Cálculo Numérico

Universidade do Estado do Pará
Centro de Ciências Sociais e Educação

Licenciatura em Matemática
Notas de aula de Cálculo Numérico
Prof.Esp. Osmar Tharlles Borges de Oliveira
Belém
2012
Sumário
1 Sistema Numérico e Erros 3

1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Representação dos Números . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Conversão de números: Binário ↔ Decimal . . . . . . . . . . . . . . . . . . 5
1.3.1 Números Inteiros . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Números Fracionários . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Operações aritméticas com ponto flutuante . . . . . . . . . . . . . . 8
1.3.4 Representação de um número com t dı́gitos na base decimal (10) . . 11
1.4 Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Erro absoluto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Erro relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Erros de arredondamento . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.4 Propagação dos erros absoluto e relativo . . . . . . . . . . . . . . . 15
2 Zeros de Funções 18
2.1 Isolamento das raı́zes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Refinamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Métodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Método da Bissecção . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.2 Método Iterativo Linear (MIL) ou Método do Ponto Fixo (MPF) . 24
2.3.3 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . 29
2.3.4 Considerações sobre os métodos . . . . . . . . . . . . . . . . . . . . 31
3 Interpolação Polinomial 33
3.1 Forma Linear de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Polinômio Interpolador de Lagrange . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Polinômio Interpolador de Newton . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Diferenças Divididas . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Fórmula do Polinômio Interpolador de Newton . . . . . . . . . . . . 37
4 Integração Numérica 40
4.1 Quadratura por Interpolação . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Quadratura pelas Fórmulas de Newton-Cotes . . . . . . . . . . . . . . . . 43
1
Sumário Sumário
4.2.1 Regra dos Trapézios . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2.2 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
UEPA 2 Prof.Esp. Osmar Borges

Capı́tulo 1
Sistema Numérico e Erros
1.1 Introdução
A solução numérica de problemas de natureza fı́sica, quı́mica, biológica, as-
tronômica entre outras, nem sempre correspondem a valores que as vezes estão distantes
dos esperados ou mesmo que não possuem relação alguma com o problema original. Mesmo
que apliquemos métodos adequados na resolução destes problemas e fizermos os cálculos to-
dos corretos, o erro ainda faz parte deste processo e, em muitos casos, não pode ser evitado.
O Cálculo Numérico objetiva estudar estruturas numéricas (algoritmos numéricos)

para resolução de problemas das mais diversas áreas do conhecimento que podem ser re-
presentados por um modelo matemático. Ele corresponde a um conjunto de ferramentas
ou métodos usados para obter a solução de problemas matemáticos de forma aproximada.
Esses métodos se aplicam principalmente a problemas que não apresentam solução exata
e, portanto, precisam ser resolvidos numericamente.
A necessidade de produzir resultados numéricos se deve a vários motivos, por

exemplo, um problema de matemática pode ser resolvido analiticamente, mas esse método
pode se tornar extremamente complexo com o aumento do tamanho do problema, ou
quando existem problemas para os quais não existem métodos matemáticos, entre outros.
Com frequência estes problemas reais não podem ser convenientemente soluciona-
dos através de fórmulas exatas. Assim se for possı́vel aceitar um a solução aproximada os
métodos numéricos serão as ferramentas adequadas para sua solução. Os métodos apro-
ximados buscam chegar o mais perto possı́vel do que seria o valor exato, dessa forma é
inerente a eles trabalhar com aproximações, erros e desvios.
Vejamos as várias fases da resolução de problemas, através do fluxograma:
3
Capı́tulo 1. Sistema Numérico e Erros 1.2. Representação dos Números
1.2 Representação dos Números

Vejamos alguns exemplos que mostram como a representação dos números em
uma máquina pode gerar alguns erros.
Exemplo 1.1. Calcule a área de uma circunferência de 100m de diâmetro.
Com efeito, temos que Acirc = πr2 . Como d = 100m então r = 50m. Logo
Acirc = π502
Os resultados possı́veis para a área desta circunferência são:
7853, 00m2
7853, 99m2
7853, 981m2
7853, 981634m2
Exemplo 1.2. Uma bola cai de cima de um prédio e sua velocidade em cada instante é
descrita pela equação horária:
1
s = s0 + v0 t + at2
2
onde s0 é a altura do prédio, v0 é a velocidade inicial e a, neste caso, representa a gravidade.
Se a altura do prédio for s0 = 30m, a velocidade da bola v0 = 0m/s e considerando a

gravidade a = 10m/s2 , a posição depois de 2s após a queda da bola é
1 2
s = 30 + 0 · 2 − · 2 = 10m
2
No exemplo 1.1, como podemos explicar os possı́veis valores para a área da cir-
cunferência? No exemplo 1.2, será que o resultado obtido é confiável?

Capı́tulo 1. Sistema Numérico e Erros 1.3. Conversão de números: Binário ↔ Decimal
Definição 1.1. Seja β ≥ 2 ∈ N. Um número real r pode ser representado em qualquer

base de numeração β, escrito da forma:
rβ = (±an an−1 . . . a1 a0 a−1 . . . a−m )β
onde os ai são dı́gitos inteiros que pertencem à base β, ou seja, valores entre 0 e β. O
valor numérico de r ∈ R na base β é dado por
an β n + an−1 β n−1 + · · · + a1 β 1 + a0 β 0 + a−1 β −1 + · · · + a−m β −m = r
1.3 Conversão de números: Binário ↔ Decimal
1.3.1 Números Inteiros

Consideremos os números (237)10 e (110111)2 . Cada um deles está representado
em uma base diferente, uma na decimal (10) e outra na binária (2), respectivamente.
Podemos decompor estes números em relação àss sua bases da seguinte maneira:
(237)10 = 2 · 102 + 3 · 101 + 7 · 100
e
(110111)2 = 1 · 25 + 1 · 24 + 0 · 23 + 1 · 22 + 1 · 21 + 1 · 20
De um modo geral, podemos escrever um número inteiro r na base β ≥ 2,
(ai ai−1 . . . a1 a0 )β com 0 ≤ ak ≤ β − 1 (k = 1, . . . , i), na forma polinomial
ai β i + ai−1 β i−1 + · · · + a1 β 1 + a0 β 0
A partir desta representação podemos converter números binários para decimais
de maneira simples, vejamos:
(110111)2 = 1 · 25 + 1 · 24 + 0 · 23 + 1 · 22 + 1 · 21 + 1 · 20 = 32 + 16 + 0 + 4 + 2 + 1 = 55
Exemplo 1.3. Converter os números abaixo para o sistema decimal:
1. (10111)2 =
2. (110110)2 =
3. (101010101010111)2 =
Como converter um número decimal para um binário?
Perceba que podemos fazer o inverso da multiplicação para encontrar os valores

binários. Veja: 55 ÷ 2 = 27 com resto 1; 27 ÷ 2 = 13 com resto 1; 13 ÷ 2 = 6 com resto
1; 6 ÷ 2 = 3 com resto 0; 3 ÷ 2 = 1 com resto 1. Então organizamos os restos de trás
para frente junto com o último quociente no qual forma o número binário referente à 55
no sistema decimal, ou seja, (110111)2 .

Exemplo 1.4. Converter os números abaixo para o sistema binário:
1. (237)10 =
2. (5)10 =
3. (245)10 =
1.3.2 Números Fracionários

Seja r um número real positivo na base 10, r pode ser escrito como r = rα − rβ ,
onde rα é o maior inteiro menor ou igual a r e rβ é um número tal que 0 ≤ rβ ≤ 1 e pode
ser escrito como fração decimal,
rβ = b1 · 10−1 + b2 · 10−2 + · · · + bk · 10−k + . . .

onde bi , ∀i ∈ Z∗+ , é um número inteiro tal que 0 ≤ bi ≤ 9. Se existir um m tal que
bk = 0, ∀k > m, então dizemos que rβ tem representação decimal finita.
Exemplo 1.5.
1
rβ = = 0, 125 = 1 · 10−1 + 2 · 10−2 + 5 · 10−3
8
possui representação decimal finita enquanto
1
rβ = = 0, 1111 · · · = 1 · 10−1 + 1 · 10−2 + 1 · 10−3 + . . .
9
não possui representação decimal finita.
Se r estiver na base binária temos que
rβ = c1 · 2−1 + c2 · 2−2 + · · · + ck · 2−k + . . .
∀ci = 0 ou 1 e i ∈ Z∗+ .
Vamos então converter 0, 75 decimal para binário.
Primeiramente multiplicamos o valor 0, 75 por 2, isto é,
0, 75 · 2 = 1, 5
logo a primeira casa fracionária é 1. Agora fiquemos apenas com a parte fracionária do
número decimal obtido na multiplicação, ou seja, 0, 5. Novamente multiplicamos a nova
fração por 2,
0, 5 · 2 = 1, 0

assim o segundo dı́gito também é 1. Como não temos mais parte fracionária decimal, então
o número binário encontrado é
(0, 11)2
Em geral temos que converter a parte inteira e a parte fracionária do número. No
caso acima, como zero faz parte dos dois sistemas não há necessidade de convertê-lo. No
entanto se tivermos a parte inteira maior que zero precisamos converter.
Exemplo 1.6. Converter os seguintes números para o sistema binário:
1. (8, 375)10 =
2. (3, 8)10 =
Na conversão da base 2 para 10 fazemos o seguinte: seja o número (0.110)2 .

Então multiplicamos cada algarismo do número na base 2, após a vı́rgula, por potências
decrescentes de 2, da esquerda para direita e somar todas as parcelas. Assim
1 1
0, 1102 = 1 · 2−1 + 1 · 2−2 + 0 · 2−3 = + + 0 = 0, 7510
2 4
Os números reais possuem dois tipos de representação em uma máquina: a repre-
sentação e ponto fixo e a em ponto flutuante.
1. Ponto Fixo: Utilizada em computadores mais antigos (não é mais amplamente

utilizada nos computadores atuais). Dada uma base β qualquer e x 6= 0 temos
n
X
x=± di · β i = dk β k + dk−1 β k−1 + · · · + d1 β 1 + d0 β 0 + d−1 β −1 + · · · + dn β n
i=k
onde k e n são inteiros satisfazendo n < k e usualmente n ≤ 0 e k > 0 e os di são

inteiros satisfazendo 0 ≤ di < β.
Exemplo 1.7. O número 567, 34 na base 10 pode ser expresso como
5 · 102 + 6 · 101 + 7 · 100 + 3 · 10−1 + 4 · 10−2
2. Ponto Flutuante Bem mais flexı́vel que a representação em ponto fixo e universal-
mente utilizada atualmente. Assim dado um x 6= 0 e uma base β qualquer temos
x = ±d · β e
ou ainda
d1 d2 dt
x= 1
+ 2 + ··· + t × βe
β β β

onde β é a base do sistema de numeração, d é chamado de mantissa e e é o expoente.

A mantissa por sua vez é um número em ponto fixo, ou seja, é da forma
n
X
d=± di · β −i
i=k
onde, frequentemente, nos grandes computadores, k = 1, tal que se x 6= 0, então

d1 6= 0, 0 ≤ di < β, i = 1, 2, ...t, com t sendo a quantidade de dı́gitos significativos
ou precisão do sistema, β −1 ≤ d < 1 e −m ≤ e ≤ M .
Seja o número N de uma base β, diz-se que N está normalizado quando apresenta
a seguinte forma:
±0, d1 d2 d3 . . . dk · β e
com d1 6= 0.
Exemplo 1.8. Seja β = 10. O número r = 34, 67 é representado em ponto flutuante

normalizado como:

3 4 6 7
+ + + × 102 = 0, 3467
10 102 103 104
1.3.3 Operações aritméticas com ponto flutuante

Adição
Consideremos dois números x, y escritos em um sistema de ponto flutuante F (β, t, I, S)
onde I e S são os limites inferior e superior do expoente, respectivamente. Sejam x =
0, d1 d2 . . . dt · β e e y = 0, l1 l2 . . . lt · β f . Realizamos a adição com os seguintes passos:
1. registramos os números em uma lista como segue
x → d1 d2 . . . dt | 0 0 . . . 0
y → l1 l2 . . . lt | 0 0 . . . 0
Para determinar a = x + y
2. Calculamos g = e − f . Se g ≥ t, então a = x e assim a operação fica concluı́da. Se

g < t, então alinhamos y em g posições à sua direita, isto é,
y 0 → 0| 0 {z
. . . 0} | l1 l2 . . . | . . . lt 0 . . . 0
g vezes

3. adicionamos x com y 0 com g = e e obtemos
.
a → b0 .. b1 b2 . . . bt | bt+1
4. Se b0 6= 0 então: (i) deslocamos o registro de a uma posição à direita; (ii) Calculamos

g → g + 1 e então tomemos o registro
.
a → 0 .. b1 b2 . . . bt | bt+1
5. Se b1 = 0 então: (i) deslocamos à esquerda até que b1 6= 0; (ii) Calculamos g → g − 1

para cada posição deslocada. Assim teremos
.
a → 0 | b1 b2 . . . bt .. bt+1
6. Se g > S teremos excesso (overflow), se g < I teremos falta (underflow).
7. Para arredondamento cancelamos os valores de registro que estão além da precisão t

da máquina. O resultado será
a = x + y = 0, b1 b2 . . . bt · β g
Exemplo 1.9. Sejam x = 0, 1547 · 105 e y = 0, 2748 · 10−1 dois números em decimal com
precisão t = 4. Vemos que g = e − f = 5 − (−1) = 6. Então, a = x + y = x = 0, 1547 · 105 .
Na notação de registros temos
x → 1 5 4 7 | 0 ... 0
y → 2 7 4 8 | 0 ... 0
y0 → 0 0 0 0 | 0 0 2 7 4 8
a=x+y =x
Exemplo 1.10. Sejam x = 0, 9876 · 101 e 0, 8732 · 101 . Assim, a = x + y = 1, 8608 · 101 =
0, 18608 · 102 = 0, 1860 · 102 .
Exemplo 1.11. Sejam x = 0, 1012 · 101 e y = −0, 9876 · 10−1 . Temos que a = x + y =
0, 1012 · 101 − 0, 009876 · 101 = 0, 091324 · 101 = 0, 91324 · 100 = 0, 9132 · 100 .

Multiplicação
Sejam dois números x, y em ponto flutuante e seja p = x · y seu produto. Reali-
zamos à multiplicação pelos seguintes passos:
1. Dispomos os números em seus registros:
x → d1 d2 . . . dt | 0 0 . . . 0
y → l1 l2 . . . lt | 0 0 . . . 0
2. Calculamos p = x · y com expoente g = e + f
p → b1 b2 . . . bt | bt+1 . . .
3. Se b1 = 0 então normalizamos, fazendo g → g − 1

.
p → b1 .. b2 . . . bt | bt+1 . . .

5. Cancelamos os valores de registro de p que estão além da precisão t.
p → b1 b2 . . . b t | 0 . . . 0
E logo teremos
p = 0, b1 b2 . . . bt · β g
Exemplo 1.12. Sejam os números x = 0, 1432 · 101 e y = 0, 4330 · 102 . O produto é dado
por p = x · y = 0, 0620056 · 103 = 0, 620056 · 102 = 0, 6200 · 102 .
Divisão
A operação de divisão de dois números em ponto flutuante realiza-se por meio das
x
seguinte etapas. Dados x, y determinemos seu quociente q = :
y
1. Dispomos os números em seus registros:
x → d1 d2 . . . dt | 0 0 . . . 0
y → l1 l2 . . . lt | 0 0 . . . 0
Se tivermos y = 0 então fim. Senão,

2. Calculamos o valor g = e − f e verificamos o registro
q → b0 | b1 b2 . . . bt | bt+1 . . . 0

3. Se tivermos b0 6= 0, então devemos ajustar q levando em consideração que g → g + 1

.
q → 0 .. b1 b2 . . . bt | bt+1 . . .
4. Se b1 = 0, então normalizamos, tomando g → g − 1

.
q → 0 .. b1 b2 . . . bt | bt+1 . . .
6. Cancelamos os valores de q além da precisão t da máquina. Assim
x
q= = 0, b1 b2 . . . bt · β g
y
Exemplo 1.13. Sejam os números x = 0, 5649 · 101 e y = 0, 1357 · 102 . Então, a divisão
é dada por:
x
q= = 4, 162859·−1 = 0, 4162859 · 100 = 0, 4162 · 100
y
Nota: Em sistemas de ponto flutuante, as propriedades de adição, subtração, multiplicação
e divisão não obedecem necessariamente às mesmas regras da aritmética sobre o conjunto
dos números reais. Se for ultrapassado o limite permitido para o expoente na repre-
sentação de um número teremos um underf low para números muito pequenos e overf low
para números muito grandes. Em alguns sistemas, a execução do programa é imediata-
mente suspensa caso seja detectado um underf low ou um overf low enquanto outros dão
mensagens de alerta.
1.3.4 Representação de um número com t dı́gitos na base decimal

(10)
Seja x 6= 0 um número de ponto flutuante. Assim x pode ser escrito como
(±0, a1 a2 . . . at at+1 . . . an ) · 10e
com ai ∈ {0, 1, . . . , 9} e a1 6= 0. Como
0, a1 a2 ... at
+ 0, 0 0 ... 0 ... at+1 ... an
0, a1 a2 ... at at+1 ... an

Capı́tulo 1. Sistema Numérico e Erros 1.4. Erros
e 0, 00 . . . at+1 . . . an = (0, at+1 at+2 . . . an ) · 10−t logo
x = (±0, a1 a2 . . . at at+1 . . . an ) · 10e

= ±(0, a1 a2 . . . at + 0, 00 . . . 0 . . . at+1 ...an ) · 10e
= ±(0, a1 a2 . . . at + (0, at+1 at+2 . . . an ) · 10−t ) · 10e
= ±(0, a1 a2 . . . at ) · 10e + [±(0, at+1 at+2 . . . an )] · 10e−t
fazendo
±(0, a1 a2 . . . at ) = fx
e
[±(0, at+1 at+2 . . . an )] = gx
temos que
x = fx · 10e + gx · 10e−t
com 0, 1 ≤ |fx | < 1 e 0 ≤ |gx | < 1.
Exemplo 1.14. Se t = 4 e x = 234, 57 então podemos escrever x = 0, 2345·103 +0, 7·10−1 .
1.4 Erros
Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos
tem valor se não tivermos conhecimento e controle sobre os possı́veis erros envolvidos no
processo. A análise dos resultados obtidos através de um método numérico representa uma
etapa fundamental no processo das soluções numéricas.
Definição 1.2 (Número Aproximado). Um número x é dito uma aproximação para o

número exato x se existe uma pequena diferença entre eles.
Definição 1.3. Dizemos que x é uma aproximação por falta de x se x < x e que, x é dito
uma aproximação por excesso de x se x > x.
√ √
Exemplo 1.15. Como 1, 41 < 2 < √ 1, 42 temos que 1, 41 é uma aproximação de 2 por
falta e 1, 42 é uma aproximação de 2 por excesso.
1.4.1 Erro absoluto

Definição 1.4. A diferença entre um valor exato x e sua aproximação x é dito erro
absoluto, o qual denotamos por ex , ou seja,
ex = x − x

Na prática, o valor exato é quase sempre não conhecido. Como o erro é definido
por ex := x − x consequentemente também não será conhecido. Uma solução para este
problema é ao invés de determinar o erro determinemos uma cota para este erro. Isso per-
mitirá que, mesmo não sendo conhecido o erro, saberemos que ele está entre dois valores
conhecidos.
Dizemos que um número > 0 é uma cota para o erro ex se |ex | < . Assim
|ex | < ⇔ |x − x| < ⇔ x − < x < x +

Nota: É evidente que um a cota só tem algum valor prático se ≈ 0.
Exemplo 1.16. Na escritura de um terreno o mesmo mede 20m × 45m, em uma nova
medição, um engenheiro obteve 20m×40m. Qual o erro absoluto cometido na nova medição
no cálculo da área do terreno?
1.4.2 Erro relativo

Dependendo a ordem de grandeza dos números envolvidos, o erro absoluto não é
suficiente para descrever a precisão de um cálculo. Por esta razão definimos o erro relativo,
que é a razão do valor absoluto pelo valor aproximado. Representamos por Ex , assim
|x − x|
Ex =
x
Exemplo 1.17. Considere x = 100, x = 100, 1, y = 0, 0006 e y = 0, 0004. Como ex = 0, 1
e ey = 0, 0002 poderı́amos concluir que a aproximação y de y é melhor do que x de x.
Porém, ao calcularmos o erro relativo temos
|100 − 100, 1|
Ex = = 0, 000999
100, 1
e
|0, 0006 − 0, 0004|
Ey = = 0, 5
0, 0004
Logo podemos concluir que a aproximação x é melhor do que y.
1.4.3 Erros de arredondamento

Como vimos, todo número real (de ponto flutuante) não nulo pode ser posto na
forma
x = fx · 10e + gx · 10e−t
com 0, 1 ≤ fx < 1 e 0 ≤ gx < 1.

Consideremos x = fx · 10e como uma aproximação de para x. O erro cometido ao

aproximarmos x por x é denominado erro de arredondamento truncado sendo definido por
ex = x − x = gx · 10e−t
Exemplo 1.18. Seja x = 234, 72621. Determine a aproximação de x usando arredonda-

mento truncado e 4 dı́gitos.
Solução:
Observe que x = 234, 72621 não está na forma normalizada então vamos por nesta forma,
assim
x = 0, 23472621 · 103 = (0, 2347 + 0, 00002621) · 103
Temos como aproximação de x o valor x = 0, 2347 · 103 . O erro cometido, neste caso, é
dado por ex = 0, 23472621 · 103 − 0, 2347 · 103 = 0, 00002621 · 103 = 0, 02621.
Quando consideramos a aproximação de x para x definida por

fx · 10e se 0 < gx < 0, 5
x=
fx · 10e + 10e−t se 0, 5 ≤ gx < 1
então o erro cometido é denominadoo erro de arredondamento simétrico e é dado por

gx · 10e se 0 < gx < 0, 5
ex =
(gx − 1) · 10 + 10e−t se 0, 5 ≤ gx < 1
e
Este tipo de arredondamento é também conhecido como a regra de arredondamento

de um número com t casas decimais. A regra diz que:
• Se o valor do algarismo que fica na (t + 1)-ésima casa decimal for < 5, arredondamos
o número desprezando todos os algarismos após a t-ésima casa decimal.
• Se ≥ 5, somamos 1 ao algarismo na t-ésima casa decimal e desprezamos os algarismos
restantes.
Exemplo 1.19. Sejam x = 0, 236721 e y = 0, 4513486. Se quisermos arredondar
para três casas decimais temos que
x = 0, 237 e y = 0, 451
Se estivermos utilizando arredondamento truncado e uma aritmética finita

com t casas decimais, então 101−t é uma cota para o erro relativo cometido a cada
operação efetuada, ou seja, |Ex | < 101−t .
Agora, suponhamos que estejamos utilizando o arredondamento simétrico e

1
uma aritmética finita com t casas decimais. Então · 101−t é uma cota para o erro
2

1
relativo cometido a cada operação efetuada, ou seja, |Ex | < · 101−t .
2
Definição 1.5. Dizemos que uma aproximação x de um número exato x tem r casas
decimais exatas se
|x − x| ≤ 0, 5 · 10−r
Exemplo 1.20. Seja x = 1393 com 4 casas decimais exatas. O que podemos afirmar
sobre o valor exato de x?
Solução:
Temos que |x − x| ≤ 0, 5 · 10−4 = 0, 00005 ⇔ (0, 1393 − 0, 00005) ≤ x ≤ (0, 1393 +

0, 00005), ou seja, 0, 13925 ≤ x ≤ 0, 13935.
1.4.4 Propagação dos erros absoluto e relativo

Proposição 1.1. Seja x uma aproximação para x e y uma aproximação para y, ou
seja, ex = x − x e ey = y − y. Então
1. Soma e Subtração absoluta e relativa

Ex ± Ey x y
ex±y = ex ± ey e E(x±y) = = Ex ± Ey
x±y x±y x±y
2. Multiplicação absoluta e relattiva
ex.y = xey + yex e Ex.y = Ex + Ey

3. Divisão absoluta e relativa
ex x
e( xy ) = − .ey e E( xy ) = Ex − Ey
y (y)2
Nota: Nas fórmulas de propagação de erros acima não colocamos o erro relativo ao
arredondamento no qual denotamos por ri com i = 1, 2, 3, . . . .
Nota: Na maioria dos sistemas, o resultado exato de uma operação é normalizado
e em seguida arredondado ou truncado para t dı́gitos, obtendo assim um resultado
aproximado aproximado que é armazenado na memória da máquina. Assim, mesmo
que as parcelas ou fatores de uma operação estejam representados exatamente no
sistema, não se pode esperar que o resultado armazenado seja exato.

Exemplo 1.21. Supondo que x, y, z, t estejam representados exatamente, qual o erro

total no cálculo de u = (x + y).z − t?(Calcularemos o erro relativo e denotaremos por
ri , i = 1, 2, 3, . . . , o erro relativo de arredondamento no resultado da operação.)
Solução:
Seja x + y = s. O erro relativo será
x y
Es = Ex + Ey + r1 = 0 + r1
x+y x+y
pois x, y são exatos e logo EX = EY = 0, assim
1
|Es | = |r1 | < 101−t
2
Calculando s.z = m, temos
Em = Es .Ez + r2 = Es + 0 + r2 = r1 + r2
então
1 1
|Em | ≤ |r1 | + |r2 | < .101−t + .101−t = 101−t
2 2
Calculemos agora u = m − t, então

Em − Et m
Eu = = Em + r3
m−t m−t
logo
m 1−t
m 1 1−t
|Eu | ≤ |Em | + r3 < 10
m − t + 2 .10

m − t
Finalmente
m 1
|Eu | <
+ .101−t
m − t 2

Exercı́cio
1. Converta os seguintes números decimais para sua forma binária:

x = 37 y = 2435 z = 0, 1217
2. Converta os seguintes números binários para sua forma decimal:

x = (101101)2 y = (11010111)2
z = (0, 1101)2 w = (0, 111111101)2
3. Seja um sistema aritmético de ponto flutuante de quatro dı́gitos e na base decimal.

Dados os números: x = 0, 7237.104 , y = 0, 2145.10−3 , z = 0, 2585.101 . Efetue as
seguintes operações e obtenha o erro relativo no resultado, supondo que x, y, z estão
exatamente representados:
a) x + y + z
b) x − y − z
x
c)
y
(xy)
d)
z
y
e) x.
z
4. Sejam x1 = 10, 44 e x2 = 2, 15 dois valores aproximados de x e y, respectivamente,
até o números de dı́gitos significativos. Sabendo que Ex = Ey = 0, 005, determine os
limites do erro absoluto e do erro relativo para as seguintes quantidades:
a) x + xy
√
b) xy
c) cos(2x − y) + sen(2x − y)

Capı́tulo 2
Zeros de Funções
Definição 2.1. Dada uma função f (x), dizemos que α é uma raı́z, ou zero de f , se e
somente se f (α) = 0.
Graficamente, os zeros de uma função f correspondem aos pontos de x que a
função intercepta no eixo das abscissas, como mostra a figura
A função acima possui 2 raı́zes no intervalo [a, b]: x1 , x2 .
Para algumas funções há métodos algébricos para encontrar suas raı́zes, como por
exemplo, a função quadrática. Porém há outros tipos de funções muito mais complexas,
e que fica praticamente impossı́vel encontrar os zeros exatamente. Por isso, temos que
nos contentar em achar aproximações para esses zeros e, para tal, utilizamos os métodos
numéricos para encontrá-las.
A idéia central destes métodos é partir de uma aproximação inicial da raı́z e em

seguida, refinar essa aproximação através de um processo iterativo. Temos então duas
fases:
1. Localização ou isolamento das raı́zes, que consiste em obter um intervalo que contém
a raı́z;
18
Capı́tulo 2. Zeros de Funções 2.1. Isolamento das raı́zes
2. Refinamento, que consiste em, escolhidas as aproximações iniciais no intervalo en-

contrado na fase 1, melhorá-las sucessivamente até obter uma aproximação da raı́z
denttro de uma precisão prefixada.
2.1 Isolamento das raı́zes

Faremos inicialmente uma análise teórica e gráfica da função f . Para tal temos
que
Teorema 2.1. Se uma função contı́nua f (x) assume valores de sinais opostos nos pontos
do intervalo [a, b], isto é, f (a).f (b) < 0, então o intervalo possui, no mı́nimo, uma raı́z da
equação f (x) = 0. Ou seja, ∃ α ∈ (a, b) tal que f (α) = 0.
A raı́z α será definida e única se f 0 (x) existir e preservar o sinal dentro do intervalo
(a, b), ou seja, se f 0 (x) > 0 ou f 0 (x) < 0 para a < x < b.

Exemplo 2.1. 1. a) f (x) = x3 − 9.x + 3

Construindo apenas uma tabela de valores para f (x) e considerando apenas os sinais
temos
x −∞ −100 −10 −5 −3 −1 0 1 2 3 4 5
f (x) − − − − + + + − − + + +
Sabendo que f é contı́nua ∀ x ∈ R e observando as variações de sinal, podemos

concluir que um dos intervalos I1 = [−5, −3], I2 = [0, 1], I3 = [2, 3] contém pelo
menos um zero de f (x). Como f tem grau 3, então cada intervalo contém apenas
uma raı́z de f (x).
√
2. f (x) = x − 5.e−x
Temos que Df = R+ . Construindo a tabela temos
x 0 1 2 3
f (x) − − + +
Temos então que f admite pelo menos uma raı́z no intervalo I = [1, 2]. Para sabermos
se este zero é único bastanos analisar o sinal de f 0 (x):
1
f 0 (x) = √ + 5.e−x > 0
2. x
Logo f (x) admite um único zero no intervalo (1, 2).
Observação: Se f (a).f (b) > 0 não podemos afirmar nada sobre f .
Temos que, a observação do método gráfico consiste em:
• Escrever f como diferença de duas funções g e h, ou seja, f = g − h onde possamos

esboçar os gráficos das duas funções no mesmo plano;
• Usar f (x) = 0 ⇔ g(x) = h(x);
• Esboçar, da melhor maneira possı́vel, os gráficos de g e h e determinarmos por
inspeção os intervalos onde estão os pontos de interseção de g(x) e h(x), ou seja,
os α onde g(α) = h(α).
Exemplo 2.2. Delimitar os zeros da função f (x) = ex + x2 − 2.
Solução:
Temos que f (x) = 0 ⇔ ex + √x2 − 2 ⇔ ex = 2 − x2 . Assim, √

temos g(x) = ex e h(x) = 2 − x2 .
Logo ∃x1 zero de f (x) ∈ (0, 2) e ∃x1 zero de f (x) ∈ (− 2, 0).

Exemplo 2.3. Delimitar os zeros de f (x) = ln(x) + x.
Solução:
f (x) = 0 ⇔ ln(x) + x = 0 ⇔ ln(x) = −x
∃x1 zero de f tal que x1 ∈ (0, 1).

Exemplo 2.4. Seja f : R → R tal que f (x) = ex + x2 − 2. Determine um intervalo
contendo um único zero de f .
Solução:
f (0) = 1 − 2 < 0; f (1) = (e − 1) > 0 ⇒ ∃x1 tal que x1 ∈ (0, 1). Temos que f 0 (x) =
ex + 2x > 0, ∀ x ∈ (0, 1). Logo x1 é o único zero.

Capı́tulo 2. Zeros de Funções 2.2. Refinamento
2.2 Refinamento
Veremos agora alguns métodos numéricos de refinamento de raı́z nos quais per-
tencem à classe de métodos iterativos.
Um método iterativo consiste em uma sequência de instruções que são executadas

passo a passo, algumas dos quais são repetidas em ciclos.
Durante o processo de iteração obtemos um número que se aproxima da raı́z. A

pergunta que se faz é a seguinte: Que tipo de teste pode ser feito para verificar o quanto
que α (aproximação da raı́z) está suficientemente próximo de α?
Existem duas interpretações para raı́z aproximada que nem sempre levam ao
mesmo resultado, α é raı́z aproximada com precisão se:
1. |α − α| <
2. |f (α)| <
Podemos reduzir o intervalo que contém a raı́z a cada iteração. Ou seja, consegui-
mos um intervalo [a, b] tal que
α ∈ [a, b] e b − a < → ∀ x ∈ [a, b], |x − α| <

Os métodos numéricos são desenvolvidos de maneira que satisfaçam pelo menos
uma das interpretações anteriores (1 e 2). Dependendo da ordem de grandeza dos números
envolvidos é aconselhável usar teste do erro relativo, como por exemplo, considerar α como
|f (α)|
aproximação de α se < , onde L = f (x) para algum x na vizinhança de α.
L
2.3 Métodos Iterativos

2.3.1 Método da Bissecção
Seja a função f (x) contı́nua no intervalo [a, b] e f (a).f (b) < 0. A ideia é reduzir a
amplitude do intervalo até atingir a precisão requerida: b−a < , usando divisões sucessivas
do intervalo.

Capı́tulo 2. Zeros de Funções 2.3. Métodos Iterativos
O método precede da seguinte forma: faça [a0 , b0 ] = [a, b],

 
a0 + b 0  f (a0 ) < 0  α ∈ (a0 , x0 )
x0 = ⇒ f (b0 ) > 0 ⇒ a1 = a0
2
f (x0 ) > 0 b 1 = x0
 
 
a1 + b 1  f (a1 ) < 0  α ∈ (x1 , b1 )
x1 = ⇒ f (b1 ) > 0 ⇒ a2 = x 1
2
f (x1 ) < 0 b 2 = b1
 
 
a2 + b 2  f (a2 ) < 0  α ∈ (x2 , b2 )
x2 = ⇒ f (b2 ) > 0 ⇒ a3 = x 2
2
f (x2 ) < 0 b 3 = b2
 
e assim sucessivamente até que na sequência xk seja satisfeito o critério de parada bk −ak <
.
Este critério garante que se tomarmos α ∈ [ak , bk ] teremos a garantia que o erro é
menor que , isto é,
bk−1 − ak−1 b 0 − a0
|α − α| ≤ bk − ak = = <
2 2
Exemplo 2.5. A função f (x) = x.logx − 1 tem zero em (2, 3). Utilizando o método da
bissecção temos:
 
f (2) = −0, 3979 < 0  α ∈ (2, 5; 3)
2+3 
x0 = = 2, 5 ⇒ f (3) = 0, 4314 > 0 ⇒ a1 = x0 = 2, 5
2
f (2, 5) = −5, 15.10−3 < 0 b1 = b0 = 3
 

 
2, 5 + 3  f (2, 5) < 0  α ∈ (2, 5; 2, 75)
x1 = = 2, 75 ⇒ f (3) > 0 ⇒ a2 = a1 = 2, 5
2
f (2, 75) = 0, 2082 < 0 b2 = x1 = 2, 75
 
..
.
A tabela abaixo mostra os valores obtidos após k = 7 iterações.
Temos que no exemplo acima foram calculadas 7 iterações para chegarmos ao

valor que obedece a precisão < 0, 01. Porém há uma forma de termos uma prévia da
quantidade de iterações que podem ser feitas, dada pela fórmula
log(b0 − a0 ) − log()
k>
log(2)
onde a0 , b0 são os valores iniciais e é a precisão dada.
Exemplo 2.6. Seja a função f (x) = x. log(x) − 1 onde o zero de f está no intervalo (2, 3)
com precisão = 10−2 . Temos que
log(3 − 2) − log(10−2 ) log(1) + 2 log(10) 2

k> = = ≈ 6, 64
log(2) log(2) 0, 3010
a qual concluı́mos sendo k = 7.
2.3.2 Método Iterativo Linear (MIL) ou Método do Ponto Fixo

(MPF)
Definição 2.2. Dada uma função f : R → R e α ∈ R, α é ponto fixo de f se e somennte
se f (α) = α.
Seja f (x) contı́nua em [a, b], onde existe uma raı́z da equação f (x) = 0. A es-
tratégia do método é escrever a função f de tal forma que f (x) = x − φ(x). Se f (x) = 0
então
x − φ(x) = 0 ⇒ x = φ(x)

Isto é, encontrar as raı́zes de f é equivalente a achar os pontos fixos da função φ.

Através da equação acima montamos um processo iterativo, onde, dado x0 temos
xk+1 = φ(xk ), n = 1, 2, 3, 4, . . .
A função φ é dita de função de iteração na qual não está determinada de uma
forma única, ou seja, existem indefinidas funções de iterações dada uma f qualquer.
Exemplo 2.7. Para x2 + x − 6 = 0 temos
1. a) φ1 (x) = 6 − x2
6
2. b) φ2 (x) =
x+1
6
3. c) φ3 (x) = −1
x
√
4. d) φ4 (x) = ± 6 − x
Teorema 2.2. Seja x uma raı́z da função f isolada no intervalo [a, b]. Seja φ uma função
de iteração da função f que satisfaz
1. φ e φ0 são contı́nuas no intervalo [a, b],
2. |φ0 (x)| ≤ M < 1, ∀ x ∈ [a, b]
3. x0 ∈ [a, b]
Então a sequência {xk } gerada pelo processo iterativo xk+1 = xk converge para α.
Graficamente, uma raı́z para a equação x = φ(x) é a abscissa do ponto de in-
tersecção da reta y = x e da função y = φ(x), ou seja, (usando os dados do exemplo
anterior)

Observação: No caso em que as curvas não se interceptam não haverá raı́z.
Escolhemos xk como raı́z aproximada de α se |xk − xk−1 | = |φ(xk ) − xk−1 | < ou

se |f (x)k | < , os quais podem ser usados como critérios de parada das iterações.
Seja o intervalo [a, b], o extremo mais rápido para iniciar o método é aquele cujo
o módulo da primeira derivada é menor. Isto é
Se |φ0 (a)| < |φ0 (b)| ⇒ x0 = a ou x0 = b

Como podemos ter várias funções φ(x), temos então que escolher as que são mais
indicadas para o método, ou seja, as que satisfazem a condição de |φ0 (x)| < 1, onde M é
dito limitante do módulo.
Nota: A dificuldade deste método está em encontrar a função de iteração mais adequada
que satisfaça a condição de convergência. O teste de |φ0 (x)| < 1 pode levar a um engano
se x0 não estiver suficientemente próximo da raı́z. Quanto menor for |φ0 (x)|, maior será
a convergência. Devemos observar ainda que, não necessariamente, |xk − xk−1 | ≤ erro ⇒
|xk = α| ≤ erro, por exemplo
Exemplo 2.8. Dada a função f (x) = x2 + 3x − 40, obter sua raı́z contida no intervalo
[4, 5; 5, 5] pelo método de iteração linear, sendo ≤ 10−4 e considerando 5 casas decimais
para os cálculos.
Solução:
Temos que
x2 − 40 −2x
y= ⇒ y0 =
−3 3

40 −40
y= ⇒ y0 =
x+3 (x + 3)2
√ −3
y= 40 − 3x ⇒ y 0 = √
2 40 − 3x
√ −3
Então a melhor φ(x) que podemos usar é φ(x) = 40 − 3x ⇒ y 0 = √ . Calculando
2 40 − 3x
x0 temos
−3
|φ0 (4, 5)| = | p | = | − 0, 2914| = 0, 2914
2 40 − 3.(4, 5)
−3
φ0 (5, 5) = | p | = | − 0, 3094| = 0, 3094
2 40 − 3.(5, 5)
e portanto x0 = 4, 5. Logo
p
x1 = φ(x0 ) = 40 − 3.(4, 5) = 5, 14782
p
x2 = φ(x1 ) = 40 − 3.(5, 14782) = 4, 95546
p
x3 = φ(x2 ) = 40 − 3.(4, 95546) = 5, 01334
x4 = φ(x3 ) = 4, 99600
x5 = φ(x4 ) = 5, 00120
x6 = φ(x5 ) = 4, 99964
x7 = φ(x6 ) = 5, 00011
x8 = φ(x7 ) = 4, 99997
x9 = φ(x8 ) = 5, 00001
x10 = φ(x9 ) = 5, 00000
e como |x10 − x9 | = 0, 00001 < 10−4 , logo α = 5.
Exemplo 2.9. Considere a função f (x) = e−x , onde existe uma raı́z α ∈ [0, 5; 0, 75]. Seja
= 0, 006 (ou seja, o erro é menor que ), encontre α condiderando 4 casas decimais.
Solução:
Primeiramente temos que φ(x) = e−x ⇒ φ0 (x) = −e−x . A função φ0 satisfaz
max |φ0 (x)| = 0, 6065 . . .

x∈[0,5;0,75]
Então, calculando x0 temos
|φ0 (0, 5)| = 0, 6065

e
|φ0 (0, 75)| = 0, 4724
Assim x0 = 0, 75. Então
x1 = φ(x0 ) = 0, 4724
x2 = φ(x1 ) = 0, 6298
x3 = φ(x2 ) = 0, 5327
x4 = φ(x3 ) = 0, 5870
x5 = φ(x4 ) = 0, 5560
x6 = φ(x5 ) = 0, 5735
x7 = φ(x6 ) = 0, 5635
x8 = φ(x7 ) = 0, 5692
x9 = φ(x8 ) = 0, 5660
x10 = φ(x9 ) = 0, 5678
Como |x10 − x9 | = 0, 0018 < Logo α = 0, 5678
O gráfico abaixo mostra a conveergência para α, no caso, quando x0 = 0, 625.

2.3.3 Método de Newton-Raphson

O método de Newton-Raphson foi criado na tentativa de acelerar o método da
iteração linear. Este método é determinado de tal forma que teremos uma função φ0 (α) = 0,
onde α é a raı́z de f . Com isto teremos a garantia que existe um intervalo [a, b] que contém
a raı́z e que |φ0 (x)| < 1 e consequentemente a convergência será mais rápida.
A função de iteração do método é dada por
f (x)
φ(x) = x −
f 0 (x)
com ela podemos montar o processo iterativo de Método de Newton-Raphson, onde, dado
x0 temos
f (xk )
xk+1 = xk −
f 0 (xk )
Graficamente temos
A derivada da função no ponto xk é igual a tangente do ângulo que a reta tangente

à curva no ponto xk forma com o eixo x. Usando a relação sobre o triângulo retângulo
temos
f (xk ) f (xk )
f 0 (x) = tg(α) = ⇒ xk+1 = xk − 0
xk − xk+1 f (xk )
Devido a esta sua interpretação geométrica o método recebe também o nome de
Método das Tangentes.

Teorema 2.3. Sejam f, f 0 e f 00 , funções contı́nuas num intervalo [a, b], onde existe uma
raı́z α. Supondo que f 0 (α) 6= 0. Então existe um intervalo [a, b] ⊂ [a, b], contendo α tal
que se x0 ∈ [a, b], a sequência gerada pelo processo iterativo de Newton-Raphson converge
para α.
Temos como critério de parada o erro absoluto o que nada impede de ser também
o relativo. No entanto usaremos |xK+1 − xk | ≤ erro. A restrição do método está na
necessidade de conhecer um intervalo que contenha α, o que nem sempre é possı́vel. Para
decidir qual o melhor extremo do intervalo (a, b) para iniciar o método, basta verificar qual
dos extremos possui função e segunda derivada com o mesmo sinal, ou seja, f (xi ).f 00 (xi ) >
0, para i = extremos do intervalo.
Exemplo 2.10. Calcular a raı́z positiva da equação f (x) = 2x − sen(x) − 4 = 0, com
≤ 10−3 , usando o método de Newton-Raphson no inutervalo [2, 3] e considerando 4 casas
decimais.
Solução:
Temos que
f (x) = 2x − sen(x) − 4
f 0 (x) = 2 − cos(x)
f 00 (x) = sen(x)
Temos ainda que se x = 2, f (2) = −0, 9093 e que se x = 3, f (3) = 1, 8589. Como
f (2).f (3) < 0 logo α ∈ [2, 3].
Calculando x0 temos
f 00 (2) = −0, 9093
e
f 00 (3) = 0, 1411
e portanto x0 = 3. Assim
1, 8589
x1 = 3 − = 2, 3783
2, 9900
|x1 − x0 | = |2, 3783 − 3| = 0, 6217 > erro
f (2, 3783) 0, 0653

x2 = 2, 3783 − 0
= 2, 3783 − = 2, 3543
f (2, 3783) 2, 7226
|x − 2 − x1 | = 0, 0240 > erro
0, 0002
x3 = 2, 3543 − = 2, 3542
2, 7058
|x3 − x2 | = 0, 0001 < erro
Logo α = 2, 3542

Observação: Vale ressaltar que os cálculos acima foram feitos regulando-se a calculadora
para radianos (Rad), pois trata-se das funções trigonométricas. No caso dos softwares
matemáticos (M aple, M atlab, M athematica) não é preciso configurar nada, isto é, os
resultados saem em radianos automaticamente.
2.3.4 Considerações sobre os métodos

Neste capı́tulo vimos três métodos diferentes para resolver equações da forma
f (x) = 0. Faremos um breve comentário das vantagens e desvantagens de cada método.
No Método da bissecção vimos que o número de iterações depende apenas do in-

tervalo inicial [a0 ; b0 ]. Logo este pode ser aplicado a qualquer função f (x) que satisfaz
f (a).f (b) < 0. Não importa o quanto f (x) seja complicada. A desvantagem é que tem
uma convergência lenta. Na prática ele é usado para refinar o intervalo que contém a raiz.
Aplicamos o método em um número fixo de iterações.
Em geral o M.I.L é mais rápido que o Método da Bissecção. Utiliza menos

operações por cada iteração. Pode encontrar raı́zes em intervalos onde f (a).f (b) > 0 . A
dificuldade é encontrar a função de iteração φ(x) que seja convergente.
O Método de Newton-Raphson tem convergência quadrática. Porém este necessita

da avaliação da função e sua derivada em cada ponto xk . Pode ocorrer de termos uma
raı́z isolada num intervalo [a; b] e o método acabe convergindo para uma outra raı́z que não
pertence a [a; b]. Isto o corre porque temos que tomar x0 ∈ [a; b] ⊂ [a; b].
Exercı́cio
1. Localize graficamente e dê intervalos de amplitude 0.5 que contenha as raı́zes das
equações
a) ln(x) + 2x = 0
b) ex − sen(x) = 0
c) ln(x) − 2x = −2
ex
d) 2cos(x) − =0
2
x2
e) 3 ln(x) −
2
x
f) (5 − x)e = 1
2. Utilize o Método da Bissecção e aproxime a menor raı́z em módulo com erro relativo
menor que 10−1 para as equações a) e b) do exercı́cio anterior.
3. Utilize o Método Iterativo Linear e aproxime a menor raı́z em módulo com erro
relativo menor que 10−2 para as equações c) e d) do exercı́cio anterior.

4. Utilize o Método Newton-Raphson e aproxime a menor raı́z em módulo com erro

relativo menor que 10−3 para as equações e) e f ) do exercı́cio anterior.

Capı́tulo 3
Interpolação Polinomial
3.1 Forma Linear de Vandermonde

A interpolação é um método de encontrar uma função que represente um con-
junto de dados tabelados. Interpolar um conjunto de dados (xk , fk ), k = 0, 1, . . . , n , con-
siste em encontrar uma função pn (x), escolhida numa classe de funções, tal que satisfaça
certas propriedades. Consideraremos aqui o caso onde pn (x) é um polinômio de tal forma
que
fk = p(xk ), k = 0, 1, 2, . . . , n.
Dizemos que este polinômio que satisfaz a condição de interpolação é dito de
polinômio interpolador. Graficamente, um polinômio interpolador é uma função p menos
complexa que f e que passa por todos os pontos da função f .
Teorema 3.1 (Existência e Unicidade). Dado um conjunto de n + 1 pontos distintos

(xk , fk ), k = 0, 1, 2, . . . , n, isto é, xk 6= xj para k 6= j. Existe um único polinômio p(x) de
grau menor ou igual a n tal que p(xk ) = fk , com k = 0, 1, 2, 3, . . . , n.
Seja p(x) = a0 + a1 x1 + a2 x2 + · · · + an xn . Para obter os coeficientes ai usamos a

condição de interpolação fk = p(xk ) para k = 0, 1, 2, . . . , n. Logo
33
Capı́tulo 3. Interpolação Polinomial 3.1. Forma Linear de Vandermonde
que corresponde a forma linear
A matriz A, associada ao sistema, é uma matriz de Vandermonde, cujo determi-

nante é dado por Y
det(A) = (xi − xj )
i>j
com xi 6= xj para i 6= j. O det(A) 6= 0 logo o sistema admite uma única solução.

Exemplo 3.1. Ache uma aproximação para f (0, 3) usando o polinômio interpolador dos
dados abaixo:

Capı́tulo 3. Interpolação Polinomial 3.2. Polinômio Interpolador de Lagrange
3.2 Polinômio Interpolador de Lagrange

Vamos considerar o conjunto de n + 1 pontos xk , fk , com k = 0, 1, 2, 3, . . . , n e
considerar também o polinômio representado por
Exemplo 3.2. Considerando a tabela abaixo, temos:

Capı́tulo 3. Interpolação Polinomial 3.3. Polinômio Interpolador de Newton
3.3 Polinômio Interpolador de Newton

3.3.1 Diferenças Divididas
Seja y = f (x) a função que contém os pontos distintos (xk , yk ), k = 0, 1, 2, . . . , n.
A primeira derivada da função f (x) no ponto x0 é definida por
f (x) − f (x0 )
f 0 (x0 ) = lim
x − x0
x→x0
a
A diferença dividida de 1 ordem é definida como uma aproximação da primeira
derivada, ou seja,
f (x) − f (x0 )
f [x, x0 ] =
x − x0
fazendo x = x1
f (x1 ) − f (x0 )
f [x1 , x0 ] = = δy
x1 − x 0
Em geral temos
f (xk+1 ) − f (xk )
δyk = f [xk , xk+1 ] =
xk+1 − xk
ou
yk+1 − yk
δyk =
xk+1 − xk
A diferença de ordem zero é definida como δ 0 yk = f [xk ] = f (x) = yk , assim
δ 0 yk+1 − δ 0 yk
δyk =
xk+1 − xk

Genericamente
δ n yk = f [xk , xk+1 , . . . , xk+n ]
f [xK+1 , xk+2 , . . . , xk+n ] − f [xk , xk+1 , . . . , xk+n−1 ]

δ n yk =
xk+n − xk
ou
δ n−1 yk+1 − δ n−1 yk

δ n yk =
xk+n − xk
Exemplo 3.3. Dada a função tabelada
k xk yk
0 0, 3 3, 09
1 1, 5 17, 25
2 2, 1 25, 41
Então
y1 − y0 17, 25 − 3, 09
δy0 = [x0 , x1 ] = = = 11, 8
x1 − x0 1, 5 − 0, 3
y2 − y1 25, 41 − 17, 25
δy1 = [x1 , x2 ] = = = 13, 6
x2 − x1 2, 1 − 1, 5
δy1 − δy0 13, 6 − 11, 8
δ 2 y0 = [x0 , x1 , x2 ] = = =1
x2 − x0 2, 1 − 0, 3
Pondo os valores em uma tabela temos
k xk yk δyk δ 2 yk
0 0, 3 3, 09 11, 8 1
1 1, 5 17, 25 13, 6
2 2, 1 25, 41
3.3.2 Fórmula do Polinômio Interpolador de Newton

Dado um conjunto de coordenadas (xk , yk ), k = 0, 1, 2, . . . , n correspondentes
a uma função f (x) = y, o método de interpolação de Newton consiste em adotar um
polinômio da forma
p(x) = y0 + (x − x0 )δy0 + (x − x0 )(x − x1 )δ 2 y0 + · · · + (x − x0 )(x − x1 ) . . . (x − xk−1 )δ n y0
Exemplo 3.4. Determine o valor aproximado de f (0, 4) usando todos os pontos tabelados:

k xk yk
0 0, 0 1, 008
1 0, 2 1, 064
2 0, 3 1, 125
3 0, 5 1, 343
4 0, 6 1, 512
Calculando as diferenças divididas temos

y1 − y0
δy0 = = 0, 28
x1 − x0
y2 − y1
δy1 = = 0, 610
x2 − x1
y3 − y2
δy2 = = 1, 09
x3 − x2
y4 − y3
δy3 = = 1, 69
x4 − x3
δy1 − δy2
δ 2 y0 = = 1, 1
x2 − x 0
δy2 − δy1
δ 2 y1 = = 1, 6
x3 − x 1
δy3 − δy2
δ 2 y2 = =2
x4 − x2
δ 2 y1 − δ 2 y0
δ 3 y0 = =1
x3 − x0
δ 2 y2 − δ 2 y1
δ 3 y0 = =1
x4 − x1
δ 3 y1 − δ 3 y0
δ 4 y0 = =0
x4 − x0
Então p(0, 4) = y0 + (0, 4 − x0 )δy0 + (0, 4 − x0 )(0.4 − x1 )δ 2 y0 + (0, 4 − x0 )(0.4 − x1 )(0, 4 −
x2 )δ 3 y0 + (0, 4 − x0 )(0.4 − x1 )(0, 4 − x2 )(0, 4 − x3 )δ 4 y0 = 1, 216
Montar a tabela fica como exercı́cio!
Nota: O erro é dado pela fórmula
f k+1 (αx )
Ek (x) = (x − x0 )(x − x1 ) . . . (x − xk ).
(k + 1)!
para α ∈ (x0 , xk ). Calcule o erro do exemplo anterior.

Exercı́cio
1. Usando o método de Newton e de Lagrange, interpolar um polinômio do segundo

grau aos dados da tabela:
2. Determinar o polinômio interpolador para para a função tabelada abaixo.

Capı́tulo 4
Integração Numérica
Seja f uma função contı́nua no intervalo [a, b] da qual se conhece uma primitiva
F . Então o valor da integral definida de f pode ser calculado usando a fórmula de Newton-
Leibnitz
Z b
f (x)dx = F (b) − F (a)
a
Em muitos casos a determinação de uma primitiva de f é muito ou às vezes até
impossı́vel de se obter. Além disso, em muitos problemas práticos, quase sempre se conhece
apenas uma tabela da função f e, para estes casos, a ideia de primitiva carece de signifi-
cado. Em situações como esta, os métodos de integração numérica são as ferramentas mais
adequadas para determinar aproximações para os valores das integrais definidas.
A aplicação dos métodos de integração numérica é obviamente necessária no caso

em que o valor de f (x) é conhecido em alguns pontos num intervalo [a, b], ou através de
um gráfico.
A solução numérica de uma integral simples é comumente chamada de quadra-

tura.
4.1 Quadratura por Interpolação

O método de quadratura por interpolação consiste em utilizar um polinômio
interpolante p(x) para aproximar o integrando f (x) no domı́nio de integração [a, b]. Desta
maneira
Z b
f (x)dx
a
40
Capı́tulo 4. Integração Numérica 4.1. Quadratura por Interpolação
pode ser aproximada por Z b

p(x)dx
a
Se o integrando f (x) é conhecido em k pontos distintos x0 , x1 , . . . , xk podemos

utilizar algum dos métodos desenvolvidos para encontrar um polinômio p(x) que interpole
f (xi ), i = 0, 1, . . . , k. Assim
Z b Z b
f (x)dx = p(x)dx + Rk (x)
a a
onde Rk é o resı́duo de interpolação da forma
b k
f k+1 (ϕx ) Y
Z
Rk (x) = (x − xi )dx
a (k + 1)! i=0
e a cada x, ϕ = ϕx é o número que torna verdadeira a equação

k
f k+1 (ϕx ) Y
f (x) = p(x) + (x − xi )
(k + 1)! i=0
De acordo com o método de interpolação de Lagrange, uma vez determinados os

polinômios Lk (x) e a interpolação
k
X
p(x) = f (xi ).Li (x)
i=0
a aproximação é dada por

Z b k
Z bX k
X Z b
p(x)dx = f (xi ).Li (x)dx = f (xi ). Li (x)dx
a a i=0 i=0 a
onde a segunda igualdade se deve ao fato de f (x) ser uma constante. A expressão anterior
pode ser reescrita como
Z b k
X
p(x)dx = Ci .f (xi )
a i=0
onde i = 0, 1, . . . , k, os valores f (xi ) são conhecidos e as constantes Ci são resultado da

integração
Z b
Li (x)dx
a
A aproximação da integral de f (x) é dada por

Capı́tulo 4. Integração Numérica 4.1. Quadratura por Interpolação
Z b k
X
f (x)dx ≈ Ci .f (xi )
a i=0
Essa aproximação é denominada de fórmula de quadratura e, naturalmente, o

coeficiente Ci é dependente do método a ser utilizado.
R1 2
Exemplo 4.1. vamos aproximar a integral −2 1 e−x dx a partir da interpolação do inte-
2
grando em três pontos: x0 = − 12 , x1 = 0, x2 = 21 .
Solução:
Por Lagrange, os polinômios Li (xi ) são determinados por
(x − 0)(x − 12 ) x.(x − 12 )
L0 (x0 ) = = = 2x2 − x
(− 21 − 0)(− 21 − 21 ) (− 12 ).(−1)
(x + 21 )(x − 12 )
L1 (x1 ) = = −4x2 + 1
(0 + 12 )(0 − 12 )
(x + 21 )(x − 0)
L2 (x2 ) = = 2x2 + x
( 12 + 12 )
Portanto
1 1
1 i 21
Z Z h2
2 2
C0 = L0 (x)dx = (2x2 − x)dx = x3 − x2 1
− 12 − 12 3 2 −2
h 2.( 1 )3
1( 21 )2 2.(− 12 )3 1(− 21 )2 i 1
2
C0 = − − − =
3 2 3 2 6
Z 1 Z 1 h 4 i 12
2 2
2 3 2
C1 = L1 (x)dx = (−4x + 1)dx = − x + x 1 =
− 21 − 12 3 −2 3
Z 1 Z 1
2 2
h2 1 i 21 1
C2 = L2 (x)dx = (2x2 + x)dx = x3 + x2 1 =
− 12 − 12 3 2 −2 6
Então
Z 1 2
2 1 2 1 2 2 1 2 1 1 1 1
−x2 2
X
e dx ≈ e−x Ci = e−(− 2 ) . + e−(0) . + e−( 2 ) . = .(e− 4 ) + 4e0 + e− 4 )
− 12 i=0
6 3 6 6
1 1
= .(e− 4 + 2e0 ) = 0, 926266...
3

Capı́tulo 4. Integração Numérica 4.2. Quadratura pelas Fórmulas de Newton-Cotes
4.2 Quadratura pelas Fórmulas de Newton-Cotes

Nas fórmulas de Newton-Cotes o polinômio que se aproxima de f (x) razoa-
velmente é um polinômio interpolador de f (x) em pontos de [a, b] igualmente espaçados.
Consideremos a partição do intervalo [a, b] em subintervalos, de comprimento h, [xi , xi+1 ],
(b − a)
i = 0, 1, . . . , k − 1. Assim, xi+1 − xi = h = .
k
As fórmulas fechadas de Newton-Cotes são fórmulas de integração do tipo x0 =
a, xk = b e
Z b Z xk k
X
f (x)dx = f (x)dx ≈ A0 .f (x0 ) + A1 .f (x1 ) + · · · + Ak .f (xk ) = Ai .f (xi )
a x0 i=0
sendo os coeficientes Ai determinados de acordo com o grau do polinômio aproximador.
Neste capı́tulo estudaremos duas fórmulas fechadas de Newton-Cotes: A Regra

dos Trapézios e A Regra de Simpson.
4.2.1 Regra dos Trapézios

Seja o intervalo finito [a, b] no eixo x que é particionado em k subintervalos
igualmente espaçados [xi , xi+1 ], com x0 = a, xk = b e hi = xi+1 − xi . Seja f uma função
contı́nua ou simplesmente Riemann integrável, cuja integral não se conhece.
Numericamente, a regra dos trapézios é obtida aproximando-se f por um polinômio

interpolador do 1◦ grau. Se usarmos a fórmula de Lagrange para expressar o polinômio
p1 (x) que interpola f (x) em x0 e x1 temos
Z b Z b=x1 Z x1 h
(x − x1 ) (x − x0 ) i
f (x)dx ≈ p1 (x)dx = f (x0 ) + f (x1 ) dx
a a=x0 x0 (x0 − x1 ) (x1 − x0 )
como h = x1 − x0 então x0 − x1 = −h, assim
Z b=x1 Z x1 h
(x − x1 ) (x − x0 ) i
p1 (x)dx = f (x0 ) + f (x1 ) dx = IT
a=x0 x0 −h h
assim
h
IT = [f (x0 ) + f (x1 )]
2
ou simplesmente
h
IT = (y0 + y1 )
2

que é a área do trapézio de altura h = x1 − x0 e bases y0 e y1 .
Geometricamente temos
hi
A área de cada trapézio é dada por IT i = (yi + yi+1 ). A soma dessas áreas será
Rb 2
uma aproximação para a f (x)dx. Analiticamente a integral de f (x) normalmente como
aprendido no Cálculo.
O erro é dado pela fórmula
h3 00
E=− f (ϕ)
12
onde a ≤ ϕ ≤ b e |f 00 (ϕ)|max .
Exemplo 4.2. Calcular, pela regra dos trapézios e, depois, analiticamente, o valor de
Z 3,6
dx
I=
3 x
Observação:Use 5 casas decimais.
Solução:
Pela regra dos trapézios temos

h
IT = (y0 + y1 )
2
1
como y = e h = x1 − x0 tem-se
x
3, 6 − 3 1 1 0, 6 1 1
IT = + = + = 0, 18333
2 3 3, 6 2 3 3, 6
Calculando o erro temos
h3
E = − f 00 (ϕ)
12

2
onde f 00 (x) = . Assim
x3
h3 2
E=− .
12 ϕ3
2 2
Como 3 ≤ ϕ ≤ 3, 6 então |f 00 (ϕ)|max = 3 = 3 e assim
ϕ 3
(0, 6)3 2
E=− . = −1, 333.10−3
12 27
Logo
IT = 0, 18333 − 1, 333.10−3 = 0, 18200
Analiticamente temos
Z 3,6
1 3,6
dx = ln(x) = ln(3, 6) − ln(3) = 0, 18232

3 x 3
Regra dos Trapézios Composta

Dividindo o intervalo [a, b] em k subintervalos, pela regra dos trapézios, o re-
sultado, que será denotado por T(h) , é dado por
k−1
X yi + yi+1
T(hk ) = . .hi
i=0
2
b−a
como hi é constante temos h = , então
k
k−1
X yi + yi+1
T(hk ) = h .
i=0
2
ou
h
T(hk ) = (y0 + 2y1 + 2y2 + · · · + 2yk−1 + yk )
2
Exemplo 4.3. Calcular, pela regra dos trapézios o valor de
Z 3,6
dx
I=
3 x
considerando k = 6 e 4 casas decimais com arredondamento.
Solução:

Temos que o número de intervalos é 6, logo o valor

3, 6 − 3
h= = 0, 1
6
A tabela abaixo mostra os valores a serem substituı́dos na fórmula (correspondentes às
operações feitas em (y0 + 2y1 + 2y2 + · · · + 2yk−1 + yk ) onde os ci são os coeficientes da
expressão):
h
T(h6 ) = (y0 + 2y1 + 2y2 + 2y3 + 2y4 + 2y5 + y6 )
2
0, 1
T(0,1) = (3, 6469) = 0, 182345
2
O erro é dado por
(b − a)3 00
E=− f (ϕ)
12k 2
Determine o erro do exemplo acima.
4.2.2 Regra de Simpson

A regra de Simpson é obtida aproximando-se f por um polinômio interpolador
◦
de 2 grau, ou seja, uma parábola.
Numericamente podemos usar a fórmula de Lagrange para estabelecer a fórmula

de integração resultante da aproximação de f (x) por um polinômio de grau 2. Seja p2 (x)
o polinômio que interpola f (x) nos pontos x0 = a, x1 = x0 + h e x2 = x0 + 2h = b:

Resolvendo a integral obtemos

Z x2
h
f (x)dx ≈ [f (x0 ) + 4f (x1 ) + f (x2 )]
x0 3
ou simplesmente
Z x2
h
f (x)dx ≈ (y0 + 4y1 + y2 )
x0 3
Geometricamente tem-se
O erro é dado por

h5 (4)
E=−
.f (ϕ)
90
para a ≤ ϕ ≤ b. Determine o erro do exemplo acima.
Regra de Simpson Composta

Aplicando a regra de Simpson repetidas vezes no intervalo [a, b] = [x0 , xk ].
Vamos supor que x0 , x1 , . . . , xk são pontos igualmente espaçados, h = xi+1 − xi , e k é par

(isto é condição necessária pois cada parábola utilizará três pontos consecutivos). Assim
teremos:
Z b
h
f (x)dx ≈ S(hk ) = (y0 + 4y1 + 2y2 + 4y3 + 2y4 · · · + 2yk−2 + 4yk−1 + yk )
a 3
R1
Exemplo 4.4. Calcular uma aproximação para 0 ex usando a regra de simpson e k = 10.
Solução:
1−0
Temos que o número de intervalos é 10 logo h = = 0, 1. Então montemos a tabela
10
de iterações
Assim
0, 1 0
S(h10 ) = (e + 4e0,1 + 2e0,2 + 4e0,3 + 4e0,4 + · · · + 4e0,9 ) = 1, 71829
3
Analiticamente
Z 1 1
e = e = e1 − e0 = 1, 71828
x x
0 0
R1
Exemplo 4.5. Calcular uma aproximação para 0
(x2 + 1)dx por Simpsom e depois, ana-
liticamente, sendo k = 2.
Solução:
1−0
Como o número de intervalos é 2 logo temos h = = 0, 5. Assim temos
2
0, 5 0, 5
S(0, 5) = (1 + 4(1, 25) + 2) = .(8) = 1, 33333...
3 3
Analiticamente fica como exercı́cio!

O erro aqui é dado por
(b − a)5 (4)
E=− f (ϕ)
180k 4
com a ≤ ϕ ≤ b. Calcule!
Exercı́cio
3
1. Seja [0, 2] um intervalo e seja x0 = 0, x1 = 1 e x2 = . Determine a fórmula de
2
quadratura interpoladora da função f (x).
R1
2. Considere 0 (2x + 3)dx pela regra dos trapézios e, depois, analiticamente, com k = 1
e 4 casas decimais com arredondamento. Calcule o erro.
R2
3. Calcular 1 x ln(x)dx pela regra dos trapézios, considerando diversos valores para
k = 4 e, depois, analiticamente. Calcule o erro.
π
4. Determine uma aproximação de considerando que
4
Z 1
π dx
= 2
4 0 1+x
e usando a regra dos trapézios com k = 10.

π
5. Determine uma aproximação de considerando que
4
Z 1
π dx
= 2
4 0 1+x
e usando a regra de Simpson com k = 10.
6. Qual o erro máxim o cometido ao calcularmos

Z 1
2
I= e−x
0
usando a fórmula de Simpson e k = 10?
7. Usando a regra dos trapézios e analiticamente determine o valor da integral e o erro

cometido de:
4,5
R 1
a) I = 2
dx
4 x
R1 cos x
b) I = dx
0 1+x

Cálculo Numérico

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cálculo Numérico

Uploaded by

Copyright:

Available Formats

Universidade do Estado do Pará

Centro de Ciências Sociais e Educação

Notas de aula de Cálculo Numérico

Prof.Esp. Osmar Tharlles Borges de Oliveira

1 Sistema Numérico e Erros 3

4.2.1 Regra dos Trapézios . . . . . . . . . . . . . . . . . . . . . . . . . . 43

UEPA 2 Prof.Esp. Osmar Borges

Sistema Numérico e Erros

O Cálculo Numérico objetiva estudar estruturas numéricas (algoritmos numéricos)

A necessidade de produzir resultados numéricos se deve a vários motivos, por

Vejamos as várias fases da resolução de problemas, através do fluxograma:

1.2 Representação dos Números

Os resultados possı́veis para a área desta circunferência são:

Se a altura do prédio for s0 = 30m, a velocidade da bola v0 = 0m/s e considerando a

UEPA 4 Prof.Esp. Osmar Borges

Definição 1.1. Seja β ≥ 2 ∈ N. Um número real r pode ser representado em qualquer

1.3 Conversão de números: Binário ↔ Decimal

1.3.1 Números Inteiros

Perceba que podemos fazer o inverso da multiplicação para encontrar os valores

UEPA 5 Prof.Esp. Osmar Borges

Exemplo 1.4. Converter os números abaixo para o sistema binário:

1.3.2 Números Fracionários

rβ = b1 · 10−1 + b2 · 10−2 + · · · + bk · 10−k + . . .

Se r estiver na base binária temos que

rβ = c1 · 2−1 + c2 · 2−2 + · · · + ck · 2−k + . . .

Vamos então converter 0, 75 decimal para binário.

Primeiramente multiplicamos o valor 0, 75 por 2, isto é,

UEPA 6 Prof.Esp. Osmar Borges

Exemplo 1.6. Converter os seguintes números para o sistema binário:

Na conversão da base 2 para 10 fazemos o seguinte: seja o número (0.110)2 .

1. Ponto Fixo: Utilizada em computadores mais antigos (não é mais amplamente

onde k e n são inteiros satisfazendo n < k e usualmente n ≤ 0 e k > 0 e os di são

Exemplo 1.7. O número 567, 34 na base 10 pode ser expresso como

5 · 102 + 6 · 101 + 7 · 100 + 3 · 10−1 + 4 · 10−2

UEPA 7 Prof.Esp. Osmar Borges

onde β é a base do sistema de numeração, d é chamado de mantissa e e é o expoente.

onde, frequentemente, nos grandes computadores, k = 1, tal que se x 6= 0, então

Exemplo 1.8. Seja β = 10. O número r = 34, 67 é representado em ponto flutuante

1.3.3 Operações aritméticas com ponto flutuante

1. registramos os números em uma lista como segue

2. Calculamos g = e − f . Se g ≥ t, então a = x e assim a operação fica concluı́da. Se

UEPA 8 Prof.Esp. Osmar Borges

3. adicionamos x com y 0 com g = e e obtemos

4. Se b0 6= 0 então: (i) deslocamos o registro de a uma posição à direita; (ii) Calculamos

5. Se b1 = 0 então: (i) deslocamos à esquerda até que b1 6= 0; (ii) Calculamos g → g − 1

6. Se g > S teremos excesso (overflow), se g < I teremos falta (underflow).

7. Para arredondamento cancelamos os valores de registro que estão além da precisão t

UEPA 9 Prof.Esp. Osmar Borges

1. Dispomos os números em seus registros:

2. Calculamos p = x · y com expoente g = e + f

3. Se b1 = 0 então normalizamos, fazendo g → g − 1

4. Se g > S teremos excesso (overflow), se g < I teremos falta (underflow).

Se tivermos y = 0 então fim. Senão,

UEPA 10 Prof.Esp. Osmar Borges

3. Se tivermos b0 6= 0, então devemos ajustar q levando em consideração que g → g + 1

4. Se b1 = 0, então normalizamos, tomando g → g − 1

5. Se g > S teremos excesso (overflow), se g < I teremos falta (underflow).

6. Cancelamos os valores de q além da precisão t da máquina. Assim

1.3.4 Representação de um número com t dı́gitos na base decimal

(±0, a1 a2 . . . at at+1 . . . an ) · 10e

com ai ∈ {0, 1, . . . , 9} e a1 6= 0. Como

UEPA 11 Prof.Esp. Osmar Borges

e 0, 00 . . . at+1 . . . an = (0, at+1 at+2 . . . an ) · 10−t logo

x = (±0, a1 a2 . . . at at+1 . . . an ) · 10e

|ex | < ⇔ |x − x| < ⇔ x − < x < x +

α ∈ [a, b] e b − a < → ∀ x ∈ [a, b], |x − α| <

Escolhemos xk como raı́z aproximada de α se |xk − xk−1 | = |φ(xk ) − xk−1 | < ou