 4; b) 9; c) b2 ; d) 7; e) 170; f) 7,125; g) 3,28
E 2.1.2. a) 21,172; b) 5,5; c) 303,25; d) 4,6̄.
E 2.1.3. (101,1)2 .
E 2.1.4. (11,1C)16 .
¯ 5 ; b) (45,1)6 .
E 2.1.5. a) (12,31)
E 2.1.6. 10,5; (1010,1)2 .
E 2.1.7. a) (100101,001)2 ; b) (11,4)16 ; c) (11,5)8 ; d) (9,A)16 .
E 2.1.8. 50; 18.
E 2.2.1.
a) 2,99792458 × 105 b) 6,62607 × 10−34
c) 6,674 × 10 −8
d) 9,80665 × 104
E 2.2.2. Em Python, temos:
>>> print("%1.7e" % 29979.458)

2.9979458e+04
>>> print("%1.5e" % 66.2607)
6.62607e+01
>>> print("%1.3e" % 0.6674)
6.674e-01
>>> print("%1.5e" % 9806.65e1)
9.80665e+04
E 2.4.1. a) 98; b) 29; c) −29.
E 2.4.2. a) 25186; b) 7453; c) −7453.
E 2.4.3. a) 3,75; b) −5,75.
305
E 2.5.1. a) εabs = 5,9 × 10−4 , εrel = 1,9 × 10−2 %; b) εabs = ×10−5 , εrel = ×10−3 %; c) εabs = 1, εrel = 10−5 %.
E 2.5.2. a) 1,7889; b) 1788,9; c) 0,0017889; d) 0,0045966; e) 2,1755 × 10−10 ; f) 2,1755 × 1010 .
E 2.5.3. a) 3270, 3280; b) 42,5, 42,6; c) 0,0000333, 0,0000333.
E 2.5.4. a) 2; b) 2.
E 2.5.6. a) δabs = 3,46 × 10−7 , δrel = 1,10 × 10−7 ; b) δabs = 1,43 × 10−4 , δrel = 1,00 × 10−3 .
E 2.8.1. 2%, deve-se melhorar a medida na variável x, pois, por mais que o erro relativo seja maior para esta variável, a
propagação de erros através desta variáveis é muito menos importante do que para a outra variável.
E 2.8.2. 3,2% pela aproximação ou 3,4% pela segundo método (0,96758 ≤ I ≤ 1,0342).
E 2.9.1. Quando µ é pequeno, e1/µ é um número grande. A primeira expressão produz um ”overflow” (número maior que o
máximo representável) quando µ é pequeno. A segunda expressão, no entanto, reproduz o limite 1 quando µ → 0+.
2 √ √
2 2
E 2.9.2. a) 1
2
+ x4! + O(x4 ); b) x/2 + O(x2 ); c) 5 · 10−4 x + O(x2 ); d) 4
y + O(y 2 ) = 4
x + O(x2 )
E 2.9.5. 4,12451228 × 10−16 J; 0,002%; 0,26654956 × 10−14 J; 0,002%; 4,98497440 × 10−13 J; 0,057%; 1,74927914 × 10−12 J;
0,522%.
E 3.1.1.
Observamos que a equação é equivalente a cos(x) − x = 0. Tomando, então, f (x) = cos(x) − x, temos que f (x) é contínua
em [0, π/2], f (0) = 1 e f (π/2) = −π/2 < 0. Logo, do teorema de Bolzano 3.1.1, concluímos que a equação dada tem pelo menos
uma solução no intervalo (0, π/2).
E 3.1.2.
No exercício 3.1.1, mostramos que a função f (x) = cos(x) − x tem um zero no intervalo [0, π/2]. Agora, observamos que
f ′ (x) = − sen (x)−1. Como 0 < sen x < 1 para todo x ∈ (0, π/2), temos que f ′ (x) < 0 em (0, π/2), isto é, f (x) é monotonicamente
decrescente neste intervalo. Logo, da proposição 3.1.1, temos que existe um único zero da função neste intervalo.
E 3.1.3.
k ≈ 0,161228
E 3.1.5.
Escolhendo o intervalo [a, b] = [−1,841 − 10−3 , −1,841 + 10−3 ], temos f (a) ≈ 5 × 10−4 > 0 e f (b) ≈ −1,2 × 10−3 < 0, isto
é, f (a) · f (b) < 0. Então, o teorema de Bolzano nos garante que o zero exato x∗ de f (x) está no intervalo (a, b). Logo, da escolha
feita, | − 1,841 − x∗ | < 10−3 .
E 3.1.6. Basta aplicar as ideias da solução do exercício 3.1.5.
E 3.2.1. 0,6875
E 3.2.2. Intervalo (0,4, 0,5), zero 0,45931. Intervalo (1,7, 1,8), zero 1,7036. Intervalo (2,5, 2,6), zero 2,5582.
E 3.2.3. a) x1 = 1. b) Dica: como x2 = 2 é raíz dupla, tem-se que p′ (x2 ) = 0.
E 3.2.5. 1,390054; 1,8913954; 2,4895673; 3,1641544; 3,8965468

RESPOSTAS DOS EXERCÍCIOS 307
E 3.2.6. kθ = lP
2
cos(θ) com θ ∈ (0, π/2); 1,030.
E 3.2.7. 19; 23; 26; 0,567143; 1,745528; 3,385630
E 3.2.8. a) 0,623; b) 0,559; c) 0,500; d) 0,300; e) −0,3; f) −30; g) −30
E 3.2.9. a) 0,0294; b) 2.44e − 3; c) 2.50e − 4; d) 1.09 · 10−7 ; e) −10−12 ; f) −10−12 ; g) −10−12
E 3.3.1. −1,8414057
E 3.3.2.
0,7391
E 3.3.3.
Tomemos x(1) = 1 como aproximação inicial para a solução deste problema, iterando a primeira sequência a), obtemos:
(1)
x = 1

(2) 10
x = ln = 2,3025851
1

(3) 10
x = ln = 1,4685526
2,3025851
.
.
.
(21)
x = 1,7455151
(31)
x = 1,745528
(32)
x = 1,745528
Iterando a segunda sequência b), obtemos:
(1)
x = 1
(2) −1
x = 10e = 3,6787944
(3) −3,6787944
x = 10e = 0,2525340
(4) −0,2525340
x = 10e = 7,7682979
(5) −7,7682979
x = 10e = 0,0042293
(6) −0,0042293
x = 10e = 9,9577961
Este experimento numérico sugere que a iteração a) converge para 1,745528 e a iteração b) não é convergente.
E 3.3.10.
0.0431266
cos(x)−x2
E 3.4.1. raiz:0,82413, processo iterativo: x(n+1) = x(n) + sen (x)+2x
E 3.4.3. 0,65291864
E 3.4.4. 0,0198679; 0,533890; 0,735412; 1,13237 e 1,38851.
E 3.4.6. −99.99970, −0.3376513; −1.314006.
E 3.4.9.
x0 > 1.

E 3.4.10.
(0)
x = C.I.
(n+1) (n) (n)

x = x 2 − Ax
E 3.4.11.
x0 = C.I.

(n+1) (n) 1 A
x = x 1− +
n nx(n)
E 3.4.12.
x0 = C.I.
(n+1) (n) x(n) − Ax(n) (3 − A)x(n)

x = x + =
2 2
E 3.6.5. Seja f (x) ∈ C 2 um função tal que f (x∗ ) = 0 e f ′ (x∗ ) 6= 0. Considere o processo iterativo do método das secantes:
(n+1) (n) f (x(n) ) (n) (n−1)

x =x − (x −x )
f (x(n) ) − f (x(n−1) )
Esta expressão pode ser escrita como:
(n+1) (n) f (x(n) )(x(n) − x(n−1) )

x = x −
f (x(n) ) − f (x(n−1) )

x(n) f (x(n) ) − f (x(n−1) ) − f (x(n) )(x(n) − x(n−1) )
=
f (x(n) ) − f (x(n−1) )
x(n) f (x(n−1) ) − x(n−1) f (x(n) )
=
f (x(n) ) − f (x(n−1) )
Subtraindo x∗ de ambos os lados temos:
(n+1) ∗ x(n) f (x(n−1) ) − x(n−1) f (x(n) ) ∗

x −x = −x
f (x(n) ) − f (x(n−1) )

x(n) f (x(n−1) ) − x(n−1) f (x(n) ) − x∗ f (x(n) ) − f (x(n−1) )
=
f (x(n) ) − f (x(n−1) )
(x(n) − x∗ )f (x(n−1) ) − (x(n−1) − x∗ )f (x(n) )
=
f (x(n) ) − f (x(n−1) )
Definimos ǫn = xn − x∗ , equivalente a xn = x∗ + ǫn
ǫn f (x∗ + ǫn−1 ) − ǫn−1 f (x∗ + ǫn )

ǫn+1 =
f (x∗ + ǫn ) − f (x∗ + ǫn−1 )
Aproximamos a função f (x) no numerador por
∗ ∗ ′ ∗ 2 f ′′ (x∗ )
f (x + ǫ) ≈ f (x ) + ǫf (x ) + ǫ
2
∗ ′ ∗ 2 f ′′ (x∗ )
f (x + ǫ) ≈ ǫf (x ) + ǫ
2

f ′′ (x∗ )
f ′′ (x∗ )

ǫn ǫn−1 f ′ (x∗ ) + ǫ2
n−1 2
− ǫn−1 ǫn f ′ (x∗ ) + ǫ2
n 2
ǫn+1 ≈
f (x∗ + ǫn ) − f (x∗ + ǫn−1 )
f ′′ (x∗ )

2
ǫn ǫ2 2
n−1 − ǫn−1 ǫn
=
f (x∗ + ǫn ) − f (x∗ + ǫn−1 )

1 ′′ ∗ ǫn ǫn−1 ǫn−1 − ǫn
= f (x )
2 f (x∗ + ǫn ) − f (x∗ + ǫn−1 )
Observamos, agora, que
∗ ∗
∗ ′ ∗
∗ ′ ∗

f (x + ǫn ) − f (x + ǫn−1 ) ≈ f (x ) + f (x )ǫn − f (x ) + f (x )ǫn−1
(3.6)
′ ∗
= f (x )(ǫn − ǫn−1 )
Portanto:
1 f ′′ (x∗ )
ǫn+1 ≈ ǫn ǫn−1 (3.7)
2 f ′ (x∗ )
(n+1) ∗ 1 f ′′ (x∗ ) (n) ∗
(n−1) ∗

x −x ≈ x −x x −x (3.8)
2 f ′ (x∗ )
E 3.7.2.
x > a com a ≈ 0,4193648.
E 3.7.3.
−2j+1
z1 ≈ 0.3252768, z2 ≈ 1.5153738, z3 ≈ 2.497846, z4 ≈ 3.5002901, zj ≈ j − 1/2 − (−1)j e π , j >4
E 3.7.4.
150 W, 133 W, 87 W, 55 W, 6,5 W
E 3.7.5.
a) 42 s e 8 min2 s, b) 14 min56 s.
E 3.7.6.
118940992
E 3.7.7.
7,7 cm
E 3.7.8.
4,32 cm
E 3.7.9.
(0,652919, 0,426303)
E 3.7.10.
7,19% ao mês
E 3.7.11.
4,54% ao mês.
E 3.7.12.
500 K, 700 K em t = 3 ln(2), 26 min, 4 h27 min.
E 3.7.13.
(±1,1101388, −0,7675919), (±1,5602111, 0,342585)

E 3.7.14.
1,5318075
E 3.7.15.
Aproximadamente 2500 reais por hora.
E 3.7.16.
a) 332,74 K b) 359,33 K
E 3.7.17.
1,2285751, 4,76770758, 7,88704085
E 4.1.1.
Escrevemos o sistema na forma matricial e resolvemos:
" # " # " #

1 1 1 0 1 1 1 0 1 1 1 0
1 0 10 −48 ∼ 0 −1 9 −48 ∼ 0 10 1 25 ∼
0 10 1 25 0 10 1 25 0 −1 9 −48
" # " #
1 1 1 0 1 1 1 0
∼ 0 10 1 25 ∼ 0 10 1 25 ∼
0 0 9.1 −45.5 0 0 1 −5
" # " #
1 1 0 5 1 1 0 5
∼ 0 10 0 30 ∼ 0 1 0 3 ∼
0 0 1 −5 0 0 1 −5
" #
1 0 0 2
∼ 0 1 0 3
0 0 1 −5
Portanto x = 2, y = 3, z = −5
E 4.5.1.
a = (0, 1, 2, 1, 2, 1)
b = (5, 3, 4, 2, 3, 2)
c = (4, 1, 1, 1, 2, 0)
d = (13, 10, 20, 16, 35, 17)
x = (1, 2, 3, 4, 5, 6)
E 4.5.2.
a = (0, −1, −1, −1, −1, −1, −1, −1, −1, −1, −1/2)
b = (1, 5, 5, 5, 5, 5, 5, 5, 5, 5, 1)
c = (−1, −1, −1, −1, −1, −1, −1, −1, −1, −1, 0)
d = (0, cos(2/10), cos(3/10), cos(4/10), cos(5/10),
cos(6/10), cos(7/10), cos(8/10), cos(9/10), cos(1),0)
x = (0,324295, 0,324295, 0,317115, 0,305943, 0,291539,
0,274169, 0,253971, 0,230846, 0,20355, 0,165301, 0,082650)
E 4.6.1.
λ = 71×30
41
≈ 51.95122, para λ = 51: k1 = k∞ = 350.4, k2 = 262.1. Para λ = 52: k1 = k∞ = 6888, k2 = 5163.
E 4.6.2.
k1 (A) = 36, k2 (A) = 18,26, K∞ (A) = 20,8.

E 4.6.3.
√
k1 = k∞ = 6888, k2 = 26656567 e k1 = 180, k2 = 128,40972 e k∞ = 210
E 4.6.4.
18 + 3. Quando ε → 0+, a matriz converge para uma matriz singular e o número de condicionamento diverge para +∞.
ε
E 4.6.5.
As soluções são [−0.0000990 0.0000098]T e [0.0098029 0.0990294]T . A grande variação na solução em função de pequena
variação nos dados é devido ao mau condicionamento da matriz (k1 ≈ 1186274.3).
Exemplo de implementação:
A=[1e5 -1e4+1e-2; -1e4+1e-2 1000.1]

b1=[-10 1]'
b2=[-9.999 1.01]'
A\b1
A\b2
E 4.6.6. 0,695; 0,292; 0,188; 0,0237; 0,0123; 0,00967
E 4.7.4.
0,324295, 0,324295, 0,317115, 0,305943, 0,291539, 0,274169, 0,253971, 0,230846, 0,203551, 0,165301, 0,082650
E 4.7.5.
Permute as linhas 1 e 2.
E 4.8.1.
λ = 86.1785 associado ao autovetor dado por v1 = [0.65968 0.66834 0.34372]T .
E 4.8.3.
158,726
E 4.9.3.
Dica: P (−1) = −3, P (1) = −1 e P (2) = 9 produzem três equações lineares para os coeficientes a, b e c. Resp: a)
P (x) = 3x2 + x − 5, b) A ≈ 2.49 e B ≈ −1.29 c)A1 ≈ 1.2872058, A2 ≈ −4.3033034, B1 ≈ 2.051533 e B2 ≈ −0.9046921.
E 5.1.1. ∇f = [2xy − y sen (xy), x2 − x sen (xy)]T

cos(x) − x sen (x) 1
JF =
−2e−2x+y e−2x+y
(JL )ij = aij
p
√ √
E 5.1.3. As curvas possuem dois pontos de intersecção. A posição exata destes pontos de intesecção é dada por 2 3 − 3,2 3 − 2
p
√ √
e − 2 3 − 3,2 3 − 2 . Use a solução exata para comparar com a solução aproximada obtida.
E 5.1.4. (±0.8241323, 0.6791941)
E 5.1.5. x ≈ 0,259751, y ≈ 0,302736, z ≈ 0,045896
E 5.1.7. y = mx + b com m ≈ −0.0459710 e b ≈ 0.479237

Uma metodologia possível para resolver este problema é dada a seguir:
Sejam x1 e x2 as abscissas dos dois pontos em que a reta tangencia a curva. A equação da reta bitangente assume a seguinte
forma:
y = f (x1 ) + m(x − x1 )
onde o coeficiente angular m é dado por

f (x2 ) − f (x1 )
m=
x2 − x1

Da condição de tangência, temos que o coeficiente angular da reta, m, deve igual à derivada da função f (x) nos dois pontos
de tangência.
′ ′
m = f (x1 ) = f (x2 )
E sabemos que:
′ cos(x) sen (x)
f (x) = − .
1+x (1 + x)2
Assim, podemos reescrever o problema como
cos(x1 ) sen (x1 ) cos(x2 ) sen (x2 )

− − + =0
1 + x1 (1 + x1 )2 1 + x2 (1 + x2 )2
cos(x1 ) sen (x1 ) f (x2 ) − f (x1 )
− − =0
1 + x1 (1 + x1 )2 x2 − x1
Este é um sistema não-linear de duas incógnitas.

Os valores iniciais para o método podem ser obtidos do gráfico buscando valores próximos aos dois primeiros pontos de
(0) (0)
máximos. Por exemplo: x1 = 1 e x2 = 8. Obtemos x1 ≈ 1,2464783 e x2 ≈ 8,1782997 e m pode ser obtido através desses
valores.
E 5.1.8. (0.1956550; 0.2441719), (0.3694093; 0.4590564), (0.9990712; 1.1865168) e (1.4773606; 1.5552232)
E 5.1.9. (0.0449310; 0.0648872; 0.0698750), (0.3981385; 0.5658310; 0.6069019),
(1.1862966; 1.4348545; 1.480127)
E 5.1.10. (−1,2085435, −1,0216674) e (2,7871115, 1,3807962)
E 5.1.11. A primeira curva trata-se de uma elipse de centro (3,1) e semi-eixos 4 e 6, portanto seus pontos estão contidos no
retângulo −1 ≤ x ≤ 7 e −5 ≤ y ≤ 7.
A soluções são (−0,5384844, −1,7978634) e (2,8441544, 6,9954443).
E 5.1.12. (x1 ,x2 ,x3 ) ≈ (453,62, 901,94, 144,43)
p 6,7
E 5.1.13. Incialização do método: A(0) = 3,1 e b(0) = 3,1
A ≈ 3.0297384 e b ≈ 1.4835346.
E 5.1.14. f (−1,1579702, −1,2020694) ≈ 2.376985
E 5.1.16. x ≈ 0,2982646, y ≈ −0,2990796, z ≈ −1,6620333 e x ≈ −0,0691328, y ≈ 0,2923039, z ≈ −0,8235705.
E 5.1.17.
 
x1 − x2
 −x1 + 5(x2 + x3

 2 ) − x3 − 10 exp(−2/3) 
 
 −x2 + 5(x3 + x3

 3 ) − x4 − 10 exp(−3/3) 
 
F (x) =  −x3 + 5(x4 + x3
4 ) − x5 − 10 exp(−4/3)

 
 .

 . 
 . 
 
 −x9 + 5(x10 + x3
10 ) − x11 − 10 exp(−10/3) 
x11 − 1
 
1 −1 0 0 0 ... 0
 −1 5(1 + 3x2

 2) −1 0 0 ... 0 
 
 0 −1 5(1 + 3x2
3) −1 0 ... 0 
 
JF (x) =  
 0 0 −1 5(1 + 3x2
4) −1 ... 0 
 
 . . . . .

 . 
. . . . .. .
 . . . . . 
0 0 0 0 0 ··· 1

Resposta final: 0,80447, 0,80447, 0,68686, 0,57124, 0,46535, 0,37061, 0,28883, 0,22433, 0,19443, 0,28667, 1
E 5.1.18. f (0,8108792, 1,6217584) ≈ 0,1950369 e f (0,5527864, 1,1055728) ≈ 0,1455298
E 6.1.1. p(x) = −3 + 2x + 5x3 .
E 6.1.2. p(x) = 0,25 + x2 .
E 6.1.3.
a) Uma parábola de equação y = a1 + a2 x + a3 x2 que interpola os pontos deve satisfazer o sistema:
2
a1 + a2 x1 + a3 x1 = y1
2
a1 + a2 x2 + a3 x2 = y2
Sem perda de generalidade, para cada a3 ∈ R dado, temos:
2
a1 + a2 x1 = y1 − a3 x1
,
2
a1 + a2 x2 = y2 − a3 x2
o qual tem solução única, pois x1 6= x2 . Ou seja, para cada a3 ∈ R dado, existem a1 , a2 ∈ R tais que a parábola de
equação y = a1 + a2 x + a3 x2 interpola os pontos dados.
b) Certamente não existem retas de equação x = a que interpolam os pontos dados. Consideremos então retas de equação
y = a1 + a2 x. Para uma tal reta interpolar os pontos dados é necessário que:
a1 + a2 = 1
a1 + 2a2 = 2,1,
a1 + 3a2 = 3
o qual é um sistema impossível.
c) Não existe uma parábola de equação y = a1 + a2 x + a3 x2 que interpole os pontos dados, pois tal equação determina uma
função de x em y. Agora, para mostrar que existem infinitas parábolas de equação x = a1 + a2 y + a3 y 2 que interpolam
os pontos dados, basta seguir um raciocínio análogo ao do item a), trocando x por y e y por x.
E 6.4.1.
R1 f (0)+f (1) 1
P (x)dx = 2
, 12 maxx∈[0,1] |f ′′ (x)|
0
E 7.1.1. f (x) = −0,55 − 0,01x.
E 7.1.2. f (x) = 0,19 − 0,47x.
E 7.1.3. a) −0,6025387; b) −0,5651848; c) 0,2851848; d) 0,1488041.
E 7.2.1. a1 = −0,67112, a2 = −0,12123, a3 = 0,73907.
E 7.2.2. y = −0,0407898x2 + 2,6613293x + 1,9364598.
E 7.2.3. a) a = 25,638625, b = 9,8591874, c = 4,9751219; b)a = 31,475524, b = 65,691531, c = −272,84382, d = 208,23621.
E 8.1.3.
−3f (0)+4f (h)−f (2h)

a) f ′ (0) = 2h
+ O(h2 )
3f (0)−4f (−h)+f (−2h)

b) f ′ (0) = 2h
+ O(h2 )

1
h h2 h
h

c) f ′ (0) = h +h l − h2 f (−h1 ) + h1
− h1 f (0) + h1 f (h2 )
1 2 1 2 2
E 8.1.4.
Caso a b c d
vi = 1 1.72 1.56 1.64 1.86
vi = 4.5 2.46 1.90 2.18 1.14
E 8.1.5.
Segue a tabela com os valores da derivada para vários valores de h.
h 10−2 10−4 10−6 10−7 10−8 10−9

D+,h f (1,5) −0,3125246 −0,3161608 −0,3161973 −0,3161976 −0,3161977 −0,3161977
h 10−10 10−11 10−12 10−13 10−14 10−15

D+,h f (1,5) −0,3161976 −0,3161971 −0,3162332 −0,3158585 −0,3178013 −0,3747003
Observe que o valor exato é −0,3161977 e o h ótimo é algo entre 10−8 e 10−9 .
E 8.2.1.
f (0)−2f (h)+f (2h)

a) f ′′ (0) = + O(h)
h2
f (0)−2f (−h)+f (−2h)

b) f ′′ (0) = + O(h)
h2
E 9.1.2.
1 2
ISimpson = IT rap + IP M
3 3
E 9.1.3.
n Ponto médio Trapézios Simpson

3 0.1056606 0.7503919 0.5005225
5 0.1726140 0.3964724 0.2784992
7 0.1973663 0.3062023 0.2393551
9 0.2084204 0.2721145 0.2306618
E 9.3.2.
-0.2310491, -0.2452073, - 0.2478649.
E 9.3.4.
a)-0.2472261, -0.2416451, -0.2404596, -0.2400968, -0.2399563, -0.2398928. b)-0.2393727, -0.2397994, -0.2398104, -0.2398115,
-0.2398117, -0.2398117.
E 9.4.1.
−1 −12 −2 2 −7 3 −3 4
a)I(h) = 4.41041 · 10 − 8.49372 · 10 h − 1.22104 · 10 h − 1.22376 · 10 h + 8.14294 · 10 h
−1 −11 −2 2 −7 3 −6 4
b)I(h) = 7.85398 · 10 − 1.46294 · 10 h − 4.16667 · 10 h − 2.16110 · 10 h + 4.65117 · 10 h
−3 −10 −7 2 −5 3 −4 4
c)I(h) = 1.58730 · 10 − 9.68958 · 10 h + 2.03315 · 10 h − 1.38695 · 10 h + 2.97262 · 10 h
−1 −12 −2 2 −8 3 −4 4
d)I(h) = 4.61917 · 10 + 3.83229 · 10 h + 2.52721 · 10 h + 5.48935 · 10 h + 5.25326 · 10 h

E 9.4.2.
1.5707963 2.0943951
1.8961189 2.0045598 1.9985707
1.9742316 2.0002692 1.9999831 2.0000055
E 9.4.3. a) 0.7468337; b) 2.4606311; c) 1.6595275.
E 9.4.5. R(6,6) = −10.772065, R(7,7) = 5.2677002, R(8,8) = 6.1884951, R(9,9) = 6.0554327, R(10,10) = 6.0574643. O
valor desta integral com oito dígitos corretos é aproximado por 6.0574613.
E 9.5.1.
w1 = 1/6, w2 = 2/3, w3 = 1/6. O esquema construído é o de Simpson e a ordem de exatidão é 3.
E 9.5.2. 3
E 9.5.3. 5
R1 3 f (1/3) − 2f (1/2) + 3 f (2/3) com ordem 3.

E 9.5.4. f (x) dx ≈ 2 2
0
E 9.5.5. 5, 4, 3
E 9.6.1.
n G-L Exato Erro Absoluto

hline 2 0,2227 2,47E−01
3 0,4157 5,44E−02
0,4701
4 0,4437 2,64E−02
5 0,4616 8,47E−03
E 9.7.1.
n b c d e f
2 2.205508 3.5733599 3.6191866 3.6185185 3.618146
4 2.5973554 3.6107456 3.6181465 3.6180970 3.6180970
6 2.7732372 3.6153069 3.6181044 3.6180970 3.6180970
8 2.880694 3.6166953 3.6180989 3.6180970 3.6180970
Solução do item e: Como

∞
X x2n
n
cos(x) = 1 + (−1)
(2n)!
n=1
temos
∞
1 − cos(x)
X x2n−1/2
n
√ =− (−1) , x≥0
x (2n)!
n=1
Logo, podemos integrar
Z 1 ∞
X Z 1
cos(x) − 1 n x2n−1/2
I = 4+2 p dx = 4 − 2 (−1) dx
(2n)!
0 |x| 0
n=1
∞
X 1
n
= 4−2 (−1)
(2n)!(2n + 1/2)
n=1

Solução do item f)
Z 1
−1/2 x3/2 x7/2 1 1 977
2 x − + dx = 2 2− + =
2 24 5 54 270
0
Z 1 Z 1 1+u
1+u

cos(x) − P4 (x) √ cos 2
− P4 2
2 √ dx = 2 √ du
x 1+u
0 −1
E 9.7.5. 4,1138
E 9.7.6. a) 19,2; 22,1; 23,3; b) 513,67K
Z 1 √ √
3 3
E 9.7.8. f (x)dx = f − +f
3 3
−1
E 9.7.9. w1 = w3 = 1 e w2 = 0 com ordem 3.
E 10.2.1.
2
−1 −2 1+e−1
0,4496 com h = 0,1 e 0,4660 com h = 0,01. A solução exata vale u(1) = 1+2e 4 +e = 2
≈ 0,4678
E 10.2.2.
u(2) ≈ 0,430202 e z(2) = 0,617294 com h = 0,2, u(2) ≈ 0,435506 e z(2) = 0,645776 com h = 0,02, u(2) ≈ 0,435805 e
z(2) = 0,648638 com h = 0,002 e u(2) ≈ 0,435832 e z(2) = 0,648925 com h = 0,0002.
E 10.2.3.
u(2) ≈ 1,161793 com h = 0,1, u(2) ≈ 1,139573 com h = 0,01, u(2) ≈ 1,137448 com h = 0,001, u(2) ≈ 1,137237 com
h = 0,0001, u(2) ≈ 1,137216 com h = 0,00001
E 10.6.1.
u(1) ≈ 1,317078 quando h = 0,1 e u(1) ≈ 1,317045.
E 10.6.2.
t Exato Euler Euler melhorado Erro Euler Erro Euler melhorado

0.0 1. 1. 1. 0. 0.
0.1 0.826213 0.8 0.828 0.026213 0.001787
0.2 0.693094 0.656 0.695597 0.037094 0.002502
0.3 0.588333 0.547366 0.591057 0.040967 0.002724
0.4 0.504121 0.462669 0.506835 0.041453 0.002714
0.5 0.435267 0.394996 0.437861 0.040271 0.002594
0.6 0.378181 0.339894 0.380609 0.038287 0.002428
0.7 0.330305 0.294352 0.332551 0.035953 0.002246
0.8 0.289764 0.256252 0.291828 0.033512 0.002064
0.9 0.255154 0.224061 0.257043 0.031093 0.001889
1.0 0.225400 0.196634 0.227126 0.028766 0.001726
E 10.19.1.
1 ln 9
1 ln (6)
Os valores exatos para os itens e e f são: 10 4
e 10

E 10.19.2.
q p
g
O valor exato é α
1 − e−200α em t = √1
gα
tanh−1 1 − e−200α
E 10.19.8.
0.5 1.0 1.5 2.0 2.5

Analítico 0.3032653 0.3678794 0.3346952 0.2706706 0.2052125
Euler 0.3315955 0.3969266 0.3563684 0.2844209 0.2128243
Euler modificado 0.3025634 0.3671929 0.3342207 0.2704083 0.2051058
Runge-Kutta Clássico 0.3032649 0.3678790 0.3346949 0.2706703 0.2052124
Adams-Bashforth ordem 4 0.3032421 0.3678319 0.3346486 0.2706329 0.2051848
0.5 1.0 1.5 2.0 2.5

Euler 2.8D-02 2.9D-02 2.2D-02 1.4D-02 7.6D-03
Euler modificado 7.0D-04 6.9D-04 4.7D-04 2.6D-04 1.1D-04
Runge-Kutta Clássico 4.6D-07 4.7D-07 3.5D-07 2.2D-07 1.2D-07
Adams-Bashforth ordem 4 2.3D-05 4.8D-05 4.7D-05 3.8D-05 2.8D-05
0.1 0.05 0.01 0.005 0.001

Euler 2.9D-02 5.6D-03 2.8D-03 5.5D-04 2.8D-04
Euler modificado 6.9D-04 2.5D-05 6.2D-06 2.5D-07 6.1D-08
Runge-Kutta Clássico 4.7D-07 6.9D-10 4.3D-11 6.8D-14 4.4D-15
Adams-Bashforth ordem 4 4.8D-05 9.0D-08 5.7D-09 9.2D-12 5.8D-13
E 11.1.1.
 1 0 0 0 0
 u1
  5

−1 2 −1 0 0 u2 2
 0 −1 2 −1 0
 u3
= 2

    
0 0 −1 2 −1 u4 2
0 0 0 0 1 u5 10
Solução: [5, 9.25, 11.5, 11.75, 10]

    
1 0 0 0 0 0 0 0 0 u1 5
−1 2 −1 0 0 0 0 0 0 u2 0.5
    
 0 −1 2 −1 0 0 0 0 0  u3   0.5 
 0 0 −1 2 −1 0 0 0 0  u4   0.5 
 0 0 0 −1 2 −1 0 0 0
 u5
= 0.5

    
 0 0 0 0 −1 2 −1 0 0  u6   0.5 
 0 0 0 0 0 −1 2 −1 0
 u7
  0.5

    
0 0 0 0 0 0 −1 2 −1 u8 0.5
0 0 0 0 0 0 0 0 1 u9 10
Solução: [5, 7.375, 9.25, 10.625, 11.5, 11.875, 11.75, 1.125, 10]
E 11.1.2. 120. 133.56 146.22 157.83 168.22 177.21 184.65 190.38 194.28 196.26 196.26 194.26 190.28 184.38 176.65 167.21
156.22 143.83 130.22 115.56 100.
E 11.1.3. 391.13 391.13 390.24 388.29 385.12 380.56 374.44 366.61 356.95 345.38 331.82 316.27 298.73 279.27 257.99 234.99
210.45 184.5 157.34 129.11 100.
E 11.1.4. 0., 6.57, 12.14, 16.73, 20.4, 23.24, 25.38, 26.93 , 28, 28.7, 29.06, 29.15, 28.95, 28.46, 27.62 , 26.36, 24.59, 22.18,
19.02, 14.98, 10.
E 11.1.5. u(0) = 31.62, u(1) = 31,50, u(1,9) = 18,17.
E 11.1.6. u(1) = 1,900362, u(2,5) = 1.943681, u(4) = 1,456517.

Referências Bibliográficas
[1] Cecill and free sofware. http://www.cecill.info. Acessado em 30 de julho

de 2015.
[2] M. Baudin. Introduction to scilab. http://forge.scilab.org/index.php/

p/docintrotoscilab/. Acessado em 30 de julho de 2015.
[3] R.L. Burden and J.D. Faires. Análise Numérica. Cengage Learning, 8 edition,
2013.
[4] J. P. Demailly. Analyse Numérique et Équations Differentielles. EDP Sciences,

Grenoble, nouvelle Édition edition, 2006.
[5] W Gautschi. Numerical analysis: An introduction birkhauser. Barton, Mass,

USA, 1997.
[6] Walter Gautschi and Gabriele Inglese. Lower bounds for the condition
number of vandermonde matrices. Numerische Mathematik, 52(3):241–250,
1987/1988.
[7] L.F. Guidi. Notas da disciplina cálculo numérico. http://www.mat.ufrgs.

br/~guidi/grad/MAT01169/calculo_numerico.pdf. Acessado em julho de
2016.
[8] E. Isaacson and H.B. Keller. Analysis of numerical methods. Dover, Ontário,
1994.
[9] Arieh Iserles. A first course in the numerical analysis of differential equations.
Cambridge university press, 2009.
[10] W.H. Press. Numerical Recipes 3rd Edition: The Art of Scientific Computing.
Cambridge University Press, 2007.
[11] R. Rannacher. Einführung in die numerische mathematik (numerik 0).

http://numerik.uni-hd.de/~lehre/notes/num0/numerik0.pdf. Acessado
em 10.08.2014.
318
REFERÊNCIAS BIBLIOGRÁFICAS 319
[12] Todos os Colaboradores. Cálculo numérico - um livro colaborativo - versão

com scilab. disponível em https://www.ufrgs.br/numerico/livro/main.
html, Novembro 2016.

Colaboradores
Aqui você encontra a lista de colaboradores do livro. Esta lista contém so-
mente aqueles que explicitamente se manifestaram a favor de terem seus nomes
registrados aqui. A lista completa de colaborações pode ser obtida no repositório
GitHub do livro:
https://github.com/livroscolaborativos/CalculoNumerico
Além das colaborações via GitHub, o livro também recebe colaborações via dis-
cussões, sugestões e avisos deixados em nossa lista de e-mails:
[email protected]
Estas colaborações não estão listadas aqui, mas podem ser vistas no site do grupo
de e-mails.
Caso encontre algum equívoco ou veja seu nome listado aqui por engano, por
favor, entre em contato conosco por e-mail:
[email protected]
ou via o repositório GitHub.
Tabela A.1: Lista de colaboradores

Nome Afiliação E-Mail 1ª Contribuição
Debora Lidia Gisch -x- -x- #63
320
Índice Remissivo
ajuste equação diferencial

de uma reta, 178 não autônoma, 254
derivação, 214 equações
linear, 183 de uma variável, 43
polimomial, 188 erro
por mínimos quadrados, 177 absoluto, 22
ajuste de curvas, 177 relativo, 22
algoritmo erros, 21
de Thomas, 104 absoluto, 62
TDMA, 104 arredondamento, 203
aproximação de arredondamento, 13
de funções, 156, 177
fórmula de diferenças finitas
por polinômios, 164
central, 207
aproximações por diferenças finitas, 197
fórmulas de diferenças finitas, 281
aritmética
função, 44
de máquina, 3
raiz de, 43
arredondamento de números, 12
zero, 44
autovalores, 130
zero de, 43
cancelamento catastrófico, 25
integração, 216
contração, 57
integração numérica
critério de parada, 47
método composto
derivação, 197 de Simpson, 229
diferenças divididas de Newton, 161 dos trapézios, 228
diferenças finitas, 197 método de Romberg, 231
central, 200 ordem de precisão, 235
ordem mais alta, 208 regra de Simpson, 222, 223
progressiva, 199 regra do trapézio, 220
regressiva, 200 regras compostas, 228
regras de Newton-Cotes, 218
eliminação gaussiana, 89 integral, 216
equação interpolação, 156
logística, 253 cúbica segmentada, 168
321
derivação, 214 jacobiana, 140

linear segmentada, 167 matriz
polinomial, 157 completa, 88
iteração do ponto fixo, 43, 53 condicionamento, 111
convergência, 61 diagonal dominante, 127
estabilidade, 61 dos coeficientes, 88
taxa de convergência, 58 estendida, 88
jacobiana, 152, 153
método matriz de
da bisseção, 47 iteração, 121
da matriz tridiagonal, 104 matriz de Vandermonde, 160
de Euler, 250 matriz escalonada, 89, 90
ordem de precisão, 256 matriz escalonada reduzida, 90
de separação de variáveis, 253 medida
trapezoidal, 261 de erro, 22
Método da bisseção de exatidão, 22
taxa de convergência, 50 mudança de base, 3
método da bisseção, 43
método da potência, 130 número de condicionamento, 114
método das frações parciais, 253 norma
método das secantes, 43, 75 L∞ , 112
convergência, 77 Lp , 112
método de norma de
Gauss-Seidel, 119 matrizes, 113
Jacobi, 117 vetores, 112
Newton, 68
Newton-Raphson, 68 passo da malha, 282
método de diferenças finitas, 281 polinômio interpolador, 158
Método de Jacobi polinômios
matriz de iteração, 123 de Lagrange, 163
vetor de iteração, 123 ponto fixo, 54
método de Newton, 43 porção áurea, 80
para sistemas, 141 problema de
método de Newton-Raphson, 68 ponto fixo, 54
convergência, 70 problema de valor de contorno, 281
método dos mínimos quadrados, 177 problema de valor inicial, 248
métodos iterativos problema discreto, 282
sistemas lineares, 117 Problemas de valores de contorno, 281
convergência, 121 Python, 293
malha uniforme, 282 elementos da linguagem, 295
matrix for, 301

ÍNDICE REMISSIVO 323
funções, 303 spline, 168

funções e constantes (math), 296 fixado, 173
gráficos, 304 natural, 171
if, 301 not-a-knot, 174
instalação e execução, 293 periodico, 175
matrizes (numpy), 297
operações matemáticas, 296 tamanho da malha, 282
operadores lógicos, 297 teorema de
ramificação e repetição, 301 Bolzano, 44
sobre, 293 Teorema do
usando, 294 ponto fixo, 57
while, 302 teorema do
ponto fixo, 69
quadratura numérica teorema do valor intermediário, 44
Gauss-Legendre, 240 tolerância, 62
representação vetor
de números em máquina, 13 das incógnitas, 88
números inteiros, 14 dos termos constantes, 88
representação de números, 3 vetor de
inteiros iteração, 122
bit de sinal, 14
complemento de dois, 15
sem sinal, 14
resíduo, 178
sequência de
Fibonacci, 80
simulação
computacional, 1
numérica, 1
sistema de equações
não lineares, 138
sistema de numeração, 3
sistema linear, 87
condicionamento, 111
sistema numérico
de ponto fixo, 16
de ponto flutuante, 17
notação normalizada, 10
sistemas
de equações diferenciais, 275

Calculo Numerico Um Livro Colaborativo V

Enviado por

Direitos autorais:

Formatos disponíveis

Calculo Numerico Um Livro Colaborativo V

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Calculo Numerico Um Livro Colaborativo V

Enviado por

Direitos autorais:

Formatos disponíveis

Cálculo Numérico

Dagoberto Adriano Rizzotto Justo - UFRGS

Esequia Sauter - UFRGS

Fabio Souto de Azevedo - UFRGS

Leonardo Fernandes Guidi - UFRGS

Matheus Correia dos Santos - UFRGS

Pedro Henrique de Almeida Konzen - UFRGS

Este trabalho está licenciado sob a Licença Creative Commons Atribuição-

Estamos escrevendo este livro de forma colaborativa desde 2011 e, recente-

Nós preparamos uma série de ações para ajudá-lo a participar. Em primeiro

Desejamos-lhe ótimas colaborações!

Este livro busca abordar os tópicos de um curso de introdução ao cálculo numé-

Nota dos organizadores iv

2 Representação de números e aritmética de máquina 3

3 Solução de equações de uma variável 43

4 Solução de sistemas lineares 87

Licença CC-BY-SA-3.0. Contato: [email protected]

4.9 Exercícios ﬁnais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

5 Solução de sistemas de equações não lineares 138

7 Ajuste de curvas 177

8 Derivação Numérica 197

9 Integração Numérica 216

Licença CC-BY-SA-3.0. Contato: [email protected]

9.1.2 Regra do trapézio . . . . . . . . . . . . . . . . . . . . . . . . 220

10 Problemas de valor inicial 248

Licença CC-BY-SA-3.0. Contato: [email protected]

10.17.2 Método 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274

11 Problemas de Valores de Contorno 281

A Rápida Introdução ao Python 293

Respostas dos Exercícios 305

Referências Bibliográﬁcas 319

Índice Remissivo 321

Licença CC-BY-SA-3.0. Contato: [email protected]

Cálculo numérico é a disciplina que estuda as técnicas para a solução apro-

• Simplesmente isolar a incógnita para encontrar a raiz de uma equação do

• Fórmula de Bhaskara para encontrar raízes de uma equação do segundo grau;

• Fórmula de Cardano para encontrar raízes de uma equação do terceiro grau;

• Existe expressão para equações de quarto grau;

• Casos simpliﬁcados de equações de grau maior que 4 onde alguns coeﬁcientes

pelo método da substituição e obtemos 21 (e−1 − e−2 ). Porém a integral

não pode ser resolvida analiticamente.

Licença CC-BY-SA-3.0. Contato: [email protected]

Neste capítulo, discutiremos sobre formas de representação de números em

2.1 Sistema de numeração e mudança de base

Deﬁnição 2.1.1 (Sistema de numeração de base b). Dado um número natural

(dn dn−1 · · · d1 d0 ,d−1 d−2 · · · )b

representa o número positivo

dn · bn + dn−1 · bn−1 + · · · + d0 · b0 + d−1 · b−1 + d−2 · b−2 + · · ·

Para representar números negativos usamos o símbolo − a esquerda do numeral2 .

Observação 2.1.1 (b ≥ 10). Para sistemas de numeração com base b ≥ 10 é usual

• No sistema de numeração decimal (b = 10), costumamos representar o nú-

±dn dn−1 . . . d1 d0 ,d−1 d−2 . . . := ±(dn dn−1 . . . d1 d0 ,d−1 d−2 . . .)10 .

• Se b > 10, usamos as letras A, B, C, · · · para denotar os algarismos: A = 10,

Exemplo 2.1.2 (Sistema binário). O sistema de numeração em base dois é cha-

Ou seja, (1001,101)2 é igual a 9,625 no sistema decimal.

>>> 1*2**3 + 0*2**2 + 0*2**1 + 1*2**0 + 1*2**-1 + 0*2**-2 + 1*2**-3

Licença CC-BY-SA-3.0. Contato: [email protected]

Exemplo 2.1.3 (Sistema quaternário). No sistema quaternário a base b é igual a

(301,2)4 = 3 · 42 + 0 · 41 + 1 · 40 + 2 · 4−1 = 49,5.