Você está na página 1de 88

ANLISE NUMRICA

Traduo da 8a edio norte-americana


Richard L. Burden
Youngstown State University

J. Douglas Faires
Youngstown State University

Traduo
All Tasks
Reviso tcnica
Helena Maria vila de Castro
Professora Doutora do Instituto de Matemtica e Estatstica
da Universidade de So Paulo (IME-USP)

Austrlia Brasil Japo Coria Mxico Cingapura Espanha Reino Unido Estados Unidos

Anlise Numrica
Richard L. Burden
J. Douglas Faires
Gerente Editorial: Patricia La Rosa
Editora de Desenvolvimento: Ligia Cosmo Cantarelli
Supervisor de Produo Editorial: Fbio Gonalves

2005 Cengage Learning Brooks/Cole.


2008 Cengage Learning Edies Ltda.
Todos os direitos reservados. Nenhuma parte deste
livro poder ser reproduzida, sejam quais forem os
meios empregados, sem a permisso, por escrito, da
Editora. Aos infratores aplicam-se as sanes
previstas nos artigos 102, 104, 106 e 107 da
Lei no 9.610, de 19 de fevereiro de 1998.

Produtora Editorial: Ana Lucia SantAna dos Santos e


Renata Siqueira Campos

Para informaes sobre nossos produtos, entre


em contato pelo telefone 0800 11 19 39

Supervisora de Produo Grfica: Fabiana Alencar Albuquerque

Para permisso de uso de material desta obra,


envie seu pedido para
direitosautorais@cengage.com

Ttulo original: Numerical Analysis 8th edition


(ISBN: 0-534-39200-8)
Traduo: All Tasks
Reviso Tcnica: Helena Maria vila de Castro
Copidesque: Angela Helena Viel
Reviso: Cristiane Mayumi Morinaga e
Revinews Apoio Editorial Ltda.
Composio: Cia. Editorial
Capa: Marcela Perroni (Ventura Design)

2008 de Cengage Learning. Todos os direitos


reservados.
ISBN-13: 978-85-221-0601-1
ISBN-10: 85-221-0601-0
Cengage Learning
Condomnio E-Business Park
Rua Werner Siemens, 111 Prdio 20 Espao 3
Lapa de Baixo CEP 05069-900 So Paulo SP
Tel.: (11) 3665-9900 Fax: (11) 3665-9901
SAC 0800 11 19 39
Para suas solues de curso e aprendizado, visite
www.cengage.com.br
1. Contabilidade 657

Impresso no Brasil.
Printed in Brazil.
1 2 3 4 5 6 7 12 11 10 09 08

Respostas de Exerccios Selecionados


Exerccios 1.1 (Pgina 13)
1.

Para cada parte, f C [a, b] no intervalo dado. J que f (a) e f (b) tm sinais opostos, o Teorema do Valor
Intermedirio implica que existe um nmero c com f (c)  0.

3.

Para cada parte, f C [a, b], f existe em (a, b) e f (a)  f (b)  0. O Teorema de Rolle implica que existe
um nmero c em (a, b) com f (c)  0. Na parte (d), podemos utilizar [a, b]  [1, 0] ou [a, b]  [0, 2].

5.

Para x  0, f (x)  2x  k  0, contanto que x  Qk. Analogamente, para x  0, f (x)  2x  k  0,


contanto que x  Qk. Pelo Teorema 1.13, existe um nmero c com f (c)  0. Se f (c)  0 e f (c )  0
para algum c c, ento, pelo Teorema 1.7, existe um nmero p entre c e c com f (p)  0. Porm, f (x)
 3x2  2  0 para todo x.

7.

a. P2 (x)  0
c. P2 (x)  1  3(x1)  3(x1)2

9.

Como

b. R2 (0,5)  0,125; erro real  0,125


d. R2 (0,5)   0,125; erro real   0,125.
e

para algum entre x e 0, temos o seguinte:


a. P2 (0,5)  1,5 e f (0,5)  P2(0,5)  0,0932;
b. f(x)  P2(x) 1,252;
1
c.  0 f(x) dx  1,5;
1
1
1
d.  0 f(x) dx   0 P2(x)dx   0R2(x)dx  0,313 e o erro real 0,122.
11. P3(x)  (x  1)2  Q(x  1)3

a. P3 (0,5)  0,312500, f(0,5)  0,346574. Um limitante do erro 0,2916 e o erro real 0,034074

b.  f(x)  P3(x)  0,2916 em [0,5, 1,5]


1,5
1,5
c.  0,5 P3(x)dx  0,083 ,  0,5 (x  1)ln xdx  0,088020

d. Um limitante do erro 0,0583 , e o erro real 4,687 103.


13. P4(x)  x  x3
0,4
0,4
2
a.  f(x)  P4(x)  0,012405
b. 0 P4(x)dx  0,0864, 0 xex dx  0,086755
4
c. 8,27 10
d. P4 (0,2)  1,12, f(0,2)  1,124076. O erro real 4,076 103.
15. J que 42  7/30 radianos, use x0  /4. Ento

Para que Rn(7/30)  106, suficiente tomar n  3. At 7 algarismos, cos 42  0,7431448 e P3(42)
 P3(7/30)  0,7431446, de modo que o erro real 2 107.
17. a. P3(x)  ln(3)  32 (x  1) 

1

9

(x  1)2 

10

81

(x  1)3

b. max0x1 f(x)  P3(x)  f(0)  P3(0)  0,02663366


c. P3(x)  ln(2)  12 x2
d. max0x1 f(x)  P3(x)  f(1)  P3(1)  0,09453489
e. P3(0) aproxima f(0) melhor do que P3(1) aproxima f(1).
n
1
19. Pn(x)  xk, n
7
k0 k!
21. Um limitante para o erro mximo 0,0026.

Cengage Learning, 2008

2MMAnlise Numrica Burden e Faires

23. J que R2(1) 

1

6

e, para algum em (0, 1), temos E  R2(1) 

1

6

1  e 

1

6

(e  1).

25. a. Seja x0 qualquer nmero em [a, b]. Dado  0, seja  /L. Se x  x0  e a  x  b, ento
f(x)  f(x0)  Lx  x0  .
b. Utilizando o Teorema do Valor Mdio temos
f(x2)  f(x1)  f ()x2  x1,
para algum entre x1 e x2, portanto
f(x2)  f(x1)  Lx2  x1,
c. Um exemplo f(x)  x

1/3

em [0, 1].

27. a. J que f contnua em p e f (p)  0, existe um  0 com


f(p)
f(x)  f(p)  ,
2
para x  p  e a  x  b. Restringimos de forma que [p  , p  ] seja um subconjunto de
[a, b]. Dessa forma, para x [p  , p  ], temos x [a, b]. Ento
f(p)
f(p)
  f(x)  f(p) 
2
2
e
f(p)
f(p)
f(p)  f(x)  f(p)  .
2
2
Se f(p)  0, ento
f(p)
f(p)
f(p)
f(p)   0,MMe assimMMf(x)  f(p)   0.
2
2
2
Se f (p)  0, ento f(p)  f(p) e
f(p)
f(p)
f(p)
f(x)  f(p)   f(p)    0.
2
2
2
b.

Em qualquer dos dois casos, f(x)  0, para x [p  , p  ].


J que f contnua em p e f (p)  0, existe um  0 com
f(x)  f(p)  kMMparaMMx  p  MMeMMa  x  b.
Restringimos de forma que [p  , p  ] seja um subconjunto de [a, b]. Dessa forma, para
x [p  , p  ], temos
f(x)  f(x)  f(p)  k.

Exerccios 1.2 (Pgina 25)


1.
a.
b.
c.
d.
e.
f.
g.
h.
3.

Erro absoluto
0,001264
7,346 106
2,818 104
2,136 104
2,647 101
1,454 101
420
3,343 103

Erro relativo
4,025 104
2,338 106
1,037 104
1,510 104
1,202 103
1,050 102
1,042 102
9,213 103

Os intervalos maiores so
a. (149,85, 150,15) b. (899,1, 900,9)

Cengage Learning, 2008

c. (1.498,5, 1.501,5)

d. (89,91, 90,09)

RESPOSTAS DE EXERCCIOS SELECIONADOSMM3

5.
a.
b.
c.
d.
e.
f.
g.
h.

Aproximao
134
133
2,00
1,67
1,80
15,1
0,286
0,00

Erro absoluto
0,079
0,499
0,327
0,003
0,154
0,0546
2,86 104
0,0215

Erro relativo
5,90 104
3,77 103
0,195
1,79 103
0,0786
3,60 103
103
1,00

a.
b.
c.
d.
e.
f.
g.
h.

Aproximao
133
132
1,00
1,67
3,55
15,2
0,284
0

Erro absoluto
0,921
0,501
0,673
0,003
1,60
0,0454
0,00171
0,02150

Erro relativo
6,88 103
3,78 103
0,402
1,79 103
0,817
0,00299
0,00600
1

a.
b.

Aproximao
3,14557613
3,14162103

Erro absoluto
3,983 103
2,838 105

Erro relativo
1,268 103
9,032 106

7.

9.

11. a.
b. 1,941
c.
d. O erro relativo na parte (b) 0,029. O erro relativo na parte (c) 0,00050.
13.
a.
b.
c.
d.

x1
92,26
0,005421
10,98
0,001149

Erro absoluto
0,01542
1,264 106
6,875 103
7,566 108

Erro relativo
1,672 104
2,333 104
6,257 104
6,584 105

x2
0.005419
92,26
0,001149
10,98

Erro absoluto
6,273 107
4,580 103
7,566 108
6,875 103

15. Os nmeros da mquina so equivalentes a


a. 3.224
b.  3.224
d. 1,3242187500000002220446049250313080847263336181640625.

Erro relativo
1,157 104
4,965 105
6,584 105
6,257 104

c. 1,32421875

17b. A primeira frmula fornece 0,00658 e a segunda frmula fornece 0,0100. O valor verdadeiro com trs
algarismos 0,0116.
19. As solues aproximadas para o sistema so
a. x  2,451, y  1,635

b. x  507,7, y  82,00.

21. a. Na forma estruturada, temos f(x)  (((1,01ex  4,62)ex  3,11)ex  12,2)ex 1,99.
b. 6,79
c. 7,07.
23. a. n  77
b. n  35.
25. a. m  17

Cengage Learning, 2008

4MMAnlise Numrica Burden e Faires

b.

c. m  181.707
d. 2.597.000; erro real 1.960; erro relativo 7,541 104.
27. a.124,03
b. 124,03
c. 124,03
e. 0,0065
f. 0,0065
g. 0,0065

d. 124,03
h. 0,0065.

Exerccios 1.3 (Pgina 35)


1.

a. As somas aproximadas so 1,53 e 1,54 respectivamente. O valor real 1,549. Erro de arredondamento significativo ocorre antes no primeiro mtodo.
3. a. 2.000 termos
b. 20.000.000.000 termos.
5. 3 termos
7. As taxas de convergncia so:
a. O (h2)
b. O (h)
c. O (h2)
d. O (h).
13. a. Se  n  (1/np)  K, ento  n   K(1/np)  K(1/nq), j que 0  q  p. Dessa forma,

 n  (1/np) K e { n } n1 r com taxa de convergncia O (1/np).


b.

n
1/n
1/n2
1/n3
1/n4
5
0,2
0,04
0,008
0,0016
10
0,1
0,01
0,001
0,0001
50
0,02 0,0004
8 106
1,6 107
100
0,01
104
106
108
4
O(1/n ) a taxa de convergncia mais rpida.

15. Suponha que para x suficientemente pequeno tenhamos constantes positivas k1 e k2, independentes de x,
para as quais
F1(x)  L1  K1x MM e MMF2(x)  L2  K2x.
Seja c max (c1, c2, 1), K  max (K1, K2) e  max ( , ).
a. Temos
F(x)  c1L1  c2L2  c1(F1(x)  L1)  c2(F2(x)  L2)
 c1K1x  c2K2x
 cK[x  x]
 cKx [1  x ]
 Kx
para x suficientemente pequeno e para alguma constante K. Dessa forma, F(x)  c1L1  c2L2  O(x ).
b. Temos
G(x)  L1  L2  F1(c1x)  F2(c2x)  L1  L2
 K1c1x  K2c2x
 Kc[x  x]
 Kcx [1  x ]
 Kx ,
para x suficientemente pequeno e para alguma constante K. Dessa forma, G(x)  L1  L2  O(x ).

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM5


17. a. 354.224.848.179.261.915.075 b. 0,3542248538 1021.
c. O resultado na parte (a) calculado utilizando a aritmtica inteira exata e o resultado na parte (b) calculado utilizando a aritmtica de arredondamento com 10 algarismos.
d. O resultado na parte (a) exigiu que o lao fosse executado 98 vezes.
e. O resultado o mesmo que o resultado na parte (a).

Exerccios 2.1 (Pgina 51)


1.

p3  0,625

3.

O mtodo da Bisseco fornece:


a. p7  0,5859

b. p8  3,002

c. p7  3,419.

5.

O mtodo da Bisseco fornece:


a. p17  0,641182
b. p17  0,257530
c. Para o intervalo [3, 2], temos p17  2,191307 e para o intervalo [ 1, 0] temos p17  0,798164
d. Para o intervalo [0,2, 0,3], temos p14  0,297528 e para o intervalo [1,2, 1,3], temos p14  1,256622.

7.

a.

b. Utilizar [1,5, 2] da parte (a) resulta em p16  1,89550018.


9.

a.

b. p17  1,00762177.
11. a. 2

b.  2

c.  1

d. 1.

13. A raiz cbica de 25 aproximadamente p14  2,92401, utilizando [2, 3].


15. Um limitante n
14 e p14  1,32477.
17. J que limnr (pn  pn1)  limnr 1/n  0, a diferena nos termos ser zero. Porm, pn o nsimo
termo da srie harmnica divergente, ento limnr pn  .
19. A profundidade da gua de 0,838 ps.

Cengage Learning, 2008

6MMAnlise Numrica Burden e Faires

Exerccios 2.2 (Pgina 60)


1.

Para o valor de x em considerao, temos


a.
b.
c.
d.

3.

A ordem descendente na velocidade de convergncia (b), (d), (a). A seqncia em (c) no converge.

5.

Com g(x)  (3x2  3)1/4 e p0  1, p6  1,94332 tem preciso de 0,01.

7.

J que g(x) 

1

4

cos

x

2,

g contnua e g existe em [0, 2]. Alm disso, g(x)  0 somente quando x  ,

de forma que g(0)  g(2)   g(x)  g()  

1

2

e g(x) 

implica que existe um nico ponto fixo p em [0, 2]. Com k 

1

4
1

4

para 0  x  2. O Teorema 2.2


e p0  , temos p1  

1

2

.O

Corolrio 2.4 implica que

Para que o limitante seja menor que 0,1, precisamos de n


4. Porm, p3  3,626996 tem preciso de
0,01.
9.

Para p0  1,0 e g(x)  0,5(x 

3

x ),

temos 3  p4  1,73205.

11. a. Com [0, 1] e p0  0, temos p9  0,257531


b. Com [2,5, 3,0] e p0  2,5, temos p17  2,690650
c. Com [0,25, 1] e p0  0,25, temos p14  0,909999
d. Com [0,3, 0,7] e p0  0,3, temos p39  0,469625
e. Com [0,3, 0,6] e p0  0,3, temos p48  0,448059
f. Com [0, 1] e p0  0, temos p6  0,704812.
13. Para g(x)  (2x2  10 cos x)/(3x), temos o que segue:
p0  3 p8  3,16193;MMp0  3 p8  3,16193.
Para g(x)  arccos(0,1x2), temos o que segue:
p0  1 p11  1,96882;MMp0  1 p11  1,96882.
15. Com g(x) 

arcsen( 2x )  2, temos p5  1,683855.

[ ]

17. Um dos muitos exemplos g(x)  2x  1 em Q, 1 .


21. Substitua a segunda sentena na demonstrao por: J que g satisfaz uma condio de Lipschitz em
[a, b] com uma constante de Lipschitz L  1, temos, para cada n,

O restante da demonstrao o mesmo, com k substitudo por L.


23. Com g(t)  501,0625  201,0625e0,4t e p0  5,0, p3  6,0028 est a 0,01 s do tempo real.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM7

Exerccios 2.3 (Pgina 71)


1.

p2  2,60714

3.

a. 2,45454

5.

a. Para p0  2, temos p5  2,69065


c. Para p0  0, temos p4  0,73909

7.

Utilizando as extremidades dos intervalos como p0 e p1, temos:


b. p7  2,87939
c. p6  0,73909
a. p11  2,69065
Utilizando as extremidades dos intervalos como p0 e p1, temos:
a. p16  2,69060
b. p6   2,87938
c. p7  0,73908

9.

b. 2,44444

c. A parte (b) melhor.


b. Para p0   3, temos p3   2,87939
d. Para p0  0, temos p3  0,96434.
d. p5  0,96433.
d. p6  0,96433.

11. a. O mtodo de Newton com p0  1,5 fornece p3  1,51213455.


O mtodo da Secante com p0  1 e p1  2 fornece p10  1,51213455.
O mtodo da Falsa Posio com p0  1 e p1  2 fornece p17  1,51212954.
b. O mtodo de Newton com p0  0,5 fornece p5  0,976773017.
O mtodo da Secante p0  0 e p1  1 fornece p5  0,976773017.
O Mtodo da Falsa Posio com p0  0 e p1  1 fornece p5  0,976772976.
13. Para p0  1, temos p5  0,589755. O ponto tem as coordenadas (0,589755, 0,347811).
15. A equao da reta tangente
y  f(pn1)  f (pn1)(x pn1).
Para completar esse problema, faa y  0 e resolva para x  pn.
17. a. Para p0  1 e p1  0, temos p17  0,04065850 e para p0  0 e p1  1, temos p9  0,9623984
b. Para p0  1 e p1  0, temos p5  0,04065929 e para p0  0 e p1  1, temos p12  0,04065929
c. Para p0  0,5, temos p5   0,04065929 e para p0  0,5, temos p21  0,9623989.
19. Essa frmula envolve a subtrao de nmeros aproximadamente iguais tanto no numerador como no
denominador se pn1 e pn2 forem aproximadamente iguais.
b. p0  5 p5 4,30624527
21. a. p0  10, p11  4,30624527
c. p0  3, p5  0,824498585
d. p0  1, p4  0,824498585
e. p0 0, e no possvel calcular p1 j que f(0)  0
f. p0  1, p4  0 824498585
g. p0  3, p5  0,824498585
h. p0  5, p5  4,30624527
i. p0  10, p11  4,30624527.
2
0,4x
23. Para f(x)  ln(x  1)  e cos x, temos as seguintes razes.
a. Para p0  0,5, temos p3  0,4341431
b. Para p0 0,5, temos p3  0, 4506567
Para p0 1,5, temos p3  1,7447381
Para p0 2,5, temos p5  2,2383198
Para p0 3,5, temos p2  3,7090412
c. A aproximao inicial n  0,5 bastante razovel
d. Para p0 24,5, temos p4  24,4998870.
25. Os dois nmeros so aproximadamente 6,512849 e 13,487151.
27. A pessoa que tomou o emprstimo pode pagar no mximo 8,10%.
29. a. solve(3^(3*x+1)-7*5^(2*x),x) e fsolve(3^(3*x+1)-7*5^(2*x),x) ambos falham.
b. plot(3^(3*x+1)-7*5^(2*x),x=a..b) geralmente no fornece informaes teis. Porm,
a  10,5 e b  11,5 no comando plot mostra que f (x) tem uma raiz prxima de x  11.
c. Com p0 11, p5  11,0094386442681716 tem preciso de 1016.

Cengage Learning, 2008

8MMAnlise Numrica Burden e Faires

d.

31. Temos PL  265816, c  0,75658125 e k  0,045017502. A populao de 1980 P(30)  222.248.320


e a populao de 2010 P(60)  252.967.030.
33. Utilizando p0  0,5 e p1 0,9, o mtodo da Secante fornece p5 0,842.

Exerccios 2.4 (Pgina 81)


1.

a. Para p0  0,5, temos p13  0,567135


c. Para p0  0,5, temos p22  0,641166

b. Para p0  1,5, temos p23  1,414325


d. Para p0  0,5, temos p23  0,183274.

3.

O mtodo de Newton modificado na Eq. (2.11) fornece:


a. Para p0  0,5, temos p3  0,567143
b. Para p0  1,5, temos p2  1,414158
d. Para p0  0,5, temos p5  0,183319.
c. Para p0  0,5, temos p3  0,641274

5.

O mtodo de Newton com p0  0,5, fornece p13  0,169607. O mtodo de Newton Modificado na
Eq. (2.11) com p0  0,5 fornece p11  0,169607.

7.

a. Para k  0,

e, portanto, a convergncia ser linear.


b. Precisamos ter N  10m/k.
9.

Exemplos tpicos so:


a. pn  103n

b. pn  10

11. Isso decorre do fato que

13. Se pn1  p/ pn  p3  0,75 e p0  p  0,5, ento


n1)/2

pn  p  (0,75)(3
Para obter pn  p  108 preciso que n
3.

Exerccios 2.5 (Pgina 85)


1.

Os resultados esto listados na tabela a seguir:


a
b
c
p 0
0,258684
0,907859
0,548101
p 1
0,257613
0,909568
0,547915
p 2
0,257536
0,909917
0,547847
p 3
0,257531
0,909989
0,547823
p 4
0,257530
0,910004
0,547814
p5
0,257530
0,910007
0,547810
p0  0,826427

5.

p1  1,5

7.

Para g(x)  1 

9.

d
0,731385
0,736087
0,737653
0,738469
0,738798
0,738958

(1)

3.

(0)

Para g(x)  0,5(x

1
x

e p0  1, temos p3  1,32472.

3
 x )

Cengage Learning, 2008

p0  p3

e p0  0,5 temos p4  1,73205.

RESPOSTAS DE EXERCCIOS SELECIONADOSMM9


11. a. Para g(x)  (2  ex  x2)/3 e p0  0, temos p3  0,257530
b. Para g(x)  0,5(sen x  cos x) e p0  0, temos p4  0,704812
c. Com p0  0,25, p4  0,910007572
d. Com p0  0,3, p4  0,469621923.
13. O mtodo 2 de Aitkens fornece:

a. p 10  0,045

b. p 2  0,0363.

15. Temos

e, ento,

17. a. Sugesto: primeiro mostre que

em que est entre 0 e 1.


b.

n
0
1
2
3
4
5
6
7
8
9
10

pn

p n

1
2
2.5

2,6

2,7083

2,716

2,71805
2.7182539
2.7182787
2.7182815
2.7182818

3
2.75

2,72
2.71875

2,7183
2,7182870
2.7182823
2.7182818
2.7182818

Exerccios 2.6 (Pgina 94)


1.

a. Para p0  1, temos p22  2,69065.


b. Para p0  1, temos p5  0,53209; para p0  1, temos p3  0,65270; e para p0  3, temos
p3  2,87939.
c. Para p0  1, temos p5  1,32472.
d. Para p0  1, temos p4  1,12412; e para p0  0, temos p8  0,87605.
e. Para p0  0, temos p6  0,47006; para p0  1, temos p4  0,88533; e para p0  3, temos
p4  2,64561.
f. Para p0  0, temos p10  1,49819.

Cengage Learning, 2008

10MMAnlise Numrica Burden e Faires

3.

A tabela a seguir lista a aproximao inicial e as razes.


p0
p1
p2
Razes aproximadas
a 1
0
1
p7  0,34532  1,31873i
0
1
2
p6  2,69065
b 0
1
2
p6  0,53209
1
2
3
p9  0,65270
2
3
2,5
p4  2,87939
c 0
1
2
p5  1,32472
2
1
0
p7  0,66236  0,56228i
d 0
1
2
p5  1,12412
2
3
4
p12  0,12403  1,74096i
2
0
1
p5  0,87605
e 0
1
2
p10  0,88533
1
0
0,5
p5  0,47006
1
2
3
p5  2,64561
f
0
1
2
p6  1,49819
1
2
3
p10  0,51363  1,09156i
1
0
1
p8  0,26454  1,32837i

Razes complexas conjugadas


0,34532  1,31873i

0,66236  0,56228i
0,12403  1,74096i

0,51363  1,09156i
0,26454  1,32837i

5.

a. As razes so 1,244, 8,847 e 1,091 e os pontos crticos so 0 e 6.


b. As razes so 0,5798, 1,521, 2,332 e 2,432 e os pontos crticos so 1, 2,001 e 1,5.

7.

Todos os mtodos encontram a soluo 0,23235.

9.

O material mnimo aproximadamente 573,64895 cm2.

Exerccios 3.1 (Pgina 112)


1.

a. (i) P1(x)  0,29110731x  1; P1(0,45)  0,86900171; cos 0,45  P1(0,45)  0,03144539;


(ii) P2(x)  0,43108687x2  0,03245519x  1; P2(0,45)  0,89810007; cos 0,45  P2(0,45)
 0,0023470
b. (i) P1(x)  0,44151844x  1; P1(0,45)  1,1986833; 1,45  P1(0,45) 0,00547616;
(ii) P2(x)  0,070228596x2  0,483655598x  1; P2(0,45)  1,20342373; 1,45  P2(0,45)
 0,00073573
c. (i) P1(x)  0,78333938x; P1(0,45)  0,35250272; ln 1,45  P1 (0,45) 0,01906083;
(ii) P2(x) 0,23389466x2  0,92367618x; P2(0,45)  0,36829061; ln 1,45  P2(0,45)
 0,00327294
d. (i) P1(x)  1,14022801x; P1(0,45)  0,51310260; tg 0,45  P1(0,45) 0,03004754;
(ii) P2(x)  0,86649261x2  0,62033245x; P2(0,45)  0,45461436; tg 0,45  P2(0,45)
 0,02844071

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM11

5.

7.

9.

a. n
1
2
3

x0, x1,, xn
8,3, 8,6
8,3, 8,6, 8,7
8,3, 8,6, 8,7, 8,1

c. n
1
2
3

b.

n
1
2
3

x0, x1,, xn
0,5, 0,25
0,5, 0,25, 0,0
0,5, 0,25, 0,0, 0,75

Pn(1/3)
0,21504167
0,16988889
0,17451852

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

d.

n
1
2
3

x0, x1,, xn
0,8, 1,0
0,8, 1,0, 0,7
0,8, 1.0, 0,7, 0,6

Pn(0,9)
0,44086280
0,43841352
0,44198500

a. n
1
2
3

x0, x1,, xn
8,3, 8,6
8,3, 8,6, 8,7
8,1, 8,3, 8,6, 8,7

b.

n
1
2
3

x0, x1,, xn
0,5, 0,25
0,5, 0,25, 0,0
0,75, 0,5, 0,25, 0,0

Pn(1/3)
0,21504167
0,16988889
0,17451852

c. n
1
2
3

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

d.

n
1
2
3

x0, x1,, xn
0,8, 1,0
0,7, 0,8, 1,0
0,6, 0,7, 0,8, 1,0

Pn(0,9)
0,44086280
0,43841352
0,44198500

b.

n
1
2

Erro real
4,0523 102
4,6296 103

Limitante do erro
4,5153 102
4,6296 103

a. n
1
2

Pn(8,4)
17,87833
17,87716
17,87714

Pn(8,4)
17,87833
17,87716
17,87714

Erro real
Limitante do erro
0,00118
0,00120
1,367 105 1,452 105

c. n
1
2

Erro real
Limitante do erro
d. n
Erro real
Limitante do erro
1
2,7296 103
1,4080 102
5,9210 103 6,0971 103
4
4
3
1,7455 10
1,8128 10
2
5,1789 10
9,2215 103

11. a. Temos 3  P4(1/2)  1,7083


b. Temos 3  P4(3)  1,690607
c. O erro absoluto na parte (a) aproximadamente 0,0237 e o erro absoluto na parte (b) 0,0414, ento
a parte (a) mais precisa.
13. y  1,25.
15. f (1,09)  0,2826. O erro real 4,3 105 e o limitante do erro 7,4 106. A discrepncia deve-se ao
fato de que os dados so fornecidos apenas at quatro casas decimais e somente a aritmtica de quatro
algarismos utilizada.
17. P2  f (0,7)  6,4.
19. a. P2 (x)  11,22388889x2  3,810500000x  1 e o limitante do erro 0,11371294
b. P2 (x)  0,1306344167x2  0,8969979335x  0,63249693 e o limitante do erro 9,45762 104
c. P3 (x)  0,1970056667x3  1,06259055x2  2,532453189x  1,666868305 e o limitante do erro
104
d. P3 (x)  0,07932x3  0,545506x2  1,0065992x  1 e o limitante do erro 1,591376 103.
21. O maior tamanho de passo possvel 0,004291932, portanto 0,04 seria uma escolha razovel.
23. P0,1,2,3(2,5)  2,875.
25. Os primeiros dez termos da seqncia so 0,038462, 0,333671, 0,116605,  0,371760,  0,0548919,
__
0,605935, 0,190249, 0,513353, 0,0668173 e 0,448335. J que f (1  10)  0,0545716, a seqncia
no parece convergir.

Cengage Learning, 2008

12MMAnlise Numrica Burden e Faires

27. Altere o Algoritmo 3.1 como a seguir:


ENTRADAMMnmeros y0, y1, ..., yn; valores x0, x1, ..., xn como a primeira coluna Q0,0, Q1,0, ..., Qn,0 de Q.
SADAMMa tabela Q com Qn,n aproximando f 1 (0).
Passo 1MMPara i  1, 2, ..., n
para j  1, 2, ..., i
faa
29. a. Amostra 1: P6(x)  6,67  42,6434x  16,1427x2  2,09464x3  0,126902x4  0,00367168x5
 0,0000409458x6;
Amostra 2: P6(x)  6,67  5,67821x  2,91281x2  0,413799x3  0,0258413x4  0,000752546x5
 0,00000836160x6
b. Amostra 1: 42,71 mg; Amostra 2: 19,42 mg.
31. J que g (x)  g (x0)  0, existe um nmero 1 entre x e x0, para o qual g(1)  0. Tambm g(x0)  0,
de forma que existe um nmero 2 entre x0 e 1, para o qual g(2)  0. O processo continua por induo
para mostrar que existe um nmero n1 entre x0 e n com g(n1) (n1)  0. A frmula do erro para os
polinmios de Taylor decorre deste argumento.
33. a. (i) B3(x)  (x)
(ii) B3(x)  1

Exerccios 3.2 (Pgina 124)


1.

a. P1(x)  16,9441  3,1041(x  8,1); P1(8,4)  17,87533; P2(x)  P1(x)  0,06(x  8,1) (x  8,3);
P2(8,4)  17,87713
P3(x)  P2(x) 0,00208333(x  8,1)(x  8,3)(x  8,6); P3(8,4)  17,87714
b. P1(x)  0,1769446  1,9069687(x  0,6); P1(0,9)  0,395146
P2(x)  P1(x)  0,959224(x  0,6)(x  0,7);P2(0,9)  0,4526995
P3(x)  P2(x)  1,785741(x  0,6)(x  0,7)(x  0,8); P3(0,9)  0,4419850.

3.

Nas seguintes equaes temos s  (1/h) (x  x0).


a. P1(s)  0,718125  0,0470625s; P1( 31 )  0,006625
P2(s)  P1(s)  0,312625s(s  1)/2; P3( 31 )  0,1803056
P3(s)  P2(s)  0,09375s(s  1)(s  2)/6; P2( 13 )  0,1745185
b. P1(s)  0,62049958  0,3365129s; P1(0,25)  0,1157302
P2(s)  P1(s)  0,04592527s(s  1)/2; P2(0,25)  0,1329522
P3(s)  P2(s)  0,00283891s(s  1)(s  2)/6; P3(0,25)  0,1327748.

5.

Nas seguintes equaes temos s  (1/h) (x  xn).


a. P1(s)  1,101  0,7660625s; f( 13 )  P1( 34 )  0,07958333; P2(s)  P1(s)  0,406375s(s  1)/2;
f( 13 )  P2( 34 )  0,1698889; P3(s)  P2(s)  0,09375s(s  1)(s  2)/6; f( 13 )  P3( 43 )

7.

9.

 0,1745185
b. P1(s)  0,2484244  0,2418235s; f(0,25)  P1(1,5)  0,1143108; P2(s)  P1(s)  0,04876419s
(s  1)/2;
f(0,25)  P2(1,5)  0,1325973; P3(s)  P2(s)  0,00283891s(s  1)(s  2)/6; f(0,25)  P3(1,5)
 0,1327748.

a. P3(x)  5,3  33(x  0,1)  129,83 (x  0,1)x  556,6 (x  0,1)x(x  0,2)


b. P4(x)  P3(x)  2730,243387 (x  0,1)x(x  0,2)(x  0,3).
a. f (0,05)  1,05126

b. f (0,65)  1,91555

c. f (0,43)  1,53725.

11. a. P (2)  Q (2)  1, P (1)  Q (1)  3, P (0)  Q (0)  1, P (1)  Q (1)  1, P (2) 
Q (2)  3
Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM13


b. A forma do polinmio no nica. Se P (x) e Q (x) estiverem expandidos, eles sero idnticos. Existe
somente um polinmio interpolador se o grau for menor ou igual a quatro para os dados fornecidos.
Porm, ele pode ser expresso de vrias formas, dependendo da aplicao.
13. O coeficiente de x2 3,5.
15. A aproximao para f (0,3) deveria aumentar de 5,9375.
17. f [x0]  f (x0)  1, f [x1]  f (x1)  3, f [x0, x1]  5
19. J que f [x2]  f [x0]  f [x0, x1] (x2  x0)  a2 (x2  x0) (x2  x1),

Isso se simplifica para f [x0, x1, x2].


n
n
21. Seja P(x)  f [xi0]  k1 f [xi0,, xik](x  xi0) (x  xik) e P(x)  f [x0]  k1 f [x0,, xk](x  x0)
(x  xk). O polinmio P(x) interpola f (x) nos ns xi0,, xin e o polinmio P(x) interpola f (x) nos ns
x0, ..., xn. J que ambos os conjuntos de ns so os mesmos e o polinmio interpolador nico, temos
P(x)  P(x). O coeficiente de x n em P(x) f [xi0,, xin] e o coeficiente de xn em P(x) f [x0, ..., xn]. Dessa
forma, f [xi0,, xin]  f [x0, ..., xn].

Exerccios 3.3 (Pgina 132)


1.

Os coeficientes dos polinmios na forma de diferenas divididas so fornecidos nas tabelas a seguir. Por
exemplo, o polinmio na parte (a)
H3(x)  17,56492  3,116256(x  8,3)  0,05948(x  8,3)2  0,00202222(x  8,3)2(x  8,6).
a
17,56492
3,116256
0,05948
0,00202222

3.
a
b
c
d
5.

x
8,4
0,9
 13
0,25

b
0,22363362
2,1691753
0,01558225
3,2177925

Aproximao
para f(x)
17,877144
0,44392477
0,1745185
0,1327719

c
0,02475
0,751
2,751
1
0
0

f(x)
real
17,877146
0,44359244
0,17451852
0,13277189

d
0,62049958
3,5850208
2,1989182
0,490447
0,037205
0,040475
0,0025277777
0,0029629628

Erro
2,33 106
3,3323 104
1,85 108
5,42 109

a. Temos sen 0,34  H5 (0,34)  0,33349.


b. A frmula fornece um limitante do erro de 3,05 1014, mas o erro real 2,91 106. A discrepncia se deve ao fato de que os dados so fornecidos com somente cinco casas decimais.
c. Temos sen 0,34  H7 (0,34)  0,33350. Embora o limitante do erro seja agora 5,4 1020, a preciso
dos dados fornecidos domina os clculos. Esse resultado realmente menos preciso que a aproximao
na parte (b), j que sen 0,34  0,333487.

Cengage Learning, 2008

14MMAnlise Numrica Burden e Faires

7.

Para 3(a), temos um limitante do erro de 5,9 108. O limitante do erro para 3(c) 0 j que f (n) (x)  0,
para n  3.

9.

H3 (1,25)  1,169080403 com limitante do erro de 4,81 105 e H5 (1,25)  1,169016064 com limitante do erro de 4,43 104.

11. a. Suponha que P(x) seja outro polinmio com P (xk)  f (xk) e P (xk)  f (xk) para k  0, ..., n e o grau
de P(x) seja no mximo 2n  1. Seja
D(x)  H2n1(x)  P(x).
Ento D (x) um polinmio de grau no mximo 2n  1 com D(xk)  0 e D(xk)  0, para cada k  0, 1,
..., n. Dessa forma, D tem zeros de multiplicidade 2 em cada xk e
D(x)  (x  x0)2 (x  xn)2 Q(x).

b.

Conseqentemente, D (x) deve ter grau 2n2 ou maior, o que seria uma contradio, ou Q (x)  0, o que
implica que D (x)  0. Assim, P (x)  H2n 1 (x).
Primeiro observe que a frmula de erro valida se x  xk para toda escolha de .
Seja x  xk, para k  0, ..., n e defina

Observe que g(xk)  0, para k  0, ..., n e g(x)  0. Dessa forma, g tem n 2 zeros distintos em [a, b].
Pelo Teorema de Rolle, g tem n  1 zeros distintos 0, ..., n, que esto entre os nmeros x0, ..., xn, x.
Alm disso, g(xk)  0, para k  0, ..., n, de forma que g tem 2n  2 zeros distintos 0,... n, x0, ..., xn.
J que g 2n  1 vezes diferenvel, o Teorema de Rolle implica que existe um nmero [a, b] com
(2n2) ()  0. Mas,

A frmula de erro decorre deste argumento.

Exerccios 3.4 (Pgina 149)


1.

S (x)  x em [0, 2]

3.

As equaes dos respectivos splines cbicos livres so


S(x)  Si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1] em que os coeficientes so fornecidos nas tabelas a seguir.
a. i
ai
bi
ci
di
0

17,564920

3,13410000

0,00000000

0,00000000

ai

bi

ci

di

0,22363362

2,17229175

0,00000000

0,00000000

ai

bi

ci

di

0
1

0,02475000
0,33493750

1,03237500
2,25150000

0,00000000
4,87650000

6,50200000
6,50200000

b. i

c.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM15

d. i
0
1
2

ai

bi

0,62049958
0,28398668
0,00660095

3,45508693
3,18521313
2,61707643

5.

7.

a
b
c

x
8,4
0,9
 13

Aproximao
para f(x)
17,87833
0,4408628
0,1774144

0,25

0,1315912

a
b
c

x
8,4
0,9
 13

0,25

ci

di

0,00000000 8,9957933
2,69873800 0,94630333
2,98262900 9,9420966

f(x)
real
17,877146
0,44359244
0,17451852

Erro
1,1840 103
2,7296 103
2,8959 103

0,13277189

1,1807 103

Aproximao
para f(x)
3,134100
2,172292
1,574208

f (x)
real
3,128232
2,204367
1,668000

Erro
5,86829 103
0,0320747
0,093792

2,908242

2,907061

1,18057 103

As equaes dos respectivos splines cbicos fixados so


s(x)  si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1] em que os coeficientes so fornecidos nas seguintes tabelas.
a.

i
0

ai
17,564920

bi
3,1162560

ci
0,0600867

di
0,00202222

b. i
0

ai
0,22363362

bi
2,1691753

ci
0,65914075

di
3,2177925

i
0
1

ai
0,02475000
0,33493750

bi
0,75100000
2,18900000

ci
2,5010000
3,2510000

di
1,0000000
1,0000000

d. i
0
1
2

ai
0,62049958
0,28398668
0,006600950

bi
3,5850208
3,1403294
2,6666773

c.

ci
di
2,1498407 0,49077413
2,2970730 0,47458360
2,4394481 0,44980146

11. b   1, c   3, d  1
13. B  E, D  E, b   Q, d  E
15. a. A equao do spline
S(x)  Si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1], em que os coeficientes so fornecidos na seguinte tabela.

Cengage Learning, 2008

16MMAnlise Numrica Burden e Faires

xi
0
0,25
0,5
0,75

ai
1,0
0,7071068
0,0
0,7071068

bi
0,7573593
2,0
3,242641
2,0

ci
0,0
4,970563
0,0
4,970563

di
6,627417
6,627417
6,627417
6,627417

10 S(x) dx  0,000000


b. S (0,5)   3,24264 S (0,5)  0,0.
17. A equao do spline
s(x)  si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1], em que os coeficientes so fornecidos na seguinte tabela.
xi
0
0,25
0,5
0,75

ai
1,0
0,7071068
0,0
0,7071068

bi
0,0
2,216388
3,134447
2,216388

ci
5,193321
3,672233
0,0
3,672233

di
2,028118
4,896310
4,896310
2,028118

10 s (x) dx  0,000000, s (0,5)   3,13445 e s (0,5)  0,0


19. Seja f (x)  a  bx  cx2  dx3. Claramente, f satisfaz as propriedades (a), (c), (d) e (e) da Definio
3.10 e f interpola a si mesmo para qualquer escolha de x0, ..., xn. J que (ii) da propriedade (f) na Definio
3.10 vlida, f deve ser seu prprio spline cbico fixado. Porm, f (x)  2c  6dx pode ser zero somente
em x   c / 3d. Assim, a parte (i) da propriedade (f) na Definio 3.10 no pode ser vlida nos dois valores x0 e xn. Portanto, f no pode ser um spline cbico natural.
21. A aproximao linear por partes para f dada por
20(e0,1  1)x  1,
F(x) 
20(e0,2  e0,1)x  2e0,1 e0,2,
Temos

0,1

F(x) dx  0,1107936MMeMM

0,1

para x em [0, 0,05]


para x em [0,05, 1].

f(x) dx  0,1107014.

25. a. Em [0, 0,05], temos s(x)  1,000000  1,999999x  1,998302x2  1,401310x3 e em [0,05, 0,1], temos
s(x)  1,105170  2,210340 (x  0,05)  2,208498 (x  0,05)2  1,548758 (x  0,05)3
0,1
b. 0 s(x) dx  0,110701
c. 1,6 107
d. Em [0, 0,05], temos S(x)  1  2,04811x  22,12184x3 e em [0,05, 0,1], temos S(x)  1,105171 
2,214028 (x  0,05)  3,318277 (x  0,05)2  22,12184 (x  0,05)3; S(0,02)  1,041139 e S(0,02)
 1,040811.
27. S(x) 

{ 2x1 (xx , 1)
2

0x1
1x2

29. O spline tem a equao


s(x)  si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1], em que os coeficientes so fornecidos na seguinte tabela.
xi
0
3
5
8

ai
0
225
383
623

Cengage Learning, 2008

bi
75
76,9779
80,4071
77,9978

ci
0,659292
1,31858
0,396018
1,19912

di
0,219764
0,153761
0,177237
0,0799115

RESPOSTAS DE EXERCCIOS SELECIONADOSMM17


O spline prev uma posio de s (10)  774,84 ps e uma velocidade de s(10)  74,16 ps/s. Para maximizar a velocidade, encontramos o nico ponto crtico de s(x) e comparamos os valores de s(x) nesse
ponto e nos pontos extremos. Encontramos max s(x)  s(5,7448)  80,7 ps/s  55,02 mi/h. A velocidade de 55 mi/h foi excedida pela primeira vez em aproximadamente 5,5 s.
31. A equao do spline
S(x)  Si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1], em que os coeficientes so fornecidos na seguinte tabela.
Amostra 1
Amostra 2
xi
0
6
10
13
17
20

ai
6,67
17,33
42,67
37,33
30,10
29,31

bi
0,44687
6,2237
2,1104
3,1406
0,70021
0,05069

ci
di
0
0,06176
1,1118 0,27099
2,1401
0,28109
0,38974 0,01411
0,22036 0,02491
0,00386
0,00016

ai
6,67
16,11
18,89
15,00
10,56
9,44

bi
ci
di
1,6629
0
0,00249
1,3943 0,04477 0,03251
0,52442 0,43490
0,05916
1,5365
0,09756
0,00226
0,64732
0,12473 0,01113
0,19955
0,02453 0,00102

33. Os trs splines naturais tm equaes da forma


Si(x)  ai  bi(x  xi)  ci(x  xi)2  di(x  xi)3,
para x em [xi, xi1], em que os coeficientes so fornecidos nas seguintes tabelas.
Spline 1
i
xi
ai  f(xi)
bi
ci
di
0
1
3,0
0,786
0,0
0,086
1
2
3,7
0,529
0,257
0,034
2
5
3,9
0,086
0,052
0,334
3
6
4,2
1,019
1,053
0,572
4
7
5,7
1,408
0,664
0,156
5
8
6,6
0,547
0,197
0,024
6
10
7,1
0,049
0,052
0,003
7
13
6,7
0,342
0,078
0,007
8
17
4,5

i
0
1
2
3
4
5
6

xi
17
20
23
24
25
27
27,7

Spline 2
ai  f(xi)
bi
4,5
1,106
7,0
0,289
6,1
0,660
5,6
0,137
5,8
0,306
5,2
1,263
4,1

i
0
1
2
3

xi
27,7
28
29
30

Spline 3
ai  f(xi)
bi
4,1
0,749
4,3
0,503
4,1
0,787
3,0

ci
0,0
0,272
0,044
0,567
0,124
0,660

di
0,030
0,025
0,204
0,230
0,089
0,314

ci
0,0
0,819
0,470

di
0,910
0,116
0,157

Cengage Learning, 2008

18MMAnlise Numrica Burden e Faires

Exerccios 3.5 (Pgina 158)


1.

a. x(t)  10t3  14t2  t,My(t)  2t3  3t2  t


b. x(t)  10t3 14,5t2  0,5t,My(t)  3t3  4,5t2  0,5t
c. x(t)  10t3  14t2  t,My(t) 4t3  5t2  t
d. x(t)  10t3  13t2  2t,My(t)  2t.

3.

a. x(t)  11,5t3  15t2  1,5t  1,My(t) 4,25t3  4,5t2  0,75t  1


b. x(t)  6,25t3  10,5t2  0,75t  1,My(t) 3,5t3  3t2  1,5t  1
c. Para t entre (0, 0) e (4, 6), temos
x(t)   5t3  7,5t2  1,5t,MMy(t) 13,5t3  18t2  1,5t,
e para t entre (4, 6) e (6, 1), temos
x(t)   5,5t3  6t2  1,5t  4,MMy(t)  4t3  6t2  3t  6,
d. Para t entre (0, 0) e (2, 1), temos
x(t)   5,5t3  6t2  1,5t,MMy(t) 0,5t3  1,5t,
para t entre (2, 1) e (4, 0), temos
x(t)   4t3  3t2  3t  2,MMy(t) t3  1,
e para t entre (4, 0) e (6,  1), temos
x(t)   8,5t3  13,5t2  3t  4,MMy(t)  3,25t3  5,25t2  3t.

5.

a. Utilizar a diferena dividida progressiva, resulta na seguinte tabela.


0
u0
0
u0
3(u1  u0)
1
u3
u3  u0
u3  3u1  2u0
1
u3
3(u3  u2)
2u3  3u2  u0
u3  3u2  3u1  u0
Portanto,
u(t)  u0  3(u1  u0)t  (u3  3u1  2u0)t2  (u3  3u2  3u1  u0)t2 (t  1)
 u0  3(u1  u0)t  (6u1  3u0  3u2)t2  (u3  3u2  3u1  u0)t3.
Analogamente, (t)  0  3(1  0)t  (32  61  30)t2  (3  32  31  0)t3.
b. Utilizar a frmula para os polinmios de Bernstein resulta em
u(t)  u0(1  t)3  3u1t (1  t)2  3u2t2 (1  t)  u3t3
 u0  3(u1  u0)t  (3u2  6u1  3u0)t2  (u3  3u2  3u1  u0)t3.
Analogamente,
3
3
(t)  ! @ktk(1  t)3k  0  3(1  0)t  (32  61  30)t2  (3  32  31  0)t3.
k0 k

Exerccios 4.1 (Pgina 169)


1.

A partir da frmula de diferenas progressivas-regressivas (4.1), temos as seguintes aproximaes:


a. f (0,5)  0,8520, f (0,6)  0,8520, f (0,7)  0,7960
b. f (0,0)  3,7070, f (0,2)  3,1520, f (0,4)  3,1520

3.

a. x
0,5
0,6
0,7

Erro real
0,0255
0,0267
0,0312

Cengage Learning, 2008

Limitante do erro
0,0282
0,0282
0,0322

b. x
0,0
0,2
0,4

Erro real
0,2930
0,2694
0,2602

Limitante do erro
0,3000
0,2779
0,2779

RESPOSTAS DE EXERCCIOS SELECIONADOSMM19


5.

Para os pontos extremos das tabelas, usamos a Frmula (4.4). As outras aproximaes vm da Frmula
(4.5).
a. f (1,1)  17,769705, f (1,2)  22,193635, f (1,3)  27,107350, f (1,4)  32,150850
b. f (8,1)  3,092050, f (8,3)  3,116150, f (8,5)  3,139975, f (8,7)  3,163525
c. f (2,9)  5,101375, f (3,0)  6,654785, f (3,1)  8,216330, f (3,2)  9,786010
d. f (2,0)  0,13533150, f (2,1)  0,09989550, f (2,2)  0,3298960, f (2,3)  0,5546700.

7.

a. x
1,1
1,2
1,3
1,4

Erro real
0,280322
0,147282
0,179874
0,378444

Limitante do erro
0,359033
0,179517
0,219262
0,438524

b. x
8,1
8,3
8,5
8,7

Erro real
Limitante do erro
0,00018594
0,000020322
0,00010551
0,000010161
9,116 105
0,000009677
0,00020197
0,000019355

c. x
2,9
3,0
3,1
3,2

Erro real
0,011956
0,0049251
0,0004765
0,0013745

Limitante do erro
0,0180988
0,00904938
0,00493920
0,00987840

d. x
2,0
2,1
2,2
2,3

Erro real
Limitante do erro
0,00252235
0,00410304
0,00142882
0,00205152
0,00204851
0,00260034
0,00437954
0,00520068

9.

As aproximaes e as frmulas utilizadas so:


a. f (2,1)  3,899344 de (4,7)Mf (2,2)  2,876876 de (4,7)Mf (2,3)  2,249704 de (4,6)
f (2,4)  1,837756 de (4,6)Mf (2,5)  1,544210 de (4,7)Mf (2,6)  1,355496 de (4,7)
b. f (3,0)  5,877358 de (4,7)Mf (2,8)  5,468933 de (4,7)Mf (2,6)  5,059884 de (4,6)
Mf (2,4)  4,650223 de (4,6)Mf (2,2)  4,239911 de (4,7)Mf (2,0)  3,828853 de (4,7)

11. a. x
2,1
2,2
2,3
2,4
2,5
2,6
13. f(3) 

Erro real
0,0242312
0,0105138
0,0029352
0,0013262
0,0138323
0,0064225
1

12

Limitante do erro
0,109271
0,0386885
0,0182120
0,00644808
0,109271
0,0386885

b. x
3,0
2,8
2,6
2,4
2,2
2,0

Erro real
Limitante do erro
5
1,55 10
6,33 107
5
1,32 10
6,76 107
7
7,95 10
1,05 107
6,79 107
1,13 107
5
1,28 10
6,76 107
6
7,96 10
6,76 107

[ f(1)  8 f(2)  8 f(4)  f(5)]  0,21062, com limitante do erro dado por
 f (5)(x)h4

23
max   0,76 .
30
30
1x5

15. A partir da frmula de diferenas progressivas-regressivas (4.1), temos as seguintes aproximaes:


a. f (0,5)  0,852,Mf (0,6)  0,852,Mf (0,7)  0,7960
b. f (0,0)  3,707,Mf (0,2) 3,153,Mf (0,4)  3,153
17. Para os pontos extremos das tabelas, utilizamos a Frmula (4.7). As outras aproximaes vm da Frmula
(4.6).
a. f (2,1)  3,884Mf (2,2)  2,896Mf (2,3)  2,249Mf (2,4)  1,836Mf (2,5)  1,550M
f (2,6)  1,348
b. f (3,0)  5,883Mf (2,8)  5,467Mf (2,6)  5,059Mf (2,4)  4,650M
f (2,2)  4,208Mf (2,0)  3,875
19. A aproximao  4,8 109. f  (0,5)  0. O limitante do erro 0,35874. O mtodo muito preciso,
j que a funo simtrica em relao a x  0,5.
21. a. f (0,2)  0,1951027

b. f (1,0)  1,541415

c. f (0,6)  0,6824175

23. f (0,4)  0,4249840 e f (0,8)  1,032772.

Cengage Learning, 2008

20MMAnlise Numrica Burden e Faires

25. A frmula dos trs pontos fornece os resultados na tabela a seguir.


Tempo
Velocidade

0
79

3
82,4

5
74,2

8
76,8

10
69,4

13
71,2

27. A aproximao eventualmente se torna zero j que o numerador se torna zero.


29. J que e(h)  /h2  hM/3, temos e(h)  0 se e somente se h  3/M. Tambm e(h)  0 se h 
3/M e e(h)  0 se h  3/M, ento um mnimo absoluto para e(h) ocorre em h  3/M.

Exerccios 4.2 (Pgina 178)


1.

a. f (1)  1,0000109

b. f (0)  2,0000000

c. f (1,05)  2,2751459

d. f (2,3)  19,646799

3.

a. f (1)  1,001

b. f (0)  1,999

c. f (1,05)  2,283

d. f (2,3)  19,61

5.

0 sen x dx  1,999999

9.

Seja

Ento N3 (h) uma aproximao O (h3) para M.


11. Seja N(h)  (1  h)1/h, N2(h)  2N(h/2)  N(h), N3(h)  N2(h/2)  W(N2(h/2)  N2(h)).
a. N(0,04)  2,665836331, N(0,02)  2,691588029, N(0,01)  2,704813829
b. N2(0,04)  2,717339727, N2(0,02)  2,718039629. A aproximao O (h3) N3 (0,04)  2,718272931.
c. Sim, j que os erros parecem proporcionais a h para N (h), a h2 para N2 (h) e a h3 para N3 (h).
15. c. k

16

32

64

128

256

512

pk 22

3,0614675 3,1214452

3,1365485 3,1403312

3,1412723

3,1415138 3,1415729

Pk

3,3137085 3,1825979

3,1517249 3,1441842

3,1422236

3,1417504 3,1416321

e. Valores de pk e Pk so dados nas seguintes tabelas, juntamente com os resultados da extrapolao:


Para pk
2,8284271
3,0614675
3,1391476
3,1214452
3,1414377
3,1415904
3,1365485
3,1415829
3,1415926
3,1415927
3,1403312
3,1415921
3,1415927
3,1415927
3,1415927
Para Pk
4
3,3137085
3,0849447
3,1825979
3,1388943
3,1424910
3,1517249
3,1414339
3,1416032
3,1415891
3,1441184
3,1415829
3,1415928
3,1415926
3,1415927

Exerccios 4.3 (Pgina 188)


1.

A regra do Trapzio fornece as aproximaes a seguir.


a. 0,265625
b.  0,2678571
c.  0,17776434
e.  0,8666667
f.  0,1777643
g. 0,2180895

Cengage Learning, 2008

d. 0,1839397
h. 4,1432597.

RESPOSTAS DE EXERCCIOS SELECIONADOSMM21

3.

5.

Erro real
Limitante do erro
a
0,071875
0,125
4
9,718 104
b
7,943 10
c
0,0358147
0,0396972
d
0,0233369
0,1666667
e
0,1326975
0,5617284
4
f
9,443 10
1,0707 103
g
0,0663431
0,0807455
h
1,554631
2,298827
A regra de Simpson fornece as aproximaes a seguir.
a. 0,1940104
b.  0,2670635
c. 0,1922453
e.  0,7391053
f.  0,1768216
g. 0,1513826

7.
a
b
c
d
e
f
g
h
9.

Erro real
2,604 104
7,14 107
1,406 105
1,7989 103
5,1361 103
1,549 106
3,6381 104
4,9322 103

Limitante do erro
2,6042 104
9,92 107
2,170 105
4,1667 104
0,063280
2,095 106
4,1507 104
0,1302826

A regra do Ponto Mdio fornece as aproximaes a seguir:


a. 0,1582031
b.  0,2666667
c. 0,1743309
e.  0,6753247
f.  0,1768200
g. 0,1180292

11.
a
b
c
d
e
f
g
h
13. f (1) 

d. 0,16240168
h. 2,5836964.

Erro real
0,0355469
3,961 104
0,0179285
8,9701 103
0,0564448
4,698 104
0,0337172
0,7847138

d. 0,1516327
h. 1,8039148.

Limitante do erro
0,0625
4,859 104
0,0198486
0,0833333
0,2808642
5,353 104
0,0403728
1,1494136

1

2

15. A ordem de preciso 3.


17. c0  31 , c1  43 , c2 

1

3

19. c0  41 , c1  34 , x1 

2

3

fornece a maior ordem de preciso, 2.

21. As aproximaes a seguir so obtidas da Frmula (4.23) at a Frmula (4.30), respectivamente.


a. 0,1024404, 0,1024598, 0,1024598, 0,1024598, 0,1024695, 0,1024663, 0,1024598 e 0,1024598
b. 0,7853982, 0,7853982, 0,7853982, 0,7853982, 0,7853982, 0,7853982, 0,7853982 e 0,7853982
c. 1,497171, 1,477536, 1,477529, 1,477523, 1,467719, 1,470981, 1,477512 e 1,477515
d. 4,950000, 2,740909, 2,563393, 2,385700, 1,636364, 1,767857, 2,074893 e 2,116379
e. 3,293182, 2,407901, 2,359772, 2,314751, 1,965260, 2,048634, 2,233251 e 2,249001
f. 0,5000000, 0,6958004, 0,7126032, 0,7306341, 0,7937005, 0,7834709, 0,7611137 e 0,7593572

Cengage Learning, 2008

22MMAnlise Numrica Burden e Faires


23. Os erros no Exerccio 22 so 1,6 106, 5,3 10-8, 6,7 107, 7,2 107 e 1,3 106, respectivamente.
25. Se E (xk)  0, para todo k  0, 1, ..., n e E(xn1)  0, ento com pn1(x)  xn1, temos um polinmio de
grau n  1 para o qual E(pn1 (x))  0. Seja p (x)  anxn  ...  a1x  a0 qualquer polinmio de grau
menor ou igual a n. Ento E(p (x))  an E(xn)  ...  a1E(x)  a0 E(1)  0. Reciprocamente, se E(p(x))
 0 para todos os polinmios de grau menor que ou igual a n, segue que E(xk)  0 para todo k  0, 1,
..., n. Seja pn1(x)  an1 xn1  ...  a0 um polinmio de grau n  1 para o qual E(pn1 (x))  0. J que
an1  0, temos

Ento

Dessa forma, a frmula da quadratura tem ordem de preciso n.

Exerccios 4.4 (Pgina 196)


1.

3.

5.

As aproximaes da regra do Trapzio Composta so:


a. 0,639900
b. 31,3653
c. 0,784241
e. 13,5760
f. 0,476977
g. 0,605498

d. 6,42872
h. 0,970926.

As aproximaes da regra de Simpson Composta so:


a. 0,6363098
b. 22,47713
c. 0,7853980
e. 14,18334
f. 0,4777547
g. 0,6043941

d. 6,274868
h. 0,9610554.

As aproximaes da regra do Ponto Mdio Composta so:


a. 0,633096
b. 11,1568
c. 0,786700
e. 14,9985
f. 0,478751
g. 0,602961

d. 6,11274
h. 0,947868.

7.

a. 3,15947567

9.

 1,5

b. 3,10933713

c. 3,00906003.

11. a. A regra do Trapzio Composta requer h  0,000922295 e n


2.168.
b. A regra de Simpson Composta requer h  0,037658 e n
54.
c. A regra do Ponto Mdio Composta requer h  0,00065216 e n
3.066.
13. a. A regra do Trapzio Composta requer h  0,04382 e n
46. A aproximao 0,405471.
b. A regra de Simpson Composta requer h  0,44267 e n
6. A aproximao 0,405466.
c. A regra do Ponto Mdio Composta requer h  0,03098 e n
64. A aproximao 0,405460.
15. a. Como os limites direita e esquerda em 0,1 e 0,2 de f, f e f  so os mesmos, as funes so contnuas em [0, 0,3]. Porm,

f (x) 

6,
12,
12,

0  x  0,1
0,1  x  0,2
0,2  x  0,3

descontnua em x  0,1.
b. Temos 0,302506 com um limitante do erro de 1,9 104.
c. Temos 0,302425 e o valor da integral real o mesmo.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM23


17. a. Para a regra do Trapzio Composta, temos
h2 n
h3 n
h2 n
E( f )   f (j)   f (j)h   f (j) xj,
12 j1
12 j1
12 j1
n

em que xj  xj1  xj  h para cada j. J que j1 f (j) xj uma soma de Riemann para
ab f (x) dx  f(b)  f(a), temos
h2
E( f )   [f(b)  f(a)].
12
b. Para a regra do Ponto Mdio Composta, temos
n/2
h3
h2 n/2
E( f )  f (j)  f (j)(2h).
3 j1
6 j1
Mas j1 f (j)(2h) uma soma de Riemann para b f (x) dx  f(b)  f(a), ento
h2
E( f )  [f(b)  f(a)].
6
n/2

19. a. A estimativa usando da regra do Trapzio Composta  12 h2 ln 2  6,296 106.


1
h2  3,75 106.
b. A estimativa usando da regra de Simpson Composta  240

c. A estimativa usando da regra do Ponto Mdio Composta

1

6

h2 ln 2  6,932 106.

21. O comprimento aproximadamente 15,8655.


23. A regra de Simpson Composta com h  0,25 fornece 2,61972 s.
25. O comprimento aproximadamente 58,47082, utilizando n  100 na regra de Simpson Composta.

Exerccios 4.5 (Pgina 203)


1.

3.

5.

A integrao de Romberg fornece R3,3, como a seguir:


a. 0,1922593
b. 0,1606105
c. 0,1768200
e. 2,5879685
f. 0,7341567
g. 0,6362135

d. 0,08875677
h. 0,6426970.

A integrao de Romberg fornece R4,4, como a seguir:


a. 0,1922594
b. 0,1606028
c. 0,1768200
e. 2,5886272
f. 0,7339728
g. 0,6362134

d. 0,08875528
h. 0,6426991.

A integrao de Romberg fornece:


a. 0,19225936 com n  4
c. 0,17682002 com n  4
e. 2,5886286 com n  6
g. 0,63621335 com n  4

7.

R33  11,5246

9.

f (2,5)  0,43459

b. 0,16060279 com n  5
d. 0,088755284 com n  5
f. 0,73396918 com n  6
h. 0,64269908 com n  5.

11. R31  5
13. Temos
k2

2
1
4Rk,1  Rk1,1
 Rk1,1  2hk1 f(a (i  1/2))hk1 ,MMde (4.32),
Rk,2 
3
3
i1

2 1
1 hk1
( f(a)  f(b))  hk1 f(a  ihk1)

3
2
i1
k2

2k2

 2hk1 f(a (i  1/2)hk1) ,MMde (4.34) com k  1 em vez de k,


i1

Cengage Learning, 2008

24MMAnlise Numrica Burden e Faires

2 1
2
1
 hk( f(a)  f(b))  2hk f(a  2ihk)  4hk f(a (2i  1)h)
3
i1
i1
k2

k2

[
h
 [ f(a)  f(b)  2 f(a  2ih)  4
3
M1

i1

i1

f(a (2i  1)h) ,MMem que h  hk e M  2k2.

15. A Equao (4.32) segue de


2k11
h
Rk,1  k f(a)  f(b)  2 f(a  ihk)
2
i1

[
]
i
h
 [ f(a)  f(b)  2 f !a  h @]
2
2
h
 [ f(a)  f(b)  2 f(a  ih )  2 f(a (i  1/2)h )]
2
1 h
 { [ f(a)  f(b)  2 f(a  ih )]  h
f(a (i  1/2)h )}
2
2
1
 [R
h
f(a (i  1/2)h )].
2
2k11

k1

i1

2k11

2k2

k1

i1

k1

i1

2k21

k1

2k2

k1

i1

k1

k1

i1

2k2

k1,1

k1

k1

i1

Exerccios 4.6 (Pgina 210)


1.

A regra de Simpson fornece


a. S(1, 1,5)  0,19224530, S(1, 1,25)  0,039372434, S(1,25, 1,5)  0,15288602 e o valor real
0,19225935.
b. S(0, 1)  0,16240168, S(0, 0,5)  0,028861071, S(0,5, 1)  0,13186140 e o valor real 0,16060279.
c. S(0, 0,35)  0,17682156, S(0, 0,175)  0,087724382, S(0,175, 0,35)  0,089095736 e o valor
real 0,17682002.
d. S(0, 4 )  0,087995669, S(0, 8 )  0,0058315797, S( 8 , 4 )  0,082877624, e o valor real 0,088755285.
e. S(0, 4 )  2,5836964, S(0, 8 )  0,33088926, S( 8 , 4 )  2,2568121, e o valor real 2,5886286.
f. S(1, 1,6)  0,73910533, S(1, 1,3)  0,26141244, S(1,3 1,6)  0,47305351, e o valor real
0,73396917.
g. S(3, 3,5)  0,63623873, S(3, 3,25)  0,32567095, S(3,25, 3,5)  0,31054412, e o valor real
0,63621334.
h. S(0, 4 )  0,64326905, S(0, 8 )  0,37315002, S( 8 , 4 )  0,26958270, e o valor real 0,64269908.

3.

A quadratura Adaptativa fornece:


a. 108,555281
b. 1724,966983

5.
a
b
c
d
7.
9.

Regra de
Simpson
0,21515695
0,95135226
6,2831813
5,8696024

Nmero
de clculos
57
83
41
27

c. 15,306308

Erro
6,3 106
9,6 106
4,0 106
2,6 106

d. 18,945949.

Quadratura
adaptativa
0,21515062
0,95134257
6,2831852
5,8696044

Nmero
de clculos
229
217
109
109

2
u(t) dt  0,00001
0

Temos, para h  b  a,
a b

Cengage Learning, 2008

a b

, b@   f ()
@ T !
T(a, b)  T !a,
 16
2
2
h3

Erro
1,0 108
1,1 107
1,1 107
4,0 109

RESPOSTAS DE EXERCCIOS SELECIONADOSMM25



b
a

Ento



b
a

a b
a b
h3
f(x) dx  T !a, @ T ! , b@   f ().
2
2
48

1
a b
a b
a b
a b
f(x) dx  T !a, @ T ! , b@  T(a, b)  T !a, @ T ! , b@ .
3
2
2
2
2

Exerccios 4.7 (Pgina 217)


1.

3.

5.

A quadratura de Gauss fornece:


a. 0,1922687
b. 0,1594104
e. 2,5913247
f. 0,7307230

c. 0,1768190
g. 0,6361966

d. 0,08926302
h. 0,6423172.

A quadratura de Gauss fornece:


a. 0,1922594
b. 0,1606028
e. 2,5886327
f. 0,7339604

c. 0,1768200
g. 0,6362133

d. 0,08875529
h. 0,6426991.

a  1,

c  W,

d  1/3.

c. 16,50864

d. 1,476684.

b  1,

Exerccios 4.8 (Pgina 228)


1.

O Algoritmo 4.4 com n  m  4 fornece:


a. 0,3115733
b. 0,2552526

3.

O Algoritmo 4.4 com n  4 e m  8, n  8 e m  4 e n  m  6 fornece:


a. 0,5119875, 0,5118533, 0,5118722
b. 1,718857, 1,718220, 1,718385
c. 1,001953, 1,000122, 1,000386
d. 0,7838542, 0,7833659, 0,7834362
e. 1,985611, 1,999182, 1,997353
f. 2,004596, 2,000879, 2,000980
g. 0,3084277, 0,3084562, 0,3084323
h. 22,61612, 19,85408, 20,14117.

5.

O Algoritmo 4.5 com n  m  2 fornece:


a. 0,3115733
b. 0,2552446

c. 16,50863

d. 1,488875.

7.

O Algoritmo 4.5 com n  m  3, n  3 e m  4, n  4 e m  3 e n  m  4 fornece:


a. 0,5118655, 0,5118445, 0,5118655, 0,5118445, 2,1 105, 1,3 107, 2,1 105, 1,3 107
b. 1,718163, 1,718302, 1,718139, 1,718277, 1,2 104, 2,0 105, 1,4 104, 4,8 106
c. 1,000000, 1,000000, 1,0000000, 1,000000, 0, 0, 0, 0
d. 0,7833333, 0,7833333, 0,7833333, 0,7833333, 0, 0, 0, 0
e. 1,991878, 2,000124, 1,991878, 2,000124, 8,1 103, 1,2 104, 8,1 103, 1,2 104
f. 2,001494, 2,000080, 2,001388, 1,999984, 1,5 103, 8 105, 1,4 103, 1,6 105
g. 0,3084151, 0,3084145, 0,3084246, 0,3084245, 105, 5,5 107, 1,1 105, 6,4 107
h. 12,74790, 21,21539, 11,83624, 20,30373, 7,0, 1,5, 7,9, 0,564.

9.

O Algoritmo 4.4 com n  m  14 fornece 0,1479103 e o Algoritmo 4.5 com n  m  4 fornece


0,1506823.

11. A aproximao do centro da massa ( x , y ), em que x  0,3806333 e y  0,3822558.


13. A rea aproximadamente 1,0402528.
15. O Algoritmo 4.6 com n  m  p  2 fornece o primeiro valor listado. O segundo o resultado exato.
1
b. 0,08429784,
a. 5,204036, e (e0,5  1) (e  1)2
12
1
c. 0,8641975,
14

1
d. 0,09722222,
12

e. 7,103932, 2  12 2

f. 1,428074,

1

2

(e2  1)  e.

Cengage Learning, 2008

26MMAnlise Numrica Burden e Faires


17. O Algoritmo 4.6 com n  m  p  4 fornece o primeiro valor listado. O segundo do Algoritmo 4.6
com n  m  p  5.
a. 5,206447, 5206447
b. 0,08333333, 0,08333333
c. 0,07142857, 0,07142857
d. 0,08333333, 0,08333333
e. 6,934912, 6,934801
f. 1,476207, 1,476246.
19. A aproximao 20,41887 requer 125 clculos de funo.

Exerccios 4.9 (Pgina 234)


1.

3.

5.
7.

9.

A regra Composta de Simpson fornece:


a. 0,5284163
b. 4,266654

c. 0,4329748

d. 0,8802210.

A regra Composta de Simpson fornece:


a. 0,4112649
b. 0,2440679

c. 0,05501681

d. 0,2903746.

A velocidade de escape de aproximadamente 6,9450 mi/s.

a. 0 ex f(x) dx  0,8535534 f (0,5857864)  0,1464466 f (3,4142136)

b. 0 ex f(x) dx  0,7110930 f (0,4157746)  0,2785177 f (2,2942804)  0,0103893 f (6,2899451).


n  2: 2,9865139

n  3: 2,9958198

Exerccios 5.1 (Pgina 245)


1.

a. J que f (t, y)  y cos t, temos

f

y (t,

y)  cos t e f satisfaz uma condio de Lipschitz em y com L  1 em

D  {(t, y)0  t  1,   y  }.
b.

Alm disso, f contnua em D, e ento existe uma nica soluo, que y (t)  esen t.
f
 2/t e f satisfaz uma condio de Lipschitz em y com L  2 em
J que f (t, y)  (2/t) y  t2et, temos y
D  {(t, y)1  t  2,   y  }.

c.

Alm disso, f contnua em D, e ento existe uma nica soluo, que y (t)  t2 (et  e).
f
 2/t e f satisfaz uma condio de Lipschitz em y com
J que f (t, y)   (2 / t) y  t2et, temos y
L  2 em
D  {(t, y)1  t  2,   y  }.
Alm disso, f contnua em D, e ento existe uma soluo nica, que
y(t)  (t 4et  4t3et  12t2et  24tet  24et  (2  9)e)/t2

d.

J que f (t, y)  4t3y/(1  t4), temos


L  2 em

f

y

 4t3/(1  t 4) e f satisfaz uma condio de Lipschitz em y com

D  {(t, y)0  t  1,   y  }.
Alm disso, f contnua em D, e ento existe uma nica soluo, que y (t)  1  t 4.
3.

a. Constante de Lipschitz L  1; um problema bem-posto.


b. Constante de Lipschitz L  1; um problema bem-posto.
c. Constante de Lipschitz L  1; um problema bem-posto.
d. A funo f no satisfaz uma condio de Lipschitz, ento o Teorema 5.6 no pode ser utilizado.

5.

a. Derivando y3t  yt  2, obtm-se 3y2yt  y3  yt  y  0. Isolando y, obtm-se a equao diferencial original e tomando t  1 e y  1, a condio inicial verificada. Para aproximar y (2), use o
mtodo de Newton para resolver a equao y3  y  1  0. Isto resulta em y(2)  0,6823278.
b. Derivando y sen t  t2ey  2y  1  0, obtm-se y sen t  y cos t  2tey  t2eyy  2y  0. Isolando
y, obtm-se a equao diferencial original e tomando t  1 e y  0, a condio inicial verificada.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM27


Para aproximar y (2), utilize o mtodo de Newton para resolver a equao (2  sen 2) y  4ey  1 
0. Isto resulta em y (2)  0,4946599.
7.

Seja (t1, y1) e (t2, y2) em D, com a  t1  b, a  t2  b,   y1 e   y2  . Para 0   1,


temos (1  )a  (1  )t1  (1  )b e a  t2  b. Conseqentemente, a  (1  )a  a 
(1  )t1  t2  (1  )b  b  b. Alm disso,   (1  )y1  y2  , de modo que D convexo.

9.

a. J que y  f (t, y (t)), temos

Ento
y(t)  y(a) 

 y(z) dz  

f(z, y(z)) dz.

f(z, y(z)) dzMMeMMy(t)  

f(z, y(z)) dz.

O mtodo iterativo segue dessa equao.


b. Temos y0(t)  1, y1(t)  1  12 t2, y2(t)  1  12 t2  61 t3 e y3(t)  1  12 t2  16 t3 
c. Temos y(t)  1  t  t 
1
2
2

1
3
6

t 

1
4
24

1
4
24

t.

t  .

1
5
120

Exerccios 5.2 (Pgina 252)


1.

O mtodo de Euler fornece as aproximaes na tabela a seguir.


a. i
ti
i
y(ti )
b.
i
ti
1
0,500
0,0000000
0,2836165
1
2,500
2
1,000
1,1204223
3,2190993
2
3,000
c. i
1
2
3
4

3.

a. t
0,5
1,0

ti
1,250
1,500
1,750
2,000

i
2,7500000
3,5500000
4,3916667
5,2690476

Erro real
0,2836165
2,0986771

y(ti )
2,7789294
3,6081977
4,4793276
5,3862944

Limitante do erro
11,3938
42,3654

d.

i
1
2
3
4

b.

t
2,5
3,0

ti
0,250
0,500
0,750
1,000

i
2,0000000
2,6250000

y(ti )
1,8333333
2,5000000

i
1,2500000
1,6398053
2,0242547
2,2364573

y(ti )
1,3291498
1,7304898
2,0414720
2,1179795

Erro real
0,166667
0,125000

Limitante do erro
0,429570
1,59726

c. t
Erro real
Limitante do erro
d.
t
Erro real
1,25
0,0289294
0,0355032
0,25
0,0791498
1,50
0,0581977
0,0810902
0,50
0,0906844
1,75
0,0876610
0,139625
0,75
0,0172174
2,00
0,117247
0,214785
1,00
0,118478
Para a Parte (d), a frmula (5.10) para o limitante do erro no pode ser aplicada, j que L  0.
5.

O mtodo de Euler fornece a aproximao na tabela a seguir.


a. i
ti
i
y(ti )
b.
i
2
1,200
1,0082645
1,0149523
2
4
1,400
1,0385147
1,0475339
4
6
1,600
1,0784611
1,0884327
6
8
1,800
1,1232621
1,1336536
8
10
2,000
1,1706516
1,1812322
10

ti
1,400
1,800
2,200
2,600
3,000

i
0,4388889
1,0520380
1,8842608
3,0028372
4,5142774

y(ti )
0,4896817
1,1994386
2,2135018
3,6784753
5,8741000

Cengage Learning, 2008

28MMAnlise Numrica Burden e Faires

c. i
2
4
6
8
10
7.

i
1,6080000
1,3017370
1,1274909
1,0491191
1,0181518

y(ti )
1,6200510
1,3359632
1,1663454
1,0783314
1,0359724

d.

i
2
4
6
8
10

ti
0,2
0,4
0,6
0,8
1,0

i
0,1083333
0,1620833
0,3455208
0,6213802
0,9803451

y(ti )
0,1626265
0,2051118
0,3765957
0,6461052
1,0022460

Os erros reais para as aproximaes no Exerccio 5 esto nas tabelas a seguir.


a.

9.

ti
0,400
0,800
1,200
1,600
2,000

t
1.2
1.5
1.7
2.0

Erro real
0.0066879
0.0095942
0.0102229
0.0105806

b. t
1.4
2.0
2.4
3.0

Erro real
0.0507928
0.2240306
0.4742818
1.3598226

c.

t
0.4
1.0
1.4
2.0

Erro real
0.0120510
0.0391546
0.0349030
0.0178206

d.

t
0.2
0.5
0.7
1.0

Erro real
0.0542931
0.0363200
0.0273054
0.0219009

O mtodo de Euler fornece a aproximao na tabela a seguir.


a. i
ti
i
y(ti )
1
1,1
0,271828
0,345920
5
1,5
3,18744
3,96767
6
1,6
4,62080
5,70296
9
1,9
11,7480
14,3231
10
2,0
15,3982
18,6831
b. A interpolao linear fornece as aproximaes na tabela a seguir.
t
Aproximao
y(t)
Erro
1,04
0,108731
0,119986
0,01126
1,55
3,90412
4,78864
0,8845
1,97
14,3031
17,2793
2,976
c. h  0,00064.

11. a. O mtodo de Euler produz as aproximaes a seguir para y (5)  5,00674.


h  0,2
h  0,1
h  0,05
N
5,00377
5,00515
5,00592
b. h  2 106  0,0014142.
13. a.

i
1
2
11
12
19
20

ti
1,05
1,10
1,55
1,60
1,95
2,00

i
0,9500000
0,9045353
0,6263495
0,6049486
0,4850416
0,4712186

y(ti)
0,9523810
0,9090909
0,6451613
0,6250000
0,5128205
0,5000000

b. (i) y(1,052)  0,9481814


(ii) y (1,555)  0,6242094
c. h  0,029.
15. a. h  10n/2
b. O erro mnimo 10n/2 (e  1 )  5e10n1.
t
(h  0,1)
(h  0,01)
y(t)
Erro (n  8)
0,5
0,40951
0,39499
0,39347
1,5 104
1,0
0,65132
0,63397
0,63212
3,1 104

Cengage Learning, 2008

(iii) y (1,978)  0,4773007

RESPOSTAS DE EXERCCIOS SELECIONADOSMM29


17. b. 50  0,10430  p(50)
c. J que p(t)  1  0,99e0,002t, p(50)  0,10421.

Exerccios 5.3 (Pgina 259)


1.

ti
0,50
1,00
c.
ti
1,25
1,50
1,75
2,00

i
0,12500000
2,02323897
i
2,78125000
3,61250000
4,48541667
5,39404762

y(ti)
0,28361652
3,21909932
y(ti)
2,77892944
3,60819766
4,47932763
5,38629436

b.

ti
2,50
3,00
d. ti
0,25
0,50
0,75
1,00

i
1,75000000
2,42578125
i
1,34375000
1,77218707
2,11067606
2,20164395

y(ti)
1,83333333
2,50000000
y(ti)
1,32914981
1,73048976
2,04147203
2,11797955

3.

a.

ti
0,50
1,00

i
0,25781250
3,05529474

y(ti)
0,28361652
3,21909932

b.

ti
2,50
3,00

i
1,81250000
2,48591644

y(ti)
1,83333333
2,50000000

c.

ti
1,25
1,50
1,75
2,00

i
2,77897135
3,60826562
4,47941561
5,38639966

y(ti)
2,77892944
3,60819766
4,47932763
5,38629436

d.

ti
0,25
0,50
0,75
1,00

i
1,32893880
1,72966730
2,03993417
2,11598847

y(ti)
1,32914981
1,73048976
2,04147203
2,11797955

5.

a.

a.
i
1
2

ti
1,1
1,2

Ordem 2
i
1,214999
1,465250

y(ti )
1,215886
1,467570

i
1
2
3
4

ti
1,5
2,0
2,5
3,0

Ordem 2
i
2,000000
1,777776
1,585732
1,458882

y(ti )
1,500000
1,333333
1,250000
1,200000

i
1
2

ti
1,1
1,2

Ordem 4
i
1,215883
1,467561

y(ti )
1,215886
1,467570

ti
1,5
2,0
2,5
3,0

Ordem 4
i
2,000000
1,679012
1,484493
1,374440

c.

7.

a.

c.
i
1
2
3
4
9.

b.
i
1
2

ti
0,5
1,0

Ordem 2
i
y(ti )
0,5000000 0,5158868
1,076858
1,091818

i
1
2
3
4

ti
0,25
0,50
0,75
1,0

Ordem 2
i
1,093750
1,312319
1,538468
1,720480

i
1
2

ti
0,5
1,0

Ordem 4
i
y(ti )
0,5156250 0,5158868
1,091267
1,091818

ti
0,25
0,50
0,75
1,0

Ordem 4
i
1,086426
1,288245
1,512576
1,701494

d.

b.

d.
y(ti )
1,500000
1,333333
1,250000
1,200000

i
1
2
3
4

y(ti )
1,087088
1,289805
1,513490
1,701870

y(ti )
1,087088
1,289805
1,513490
1,701870

a. O mtodo de Taylor de ordem dois fornece os dados da tabela a seguir.

Cengage Learning, 2008

30MMAnlise Numrica Burden e Faires

i
ti
i
y(ti )
1
1,1 0,3397852
0,3459199
5
1,5
3,910985
3,967666
6
1,6
5,643081
5,720962
9
1,9
14,15268
14,32308
10 2,0
18,46999
18,68310
b. A interpolao linear fornece y(1,04)  0,1359139, y(1,55)  4,777033 e y(1,97)  17,17480. Os
valores reais so y(1,04)  0,1199875, y(1,55)  4,788635 e y(1,97)  17,27930.
c. O mtodo de Taylor de ordem quatro fornece os resultados da tabela a seguir.
i
ti
i
1
1,1 0,3459127
5
1,5
3,967603
6
1,6
5,720875
9
1,9
14,32290
10 2,0
18,68287
d. A interpolao cbica de Hermite fornece y(1,04)  0,1199704, y(1,55)  4,788527 e y(1,97) 
17,27904.
11. a. i
ti
Ordem 2
Ordem 4
2
0,2
5,86595
5,86433
5
0,5
2,82145
2,81789
7
0,7
0,84926
0,84455
10 1,0 2,08606 2,09015
b. 0,8 s.

Exerccios 5.4 (Pgina 268)


1.

3.

a.

t
0,5
1,0

Euler modificado
0,5602111
5,3014898

y(t)
0,2836165
3,2190993

b.

t
2,5
3,0

Euler modificado
1,8125000
2,4815531

y(t)
1,8333333
2,5000000

c.

t
1,25
1,50
1,75
2,00

Euler modificado
2,7750000
3,6008333
4,4688294
5,3728586

y(t)
2,7789294
3,6081977
4,4793276
5,3862944

d.

t
0,25
0,50
0,75
1,00

Euler modificado
1,3199027
1,7070300
2,0053560
2,0770789

y(t)
1,3291498
1,7304898
2,0414720
2,1179795

ti
1,2
1,5
1,7
2,0

Euler modificado
i
1,0147137
1,0669093
1,1102751
1,1808345

ti
1,4
2,0
2,4
3,0

Euler modificado
i
0,4850495
1,6384229
2,8250651
5,7075699

y(ti)
0,4896817
1,6612818
2,8765514
5,8741000

ti
0,4
1,0
1,4
2,0

Euler modificado
i
1,6229206
1,2442903
1,1200763
1,0391938

ti
0,2
0,5
0,7
1,0

Euler modificado
i
0,1742708
0,2878200
0,5088359
1,0096377

y(ti)
0,1626265
0,2773617
0,5000658
1,0022460

a.

c.

Cengage Learning, 2008

b.
y(ti)
1,0149523
1,0672624
1,1106551
1,1812322
d.
y(ti)
1,6200510
1,2384058
1,1146484
1,0359724

RESPOSTAS DE EXERCCIOS SELECIONADOSMM31

5.

a.
ti
0,50
1,00

Heun
i
0,3397852
3,6968164

y(ti)
0,2836165
3,2190993

ti
1,25
1,50
1,75
2,00

Heun
i
2,7767857
3,6042017
4,4736520
5,3790494

y(ti)
2,7789294
3,6081977
4,4793276
5,3862944

ti
1,2
1,5
1,7
2,0

Heun
i
1,0151123
1,0674528
1,1108444
1,1814172

y(ti)
1,0149523
1,0672624
1,1106551
1,1812322

ti
0,4
1,0
1,4
2,0

Heun
i
1,6205037
1,2415866
1,1183618
1,0385425

c.

7.

a.

c.

9.

b.
ti
2,50
3,00

Heun
i
1,7916667
2,4641747

y(ti)
1,8333333
2,5000000

ti
0,25
0,50
0,75
1,00

Heun
i
1,3295717
1,7310350
2,0417476
2,1176975

y(ti)
1,3291498
1,7304898
2,0414720
2,1179795

ti
1,4
2,0
2,4
3,0

Heun
i
0,4858314
1,6421387
2,8327728
5,7286247

y(ti)
0,4896817
1,6612818
2,8765514
5,8741000

ti
0,2
0,5
0,7
1,0

Heun
i
0,1729167
0,2858097
0,5066965
1,0074357

y(ti)
0,1626265
0,2773617
0,5000658
1,0022460

d.

b.

d.
y(ti)
1,6200510
1,2384058
1,1146484
1,0359724

a.

t
0,5
1,0

Ponto mdio
0,2646250
3,1300023

y(t)
0,2836165
3,2190993

b.

t
2,5
3,0

Ponto mdio
1,7812500
2,4550638

y(t)
1,8333333
2,5000000

c.

t
1,25
1,50
1,75
2,00

Ponto mdio
2,7777778
3,6060606
4,4763015
5,3824398

y(t)
2,7789294
3,6081977
4,4793276
5,3862944

d.

t
0,25
0,50
0,75
1,00

Ponto mdio
1,3337962
1,7422854
2,0596374
2,1385560

y(t)
1,3291498
1,7304898
2,0414720
2,1179795

ti
1,2
1,5
1,7
2,0

Ponto mdio
i
1,0153257
1,0677427
1,1111478
1,1817275

y(ti)
1,0149523
1,0672624
1,1106551
1,1812322

ti
1,4
2,0
2,4
3,0

Ponto mdio
i
0,4861770
1,6438889
2,8364357
5,7386475

y(ti)
0,4896817
1,6612818
2,8765514
5,8741000

ti
0,4
1,0
1,4
2,0

Ponto mdio
i
1,6192966
1,2402470
1,1175165
1,0382227

y(ti)
1,6200510
1,2384058
1,1146484
1,0359724

ti
0,2
0,5
0,7
1,0

Ponto mdio
i
0,1722396
0,2848046
0,5056268
1,0063347

y(ti)
0,1626265
0,2773617
0,5000658
1,0022460

11. a.

c.

b.

d.

Cengage Learning, 2008

32MMAnlise Numrica Burden e Faires

13. a.
ti
0,5
1,0

Runge-Kutta
i
0,2969975
3,3143118

y(ti)
0,2836165
3,2190993

ti
1,25
1,50
1,75
2,00

Runge-Kutta
i
2,7789095
3,6081647
4,4792846
5,3862426

y(ti)
2,7789294
3,6081977
4,4793276
5,3862944

ti
1,2
1,5
1,7
2,0

Runge-Kutta
i
1,0149520
1,0672620
1,1106547
1,1812319

y(ti)
1,0149523
1,0672624
1,1106551
1,1812322

ti
0,4
1,0
1,4
2,0

Runge-Kutta
i
1,6200576
1,2384307
1,1146769
1,0359922

c.

15. a.

c.

b.
ti
2,5
3,0

Runge-Kutta
i
1,8333234
2,4999712

y(ti)
1,8333333
2,5000000

ti
0,25
0,50
0,75
1,00

Runge-Kutta
i
1,3291650
1,7305336
2,0415436
2,1180636

y(ti)
1,3291498
1,7304898
2,0414720
2,1179795

ti
1,4
2,0
2,4
3,0

Runge-Kutta
i
0,4896842
1,6612651
2,8764941
5,8738386

y(ti)
0,4896817
1,6612818
2,8765514
5,8741000

ti
0,2
0,5
0,7
1,0

Runge-Kutta
i
0,1627655
0,2774767
0,5001579
1,0023207

y(ti)
0,1626265
0,2773617
0,5000658
1,0022460

d.

b.

d.
y(ti)
1,6200510
1,2384058
1,1146484
1,0359724

17. a. 1,0221167  y(1,25)  1,0219569, 1,1640347  y(1,93)  1,1643901


b. 1,9086500  y(2,1) 1,9249616, 4,3105913  y(2,75)  4,3941697
c. 1,1461434  y(1,3)  1,1382768, 1,0454854  y(1,93)  1,0412665
d. 0,3271470  y(0,54)  0,3140018, 0,8967073  y(0,94)  0,8866318.
19. a. 1,0225530  y(1,25)  1,0219569, 1,1646155  y(1,93)  1,1643901
b. 1,9132167  y(2,1)  1,9249616, 4,3246152  y(2,75)  4,3941697
c. 1,1441775  y(1,3) 1,1382768, 1,0447403  y(1,93)  1,0412665
d. 0,3251049  y(0,54)  0,3140018, 0,8945125  y(0,94)  0,8866318.
21. a. 1,0227863  y(1,25)  1,0219569, 1,1649247  y(1,93)  1,1643901
b. 1,9153749  y(2,1)  1,9249616, 4,3312939  y(2,75)  4,3941697
c. 1,1432070  y(1,3)  1,1382768, 1,0443743  y(1,93)  1,0412665
d. 0,3240839  y(0,54)  0,3140018, 0,8934152  y(0,94)  0,8866318.
23. a. 1,0223826  y(1,25)  1,0219569, 1,1644292  y(1,93)  1,1643901
b. 1,9373672  y(2,1)  1,9249616, 4,4134745  y(2,75)  4,3941697
c. 1,1405252  y(1,3)  1,1382768, 1,0420211  y(1,93)  1,0412665
d. 0,31716526  y(0,54)  0,3140018, 0,88919730  y(0,94)  0,8866318.
25. a. 1,0219569  y(1,25)  1,0219550, 1,1643902  y(1,93)  1,1643898
b. 1,9249617  y(2,10)  1,9249217, 4,3941697  y(2,75)  4,3939943
c. 1,138268  y(1,3)  1,1383036, 1,0412666 y(1,93)  1,0412862
d. 0,31400184  y(0,54)  0,31410579, 0,88663176  y(0,94)  0,88670653.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM33


27. Com f (t, x)  y  t  1, temos
h
h
h
i  hf !ti  ,i  f(ti,i)@  i  [ f(ti,i)  f(ti1,i  hf(ti,i))]
2
2
2

2
h
2
 i  f(ti,i)  3f !ti  h, i  hf(ti,i)@
4
3
3

h2
h2
 i !1  h  @  ti!h  @  h.
2
2
29. Em 0,2 s temos aproximadamente 2.099 unidades de KOH.
31. As constantes apropriadas so 1  1  2  2  2  3  4  5  6  7  Q e 3  3  1.

Exerccios 5.5 (Pgina 277)


1.

3.

O Algoritmo de Runge-Kutta-Fehlberg fornece os resultados nas tabelas a seguir.


a. i
ti
i
hi
yi
1
0,2093900
0,0298184
0,2093900
0,0298337
3
0,5610469
0,4016438
0,1777496
0,4016860
5
0,8387744
1,5894061
0,1280905
1,5894600
7
1,0000000
3,2190497
0,0486737
3,2190993
b. i
1
2
3
4

ti
2,2500000
2,5000000
2,7500000
3,0000000

i
1,4499988
1,8333332
2,1785718
2,5000005

hi
0,2500000
0,2500000
0,2500000
0,2500000

yi
1,4500000
1,8333333
2,1785714
2,5000000

c.

i
1
2
3
4

ti
1,2500000
1,5000000
1,7500000
2,0000000

i
2,7789299
3,6081985
4,4793288
5,3862958

hi
0,2500000
0,2500000
0,2500000
0,2500000

yi
2,7789294
3,6081977
4,4793276
5,3862944

d. i
1
2
3
4

ti
0,2500000
0,5000000
0,7500000
1,0000000

i
1,3291478
1,7304857
2,0414669
2,1179750

hi
0,2500000
0,2500000
0,2500000
0,2500000

yi
1,3291498
1,7304898
2,0414720
2,1179795

O Algoritmo de Runge-Kutta-Fehlberg fornece os resultados nas tabelas a seguir.


i
1
5
7
11

ti
1,1101946
1,7470584
2,3994350
4,0000000

i
1,0051237
1,1213948
1,2795396
1,6762393

hi
0,1101946
0,2180472
0,3707934
0,1014853

yi
1,0051237
1,1213947
1,2795395
1,6762391

b. i
4
7
10
16
21

ti
1,5482238
1,8847226
2,1846024
2,6972462
3,0000000

i
0,7234123
1,3851234
2,1673514
4,1297939
5,8741059

hi
0,1256486
0,1073571
0,0965027
0,0778628
0,0195070

yi
0,7234119
1,3851226
2,1673499
4,1297904
5,8741000

a.

Cengage Learning, 2008

34MMAnlise Numrica Burden e Faires

i
1
5
9
13
17
23

ti
0,1633541
0,7585763
1,1930325
1,6229351
2,1074733
3,0000000

i
1,8380836
1,3597623
1,1684827
1,0749509
1,0291158
1,0049450

hi
0,1633541
0,1266248
0,1048224
0,1107510
0,1288897
0,1264618

yi
1,8380836
1,3597624
1,1684830
1,0749511
1,0291161
1,0049452

d. i
1
3
5
8

ti
0,3986051
0,9703970
1,5672905
2,0000000

i
0,3108201
0,2221189
0,1133085
0,0543454

hi
0,3986051
0,2866710
0,3042087
0,0902302

yi
0,3108199
0,2221186
0,1133082
0,0543455

c.

5.

a. O nmero de infectados y(30)  80295,7.


b. O valor limite para o nmero de pessoas infectadas para esse modelo lim tr y(t)  100.000.

Exerccios 5.6 (Pgina 289)


1.

Os mtodos de Adams-Bashforth fornecem os resultados das tabelas a seguir.


a. t
2 passos
3 passos
4 passos
5 passos
y(t)
0,2
0,0268128
0,0268128
0,0268128
0,0268128
0,0268128
0,4
0,1200522
0,1507778
0,1507778
0,1507778
0,1507778
0,6
0,4153551
0,4613866
0,4960196
0,4960196
0,4960196
0,8
1,1462844
1,2512447
1,2961260
1,3308570
1,3308570
1,0
2,8241683
3,0360680
3,1461400
3,1854002
3,2190993
b. t
2,2
2,4
2,6
2,8
3,0

2 passos
1,3666667
1,6750000
1,9632431
2,2323184
2,4884512

3 passos
1,3666667
1,6857143
1,9794407
2,2488759
2,5051340

4 passos
1,3666667
1,6857143
1,9750000
2,2423065
2,4980306

5 passos
1,3666667
1,6857143
1,9750000
2,2444444
2,5011406

y(t)
1,3666667
1,6857143
1,9750000
2,2444444
2,5000000

c.

t
1,2
1,4
1,6
1,8
2,0

2 passos
2,6187859
3,2734823
3,9567107
4,6647738
5,3949416

3 passos
2,6187859
3,2710611
3,9514231
4,6569191
5,3848058

4 passos
2,6187859
3,2710611
3,9520058
4,6582078
5,3866452

5 passos
2,6187859
3,2710611
3,9520058
4,6580160
5,3862177

y(t)
2,6187859
3,2710611
3,9520058
4,6580160
5,3862944

d. t
0,2
0,4
0,6
0,8
1,0

2 passos
1,2529306
1,5986417
1,9386951
2,1766821
2,2369407

3 passos
1,2529306
1,5712255
1,8827238
2,0844122
2,1115540

4 passos
1,2529306
1,5712255
1,8750869
2,0698063
2,0998117

5 passos
1,2529306
1,5712255
1,8750869
2,0789180
2,1180642

y(t)
1,2529306
1,5712255
1,8750869
2,0789180
2,1179795

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM35


3.

Os mtodos de Adams-Bashforth fornecem os resultados nas tabelas a seguir.


a.

t
1,2
1,4
1,6
1,8
2,0

2 passos
1,0161982
1,0497665
1,0910204
1,1363845
1,1840272

3 passos
1,0149520
1,0468730
1,0875837
1,1327465
1,1803057

4 passos
1,0149520
1,0477278
1,0887567
1,1340093
1,1815967

5 passos
1,0149520
1,0475336
1,0883045
1,1334967
1,1810689

y(t)
1,0149523
1,0475339
1,0884327
1,1336536
1,1812322

b. t
1,4
1,8
2,2
2,6
3,0

2 passos
0,4867550
1,1856931
2,1753785
3,5849181
5,6491203

3 passos
0,4896842
1,1982110
2,2079987
3,6617484
5,8268008

4 passos
0,4896842
1,1990422
2,2117448
3,6733266
5,8589944

5 passos
0,4896842
1,1994320
2,2134792
3,6777236
5,8706101

y(t)
0,4896817
1,1994386
2,2135018
3,6784753
5,8741000

t
0,5
1,0
1,5
2,0

2 passos
1,5357010
1,2374093
1,0952910
1,0366643

3 passos
1,5381988
1,2389605
1,0950952
1,0359996

4 passos
1,5379372
1,2383734
1,0947925
1,0359497

5 passos
1,5378676
1,2383693
1,0948481
1,0359760

y(t)
1,5378828
1,2384058
1,0948517
1,0359724

d. t
0,2
0,4
0,6
0,8
1,0

2 passos
0,1739041
0,2144877
0,3822803
0,6491272
1,0037415

3 passos
0,1627655
0,2026399
0,3747011
0,6452640
1,0020894

4 passos
0,1627655
0,2066057
0,3787680
0,6487176
1,0064121

5 passos
0,1627655
0,2052405
0,3765206
0,6471458
1,0073348

y(t)
0,1626265
0,2051118
0,3765957
0,6461052
1,0022460

c.

5.

7.

a. ti
0,2
0,4
0,6
0,8
1,0


0,0269059
0,1510468
0,4966479
1,3408657
3,2450881

y(ti)
0,0268128
0,1507778
0,4960196
1,3308570
3,2190993

b.

ti
2,2
2,4
2,6
2,8
3,0


1,3666610
1,6857079
1,9749941
2,2446995
2,5003083

y(ti)
1,3666667
1,6857143
1,9750000
2,2444444
2,5000000

c. ti
1,2
1,4
1,6
1,8
2,0


2,6187787
3,2710491
3,9519900
4,6579968
5,3862715

y(ti)
2,6187859
3,2710611
3,9520058
4,6580160
5,3862944

d.

ti
0,2
0,4
0,6
0,8
1,0


1,2529350
1,5712383
1,8751097
2,0796618
2,1192575

y(ti)
1,2529306
1,5712255
1,8750869
2,0789180
2,1179795

O Algoritmo Preditor-Corretor de Quarta Ordem de Adams fornece os resultados nas tabelas a seguir.
a.

t
1,2
1,4
1,6
1,8
2,0


1,0149520
1,0475227
1,0884141
1,1336331
1,1812112

y(t)
1,0149523
1,0475339
1,0884327
1,1336536
1,1812322

b.

t
1,4
1,8
2,2
2,6
3,0


0,4896842
1,1994245
2,2134701
3,6784144
5,8739518

y(t)
0,4896817
1,1994386
2,2135018
3,6784753
5,8741000

Cengage Learning, 2008

36MMAnlise Numrica Burden e Faires

c.

9.

t
0,5
1,0
1,5
2,0


1,5378788
1,2384134
1,0948609
1,0359757

y(t)
1,5378828
1,2384058
1,0948517
1,0359724

d.


0,1627655
0,2048557
0,3762804
0,6458949
1,0021372

t
0,2
0,4
0,6
0,8
1,0

y(t)
0,1626265
0,2051118
0,3765957
0,6461052
1,0022460

a. Com h  0,01, o mtodo de Adams-Moulton de trs passos fornece os valores na tabela a seguir.
i
ti
i
10
0,1 1,317218
20
0,2 1,784511
b. O mtodo de Newton reduzir o nmero de iteraes por passo, de trs para dois, utilizando o critrio
de parada
(k1)
(k)
  106.
i  i

15. Para deduzir o mtodo de Milnes, integre y(t)  f(t, y (t)) no intervalo [ti3, ti1] para obter
y(ti1)  y(ti3) 

ti1
ti3

f(t, y (t))dt.

Utilizando a frmula(4.29) de Newton-Cotes aberta na pgina 194, temos


4h[2f(ti, y(ti))  f(ti1, y(ti1))  2f(ti2, y(ti2))]
14h5f (4)(, y())
 .
y(ti1)  y(ti3) 
3
45
A equao da diferena se torna
h[8f(ti, i)  4f(ti1, i1)  8f(ti2, i2)]
i1  i3 
,
3
com erro de truncamento local
14h4y(5)()
i1(h) .
45

Exerccio 5.7 ( Pgina 294)


1.

O Algoritmo Preditor-Corretor com Tamanho de Passo Varivel de Adams fornece os resultados nas
tabelas a seguir.
i
1
5
12
17
22
26

ti
0,04275596
0,22491460
0,60214994
0,81943926
0,99830392
1,00000000

i
0,00096891
0,03529441
0,50174348
1,45544317
3,19605697
3,21912776

hi
0,04275596
0,05389076
0,05389076
0,04345786
0,03577293
0,00042395

yi
0,00096887
0,03529359
0,50171761
1,45541453
3,19602842
3,21909932

b. i
1
5
9
13
17

ti
2,06250000
2,31250000
2,62471924
2,99915773
3,00000000

i
1,12132350
1,55059834
2,00923157
2,49895243
2,50000535

hi
0,06250000
0,06250000
0,09360962
0,09360962
0,00021057

yi
1,12132353
1,55059524
2,00922829
2,49894707
2,50000000

a.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM37

i
1
4
8
12

ti
1,06250000
1,25000000
1,85102559
2,00000000

i
2,18941363
2,77892931
4,84179835
5,38629105

hi
0,06250000
0,06250000
0,15025640
0,03724360

yi
2,18941366
2,77892944
4,84180141
5,38629436

d. i
1
5
10
13
16

ti
0,06250000
0,31250000
0,62500000
0,81250000
1,00000000

i
1,06817960
1,42861668
1,90768386
2,08668486
2,11800208

hi
0,06250000
0,06250000
0,06250000
0,06250000
0,06250000

yi
1,06817960
1,42861361
1,90767015
2,08666541
2,11797955

c.

3.

As tabelas a seguir listam resultados representativos do Algoritmo Preditor-Corretor com Tamanho de


Passo Varivel de Adams.
i
5
15
25
35
45
52
57

ti
1,10431651
1,31294952
1,59408142
2,00846205
2,66272188
3,40193112
4,00000000

i
1,00463041
1,03196889
1,08714711
1,18327922
1,34525123
1,52940900
1,67623887

hi
0,02086330
0,02086330
0,03122028
0,04824992
0,07278716
0,11107035
0,12174963

yi
1,00463045
1,03196898
1,08714722
1,18327937
1,34525143
1,52940924
1,67623914

b. i
5
15
25
35
45
55
61

ti
1,18519603
1,55558810
1,92598016
2,29637222
2,65452689
2,94341188
3,00000000

i
0,20333499
0,73586642
1,48072467
2,51764797
3,92602442
5,50206466
5,87410206

hi
0,03703921
0,03703921
0,03703921
0,03703921
0,03092051
0,02584049
0,00122679

yi
0,20333497
0,73586631
1,48072442
2,51764743
3,92602332
5,50206279
5,87409998

c.

i
5
17
27
41
51
61

ti
0,16854008
0,64833341
1,06742915
1,75380240
2,50124702
3,00000000

i
1,83303780
1,42945306
1,21150951
1,05819340
1,01335240
1,00494507

hi
0,03370802
0,05253230
0,04190957
0,06681937
0,07474446
0,01257155

yi
1,83303783
1,42945304
1,21150932
1,05819325
1,01335258
1,00494525

d. i
5
15
20
25
29
33

ti
0,28548652
0,85645955
1,35101725
1,66282314
1,91226786
2,00000000

i
0,32153668
0,24281066
0,15096743
0,09815109
0,06418555
0,05434530

hi
0,05709730
0,05709730
0,09891154
0,06236118
0,06236118
0,02193303

yi
0,32153674
0,24281095
0,15096772
0,09815137
0,06418579
0,05434551

a.

5.

A corrente aps 2 s aproximadamente i (2)  8,693 amperes.

Cengage Learning, 2008

38MMAnlise Numrica Burden e Faires

Exerccios 5.8 (Pgina 300)


1.

O Algoritmo de Extrapolao fornece os resultados nas tabelas a seguir.


i
1
2
3
4

ti
0,25
0,50
0,75
1,00

i
0,04543132
0,28361684
1,05257634
3,21909944

h
0,25
0,25
0,25
0,25

k
3
3
4
4

yi
0,04543123
0,28361652
1,05257615
3,21909932

b. i
1
2
3
4

ti
2,25
2,50
2,75
3,00

i
1,44999987
1,83333321
2,17857133
2,49999993

h
0,25
0,25
0,25
0,25

k
3
3
3
3

yi
1,45000000
1,83333333
2,17857143
2,50000000

c.

i
1
2
3
4

ti
1,25
1,50
1,75
2,00

i
2,77892942
3,60819763
4,47932759
5,38629431

h
0,25
0,25
0,25
0,25

k
3
3
3
3

yi
2,77892944
3,60819766
4,47932763
5,38629436

d. i
1
2
3
4

ti
0,25
0,50
0,75
1,00

i
1,32914981
1,73048976
2,04147203
2,11797954

h
0,25
0,25
0,25
0,25

k
3
3
3
3

yi
1,32914981
1,73048976
2,04147203
2,11797955

a.

3.

O Algoritmo de Extrapolao fornece os resultados nas tabelas a seguir.


i
1
2
3
4
5
6

ti
1,50
2,00
2,50
3,00
3,50
4,00

i
1,06726237
1,18123223
1,30460372
1,42951608
1,55364771
1,67623915

h
0,50
0,50
0,50
0,50
0,50
0,50

k
4
3
3
3
3
3

yi
1,06726235
1,18123222
1,30460371
1,42951607
1,55364770
1,67623914

b. i
1
2
3
4

ti
1,50
2,00
2,50
3,00

i
0,64387537
1,66128182
3,25801550
5,87410027

h
0,50
0,50
0,50
0,50

k
4
5
5
5

yi
0,64387533
1,66128176
3,25801536
5,87409998

c.

ti
0,50
1,00
1,50
2,00
2,50
3,00

i
1,53788284
1,23840584
1,09485175
1,03597242
1,01338570
1,00494526

h
0,50
0,50
0,50
0,50
0,50
0,50

k
4
5
5
5
5
4

yi
1,53788284
1,23840584
1,09485175
1,03597242
1,01338570
1,00494525

a.

i
1
2
3
4
5
6

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM39

d. i
1
2
3
4

ti
0,50
1,00
1,50
2,00

i
0,29875177
0,21662642
0,12458565
0,05434552

h
0,50
0,50
0,50
0,50

k
4
4
4
4

yi
0,29875178
0,21662642
0,12458565
0,05434551

Exerccios 5.9 (Pgina 309)


1.

O Algoritmo de Runge-Kutta para Sistemas fornece os resultados nas tabelas a seguir.


a. ti
0,200
0,400
0,600
0,800
1,000
b. ti
0,500
1,000
1,500
2,000
c. ti
0,5
1,0
1,5
2,0
d. ti
0,2
0,5
0,7
1,0

3.

1i
0,95671390
1,30654440
1,34416716
1,14332436

u1i
0,95672798
1,30655930
1,34418117
1,14333672

2i
u2i
1,50699185 1,51158743
3,24224021 3,26598528
8,16341700 8,25629549
21,34352778 21,66887674
56,03050296 57,10536209
2i
1,08381950
0,83295364
0,56980329
0,36936318

u2i
1,08383310
0,83296776
0,56981634
0,36937457

1i
u1i
2i
u2i
3i
u3i
0,70787076
0,70828683 1,24988663 1,25056425
0,39884862
0,39815702
0,33691753 0,33650854 3,01764179 3,01945051 0,29932294 0,30116868
2,41332734 2,41345688 5,40523279 5, 40844686 0,92346873 0,92675778
5,89479008 5,89590551 8,70970537 8,71450036 1,32051165 1,32544426
1i
1,38165297
1,90753116
2,25503524
2,83211921

u1i
1,38165325
1,90753184
2,25503620
2,83212056

2i
1,00800000
1,12500000
1,34300000
2,00000000

u2i
3i
u3i
1,00800000 0,61833075 0,61833075
1,12500000 0,09090565 0,09090566
1,34000000
0,26343971
0,26343970
2,00000000
0,88212058
0,88212056

O Algoritmo de Runge-Kutta para Sistemas fornece os resultados nas tabelas a seguir.


a. ti
0,200
0,500
0,700
1,000

1i
0,00015352
0,00742968
0,03299617
0,17132224

yi
0,00015350
0,00743027
0,03299805
0,17132880

1i
3,73162695
11,31424573
34,04395688

yi
3,73170445
11,31452924
34,04517155

b.

ti
1,200
1,500
1,700
2,000

1i
0,96152437
0,77796897
0,59373369
0,27258237

yi
0,96152583
0,77797237
0,59373830
0,27258872

ti
1i
yi
1,200
0,27273759
0,27273791
1,500
1,08849079
1,08849259
1,700
2,04353207
2,04353642
2,000
4,36156675
4,36157780
Para determinar uma aproximao para a soluo do sistema de ordem m dos problemas de valor inicial
de primeira ordem
c. ti
1,000
2,000
3,000

5.

1i
u1i
2,12036583 2,12500839
4,44122776 4,46511961
9,73913329 9,83235869
22,67655977 23,00263945
55,66118088 56,73748265

d.

uj  fj(t, u1, u2,,um),MMj  1, 2,, m,MM para a  t  b, uj(a)  j, j  1, 2,, m


em (n  1) nmeros igualmente espaados no intervalo [a, b];

Cengage Learning, 2008

40MMAnlise Numrica Burden e Faires


ENTRADAMMextremidades a, b; nmeros de equaes m; inteiro N; condies iniciais 1 ,..., m.
SADAMMaproximaes i,j para uj (ti).
Passo 1MMFaa h  (b  a) / N;
Passo 2MMPara j  1, 2, ..., m faa 0,j  j.
Passo 3MMSADA (t0, 0,1, 0,2,, 0,m).
Passo 4MMPara i  1, 2, 3 execute Passos 5 a 11.
Passo 5MMPara j  1, 2, ..., m faa
k1,j  hfj(ti1, i1,1,, i1,m).
Passo 6MMPara j  1, 2, ..., m faa
k2,j  hfj(ti1  2h i1,1  21 k1,1, i1,2  12 k1,2,, i1,m  12 k1,m).
Passo 7MMPara j  1, 2, ..., m faa
k3, j  hfj(ti1  h2 ,i1,1  21 k2,1, i1,2  21 k2,2,, i1,m  12 k2,m).
Passo 8MMPara j  1, 2, ..., m faa
k4,j  hfj (ti1  h, i1,1  k3,1, i1,2  k3,2,, i1,m  k3,m).
Passo 9MMPara j  1, 2, ..., m faa
i,j  i1,j  (k1,j  2k2, j  2k3, j  k4, j)/6.
Passo 10MMFaa ti  a  ih.
Passo 11MMSADA (ti, i,1, i,2,, i,m).
Passo 12MMPara i  4, ..., N execute os passos 13 a 16.
Passo 13MMFaa ti  a  ih.
Passo 14MMPara j  1, 2, ..., m faa
(0)
i,j  i1,j  h[55fj (ti1, i1,1,, i1,m)  59fj (ti2, i2,1,, i2,m)
 37fj (ti3, i3,1,, i3,m)  9fj (ti4, i4,1,, i4,m)]/24.
Passo 15MMPara j  1, 2, ..., m faa
(0)
(0)
i,j  i1,j  h[9fj (ti, i,1 ,,i,m )  19fj (ti1, i1,1,, i1,m)
 5fj (ti2, i2,1,, i2,m)  fj (ti3, i3,1,, i3,m)]/24.
Passo 16MMSADA (ti, i,1, i,2,, i,m).
Passo 17MMPARE.
7.

O mtodo Preditor-Corretor de Quarta Ordem de Adams para sistemas aplicado aos problemas no
Exerccio 1 fornece os resultados nas tabelas a seguir.
a. ti
0,200
0,400
0,600
0,800
1,000
b. ti
0,500
1,000
1,500
2,000

1i
u1i
2,12036583 2,12500839
4,44122776 4,46511961
9,73913329 9,83235869
22,52673210 23,00263945
54,81242211 56,73748265
1i
0,95675505
1,30659995
1,34420613
1,14334795

u1i
0,95672798
1,30655930
1,34418117
1,14333672

2i
u2i
1,50699185 1,51158743
3,24224021 3,26598528
8,16341700 8,25629549
21,20273983 21,66887674
55,20490157 57,10536209
2i
1,08385916
0,83300571
0,56983853
0,36938396

c. ti
1i
u1i
2i
0,5
0,70787076
0,70828683 1,24988663
1,0 0,33691753 0,33650854 3,01764179
1,5 2,41332734 2,41345688 5,40523279
2,0 5,88968402 5,89590551 8,72213325

Cengage Learning, 2008

u2i
1,08383310
0,83296776
0,56981634
0,36937457
u2i
3i
u3i
1,25056425 0,39884862
0,39815702
3,01945051 0,29932294 0,30116868
5,40844686 0,92346873 0,92675778
8,71450036 1,32972524 1,32544426

RESPOSTAS DE EXERCCIOS SELECIONADOSMM41

d. ti
0,2
0,5
0,7
1,0
9.

1i
1,38165297
1,90752882
2,25503040
2,83211032

u1i
1,38165325
1,90753184
2,25503620
2,83212056

2i
1,00800000
1,12500000
1,34300000
2,00000000

u2i
3i
u3i
1,00800000 0,61833075 0,61833075
1,12500000 0,09090527 0,09090566
1,34300000 0,26344040
0,26343970
2,00000000 0,88212163
0,88212056

O nmero previsto de presas, x1i, e de predadores, x2i, so fornecidos na tabela a seguir.


i
ti
x1i
x2i
10
1,0 4393 1512
20
2,0
288 3175
30
3,0
32
2042
40
4,0
25
1258

Exerccio 5.10 (Pgina 320)


1.

Seja L a constante de Lipschitz para . Ento


ui1  i1  ui  i  h[(ti, ui, h)  (ti, i, h)],
de modo que ui1  i1  (1  hL)ui  i  (1  hL)i1u0  0.

3.

No exerccio 31, da Seo 5.4, temos

(t, , h)  R f(t,)  W f (t  Qh,  Qhf(t, ))


 W f(t  Qh,  Qhf(t  Qh,  Qhf(t, )))
 R f(t h,  hf(t  Qh,  Qhf(t  Qh,  Qhf(t, )))),
de modo que

(t, , 0)  R f(t,)  W f(t,)  W f(t,)  R f(t,)  f(t,)


5.

a. O erro de truncamento local i1  Eh3y(4)(i), para algum i, em que ti2  i  ti1.
b. O mtodo consistente, mas instvel e no convergente.

7.

O mtodo instvel.

Exerccios 5.11 (Pgina 327)


1.

O mtodo de Euler fornece os resultados nas tabelas a seguir.


a. ti
0,200
0,500
0,700
1,000

i
0,027182818
0,000027183
0,000000272
0,000000000

yi
0,449328964
0,030197383
0,004991594
0,000335463

b.

ti
0,200
0,500
0,700
1,000

i
0,373333333
0,093333333
0,146666667
1,333333333

yi
0,046105213
0,250015133
0,490000277
1,000000001

c. ti
0,500
1,000
1,500
2,000

i
16,47925
256,7930
4096,142
65523,12

yi
0,479470939
0,841470987
0,997494987
0,909297427

d.

ti
0,200
0,500
0,700
1,000

i
6,128259
378,2574
6052,063
387332,0

yi
1,000000001
1,000000000
1,000000000
1,000000000

Cengage Learning, 2008

42MMAnlise Numrica Burden e Faires

3.

5.

O mtodo de Runge-Kutta de quarta ordem fornece os resultados nas tabelas a seguir.


a. ti
0,200
0,500
0,700
1,000

i
0,45881186
0,03181595
0,00537013
0,00037239

yi
0,44932896
0,03019738
0,00499159
0,00033546

b.

ti
0,200
0,500
0,700
1,000

i
0,07925926
0,25386145
0,49265127
1,00250560

yi
0,04610521
0,25001513
0,49000028
1,00000000

c. ti
0,500
1,000
1,500
2,000

i
188,3082
35296,68
6632737
1246413200

yi
0,47947094
0,84147099
0,99749499
0,90929743

d.

ti
0,200
0,500
0,700
1,000

i
215,7459
555750,0
104435653
269031268010

yi
1,00000000
1,00000000
1,00000000
1,00000000

O Algoritmo Preditor Corretor de Adams de Quarta Ordem fornece os resultados nas tabelas a seguir.
a. ti
0,200
0,500
0,700
1,000
c. ti
0,500
1,000
1,500
2,000

7.

9.

i
0,4588119
0,0112813
0,0013734
0,0023604
i
188,3082
38932,03
9073607
2115741299

yi
0,4493290
0,0301974
0,0049916
0,0003355

b.

ti
0,200
0,500
0,700
1,000

i
0,0792593
0,1554027
0,5507445
0,7278557

yi
0,0461052
0,2500151
0,4900003
1,0000000

yi
0,4794709
0,8414710
0,9974950
0,9092974

d.

ti
0,200
0,500
0,700
1,000

i
215,7459
682637,0
159172736
566751172258

yi
1,000000001
1,000000000
1,000000000
1,000000000

O Algoritmo do Trapzio fornece os resultados nas tabelas a seguir.


a. ti
0,200
0,500
0,700
1,000

i
0,39109643
0,02134361
0,00307084
0,00016759

k
2
2
2
2

yi
0,44932896
0,03019738
0,00499159
0,00033546

b.

ti
0,200
0,500
0,700
1,000

i
0,04000000
0,25000000
0,49000000
1,00000000

k
2
2
2
2

yi
0,04610521
0,25001513
0,49000028
1,00000000

c. ti
0,500
1,000
1,500
2,000

i
0,66291133
0,87506346
1,00366141
0,91053267

k
2
2
2
2

yi
0,47947094
0,84147099
0,99749499
0,90929743

d.

ti
0,200
0,500
0,700
1,000

i
1,07568307
0,97868360
0,99046408
1,00284456

k
4
4
3
3

yi
1,00000000
1,00000000
1,00000000
1,00000000

a. ti
1i
0,100
96,33011
0,200
28226,32
0,300
8214056
0,400 2390290586
0,500 695574560790
b. ti
0,100
0,200
0,300
0,400
0,500

1i
0,61095960
0,66873489
0,69203679
0,71322103
0,73762953

Cengage Learning, 2008

u1i
2i
0,66987648
193,6651
0,67915383
56453,66
0,69387881
16428113
0,71354670 4780581173
0,73768711 1391149121600
u1i
0,66987648
0,67915383
0,69387881
0,71354670
0,73768711

2i
0,21708179
0,31873903
0,34325535
0,35612202
0,36872840

u2i
0,33491554
0,33957692
0,34693941
0,35677335
0,36884355
u2i
0,33491554
0,33957692
0,34693941
0,35677335
0,36884355

RESPOSTAS DE EXERCCIOS SELECIONADOSMM43

1
y( )h2, para algum t   t
11. Utilizar (4.23) resulta em i1   12
i
i
i
i1 e, pela Definio 5.18, o mtodo
do Trapzio consistente. Utilizando (4.23) mais uma vez obtm-se

h
y( )
y(ti1)  y(ti)  [ f(ti, y(ti))  f(ti1, y(ti1))]  i h3.
2
12
Subtraindo a equao de diferena e utilizando a constante de Lipschitz L para f resulta em
hL
hL
h3
y(ti1)  i1  y(ti)  i  y(ti)  i  y(ti1)  i1  y(i).
2
2
12
Seja M  maxaxby(x). Ento, supondo h L  2,
2  hL
h3
y(ti1)  i1  y(ti)  i  M.
2  hL
6(2  hL)
Utilizando o Lema 5.8 obtm-se
Mh2
Mh2
y(ti1)  i1  e2(ba)L/(2hL)    0  .
12L
12L

Assim, se hL  2, o mtodo do Trapzio convergente e, conseqentemente, estvel.


13. b. As tabelas a seguir listam os resultados do mtodo de Euler Regressivo aplicado aos problemas no
Exerccio 1.
1a.

i
2
5
7
10

ti
0,20
0,50
0,70
1,00

i
0,75298666
0,10978082
0,03041020
0,00443362

k
2
2
2
2

yi
0,44932896
0,03019738
0,00499159
0,00033546

1b.

i
2
5
7
10

ti
0,20
0,50
0,70
1,00

i
0,08148148
0,25635117
0,49515013
1,00500556

k
2
2
2
2

yi
0,04610521
0,25001513
0,49000028
1,00000000

1c.

i
2
4
6
8

ti
0,50
1,00
1,50
2,00

i
0,50495522
0,83751817
0,99145076
0,90337560

k
2
2
2
2

yi
0,47947094
0,84147099
0,99749499
0,90929743

1d.

i
2
5
7
10

ti
0,20
0,50
0,70
1,00

i
1,00348713
1,00000262
1,00000002
1,00000000

k
3
2
1
1

yi
1,00000000
1,00000000
1,00000000
1,00000000

15. a. O mtodo do Trapzio aplicado equao de teste fornece

MM

e ento
MM

Assim, Q (h)  1, sempre que Re (h)  0.

Cengage Learning, 2008

44MMAnlise Numrica Burden e Faires

b. O mtodo de Euler Regressivo aplicado equao de teste fornece


e ento
MM

MM

Dessa forma, Q (h)  1, sempre que Re(h)  0.

Exerccios 6.1 (Pgina 342)


1.

a. Interseco das retas com soluo x1  x2  1


b. Uma reta, de forma que existe um nmero infinito de solues com x2 

3

2

c. Uma reta, de forma que existe um nmero infinito de solues com x2  


d. Trs retas em um plano que no se interceptam em um ponto comum.

1

2 1

1

2 1

3.

a. x1  1,0, x2  0,98, x3  2,9

5.

A eliminao de Gauss fornece as solues a seguir.


a. x1  1,1875, x2  1,8125, x3  0,875 com a necessidade de uma permutao de linha
b. x1  1, x2  0, x3  1 sem a necessidade de permutao
c. x1  1,5, x2  2, x3  1,2, x4  3 sem a necessidade de permutao
d. No tem soluo nica.

7.

A eliminao de Gauss fornece as solues a seguir:


a. x1  227,0769, x2  476,9231, x3  177,6923
b. x1  1,001291, x2  1, x3  1,00155
c. x1  0,03174600, x2  0,5952377, x3  2,380951, x4  2,777777
d. x1  1,918129, x2  1,964912, x3  0,9883041, x4  3,192982, x5  1,134503.

9.

a. Quando   13 , no h soluo.
b. Quando 

1

3

b. x1  1,1, x2  1,1, x3  2,9.

, h um nmero infinito de solues com x1  x2  1,5 e x2 arbitrrio.

c. Se  , ento a nica soluo


1

3

3
3
x1  MMeMMx2  .
2(1  3 )
2(1  3 )
13. O mtodo de Gauss-Jordan fornece os resultados a seguir.
a. x1  0,98, x2  0,98, x3  2,9
b. x1  1,1, x2  1,0, x3  2,9.
15. b. Os resultados para esse exerccio esto listados na tabela a seguir. (As abreviaes M/D e A/S so utilizadas para multiplicaes/divises e adies/subtraes, respectivamente.)
n
3
10
50
100

Eliminao de Gauss
Gauss-Jordan
M/D
A/S
M/D
A/S
17
11
21
12
430
375
595
495
44150
42875
64975
62475
343300
338250
509950
499950

17. O mtodo hbrido Eliminao de Gauss / Gauss-Jordan fornece os resultados a seguir.


a. x1  1,0, x2  0,98, x3  2,9
b. x1  1,0, x2  1,0, x3  2,9.
19. a. H alimento suficiente para satisfazer o consumo mdio dirio.
b. Poderamos adicionar 200 da espcie 1 ou 150 da espcie 2 ou 100 da espcie 3 ou 100 da espcie 4.
c. Admitindo que nenhum dos aumentos indicados na parte (b) foi escolhido, a espcie 2 poderia ser aumentada em 650 ou a espcie 3 poderia ser aumentada em 150 ou a espcie 4 poderia ser aumentada em 150.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM45


d. Admitindo que nenhum dos aumentos indicados nas partes (b) ou (c) foi escolhido, a espcie 3 poderia ser aumentada em 150 ou a espcie 4 poderia ser aumentada em 150.

Exerccios 6.2 (Pgina 353)


1.

a. nenhum
c. nenhum

b. Permute as linhas 2 e 3.
d. Permute as linhas 1 e 2.

3.

a. Permute as linhas 1 e 2.
c. Permute as linhas 1 e 2, em seguida, permute as linhas 2 e 3.

5.

a. Permute as linhas 1 e 3, em seguida, permute as linhas 2 e 3.


b. Permute as linhas 2 e 3.
c. Permute as linhas 2 e 3.
d. Permute as linhas 1 e 3, em seguida, permute as linhas 2 e 3.

7.

a. Permute as linhas 1 e 2 e colunas 1 e 3, em seguida, permute as linhas 2 e 3 e colunas 2 e 3.


b. Permute as linhas 1 e 2 e colunas 1 e 3, em seguida, permute as linhas 2 e 3.
c. Permute as linhas 1 e 2 e colunas 1 e 3, em seguida, permute as linhas 2 e 3.
d. Permute as linhas 1 e 2 e colunas 1 e 2, em seguida, permute as linhas 2 e 3 e colunas 2 e 3.

9.

A eliminao de Gauss com a aritmtica de truncamento de trs algarismos fornece os resultados a seguir.
a. x1  30,0, x2  0,990
b. x1  0,00, x2  10,0, x3  0,142
c. x1  0,206, x2  0,0154, x3  0,0156, x4  0,716
d. x1  0,828, x2  3,32, x3  0,153, x4  4,91.

b. Permute as linhas 1 e 3.
d. Permute as linhas 1 e 2.

11. A eliminao de Gauss com a aritmtica de arredondamento de trs algarismos fornece os seguintes resultados.
a. x1  10,0, x2  1,01
b. x1  0,00, x2  10,0, x3  0,143
c. x1  0,185, x2  0,0103, x3  0,0200, x4  1,12
d. x1  0,799, x2  3,12, x3  0,151, x4  4,56.
13. A eliminao de Gauss com pivotamento parcial e aritmtica de truncamento de trs algarismos fornece
os seguintes resultados.
a. x1  10,0, x2  1,00
b. x1  0,163, x2  9,98, x3  0,142
c. x1  0,177, x2  0,0072, x3  0,0208, x4  1,18
d. x1  0,777, x2  3,10 x3  0,161, x4  4,50.
15. A eliminao de Gauss com pivotamento parcial e a aritmtica de arredondamento de trs algarismos
fornece os resultados a seguir.
a. x1  10,0, x2  1,00
b. x1  0,00, x2  10,0, x3  0,143
c. x1  0,178, x2  0,0127, x3  0,0204, x4  1,16
d. x1  0,845, x2  3,37 x3  0,182, x4  5,07.
17. A eliminao com pivotamento parcial com escala e aritmtica de truncamento de trs algarismos fornece
os seguintes resultados.
a. x1  10,0, x2  1,00
b. x1  0,163, x2  9,98, x3  0,142
c. x1  0,171, x2  0,0102, x3  0,0217, x4  1,27
d. x1  0,687, x2  2,66 x3  0,117, x4  3,59.

Cengage Learning, 2008

46MMAnlise Numrica Burden e Faires

19. A eliminao com pivotamento parcial com escala e aritmtica de arredondamento de trs algarismos
fornece os seguintes resultados.
a. x1  10,0, x2  1,00
b. x1  0,00, x2  10,0, x3  0,143
c. x1  0,180, x2  0,0128, x3  0,0200, x4  1,13
d. x1  0,783, x2  3,12, x3  0,147, x4  4,53.
21. Utilizando o Algoritmo 6.1 no Maple com Digits: 10 obtm-se
a. x1  10,00000000, x2  1,000000000
b. x1  0,000000033, x2  10,00000001, x3  0,1428571429
c. x1  0,1768252958, x2  0,0126926913, x3  0,0206540503, x4  1,182608714
d. x1  0,7883937842, x2  3,125413672, x3  0,1675965951, x4  4,557002521.
23. Utilizando o Algoritmo 6.2 no Maple com Digits:10 obtm-se
a. x1  10,00000000, x2  1,000000000
b. x1  0,000000000, x2  10,00000000, x3  0,1428571429
c. x1  0,1768252975, x2  0,0126926909, x3  0,0206540502, x4  1,182608696
d. x1  0,7883937863, x2  3,125413680, x3  0,1675965980, x4  4,557002510.
25. Utilizando o Algoritmo 6.3 no Maple com Digits:10 obtm-se
a. x1  10,00000000, x2  1,000000000
b. x1  0,000000000, x2  10,00000000, x3  0,1428571429
c. x1  0,1768252977, x2  0,0126926909, x3  0,0206540501, x4  1,182608693
d. x1  0,7883937842, x2  3,125413672, x3  0,1675965952, x4  4,557002521.
27. a. x1  9,98, x2  1,00
b. x1  0,0724, x2  10,0, x3  0,0952
c. x1  0,161, x2  0,0125, x3  0,0232, x4  1,42
d. x1  0,719, x2  2,86, x3  0,146, x4  4,00.
29 a. x1  10,0, x2  1,00
b. x1  0,00, x2  10,0, x3  0,143
c. x1  0,179, x2  0,0127, x3  0,0203, x4  1,15
d. x1  0,874, x2  3,49, x3  0,192, x4  5,33.
31. Somente para (a), em que  6.
33. Utilizando o Algoritmo de Pivotamento Completo no Maple com Digits:=10 obtm-se
a. x1  10,00000000, x2  1,000000000
b. x1  0,000000000, x2  10,00000000, x3  0,1428571429
c. x1  0,1768252974, x2  0,01269269087, x3  0,02065405015, x4  1,182608697
d. x1  0,7883937840, x2  3,125413669, x3  0,1675965971, x4  4,557002516.

Exerccios 6.3 (Pgina 363)


1.

a. A matriz singular.

b.

c. A matriz singular.

d.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM47


3.

As solues para os sistemas lineares obtidos nas partes (a) e (b) so, da esquerda para a direita,
3, 6, 2, 1 e 1, 1, 1, 1.

5.

a. Suponha que e so ambas inversas de A. Ento A  A  I e A  A  I. Dessa forma,


 I  (A)  (A)  I  .

7.

b. (AB)(B1 A1)  A(BB1)A1  AIA1  AA1  I e (B1A1)(AB)  B1(A1A)B  B1IB  B1B


 I, de forma que (AB)1  B1A1, j que existe apenas uma inversa.
c. J que A1A  AA1  I, segue que A1 no-singular. Como a inversa nica, temos (A1)1  A.
a. Se C  AB, onde A e B so triangulares inferiores, ento aik  0 se k  i e bkj  0 se k  j. Dessa
forma,
n

k1

kj

cij  aikbkj  aikbkj,


que ter a soma zero a menos que j  i. Conseqentemente, C triangular inferior.
b. Temos aik  0 se k  i e bkj  0 se k  j. Os passos so semelhantes queles na parte (a).
c. Seja L uma matriz triangular inferior no-singular. Para obter a i-sima coluna de L1, resolva n sistemas lineares da forma

em que 1 aparece na i-sima posio para obter a i-sima coluna de L1.


9.

As respostas so as mesmas que aquelas do Exerccio 1.

11. a.

b.
Idade 1
Idade 2
Idade 3

Ano 1
6000
6000
6000

c.

Ano 2
36000
3000
2000

Ano 3
12000
18000
1000

Ano 4
6000
6000
6000

. O elemento i, j o nmero de besouros de idade i necessrios para produzir um

besouro de idade j.
13. a. Temos

Cengage Learning, 2008

48MMAnlise Numrica Burden e Faires

b.

Exerccios 6.4 (Pgina 369)


1.

Os determinantes das matrizes so:


a. 8
b. 14

c. 0

d. 3.

3.

As respostas so as mesmas do Exerccio 1.

5.

  32 e  2

7.

 5

9.

Quando n  2, det A  a11a22  a12a21 exige 2 multiplicaes e 1 subtrao. J que


1
1
2!  2MMeMM2!  1  1,
k1 k!
a frmula vale para n 2. Suponha que a frmula seja verdadeira para n  2, ..., m, e seja A uma matriz
(m  1) (m  1). Ento
m1

det A  a i j A i j ,
j1

para todo i, em que 1  i  m  1. Para calcular cada Aij so necessrias


m1
1
m! multiplicaes e m!  1 adies/subtraes.
k1 k!

Dessa forma, o nmero de multiplicaes para det A


m1
m1
m
1
1
1
1
(m  1) m!  (m  1)  (m  1)!   (m  1)! ,
j1 k!
j1 k!
j1
m!
k!
e o nmero de adies/subtraes

(m  1)[m!  1]  m  (m  1)!  1.
Pelo princpio da induo finita, a frmula vlida para todo n
2.
11. O resultado segue de det AB  det A det B e do Teorema 6.15.
13. a. Se Di for o determinante da matriz formada pela substituio da i-sima coluna de A por b e se
D  det A, ento xi  Di / D, para i  1, ..., n.
n1 1
b. (n  1)! ( k1 k! )  n multiplicaes/divises.
(n  1)!  n  1 adies/subtraes.

Exerccios 6.5 (Pgina 378)


1.

a. x1  3, x2  3, x3  1
b. x1  12 , x2   29 , x3  72 .

3.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM49

5.

7.

b. x1  1, x2  1, x3  1
a. x1  1, x2  2, x3  1
c. x1  1,5, x2  2, x3  1,199998, x4  3
d. x1  2,939851, x2  0,07067770, x3  5,677735, x4  4,379812.

9.

11. a.

Multiplicaes/divises

Adies/subtraes

Fatorando em LU

1

3

n3  n

Resolvendo Ly  b

1

2

n2  21 n

1

2

n2  12 n

Resolvendo Ux  y

1

2

n2  21 n

1

2

n2  12 n

Total

1

3

1

3

n3  n2  31 n

1

3

1

3

n3  12 n2  61 n

n3  12 n2  56 n

Cengage Learning, 2008

50MMAnlise Numrica Burden e Faires

b.

Multiplicaes/divises
1

3

Fatorando em LU

Adies/subtraes

n3  13 n

1

3

n3  12 n2  61 n

Resolvendo Ly(k)  b(k)

( 12 n2  21 n)m

( 12 n2  12 n)m

Resolvendo Ux(k)  y(k)

( 12 n2  21 n)m

( 12 n2  12 n)m

Total

1

3

n3  mn2  31 n

1

3

n3 (m  12 )n2  (m  16 n)

Exerccios 6.6 (Pgina 391)


1.

i. A nica matriz simtrica (a).


ii. A nica matriz singular (c).
iii. As matrizes (a) e (b) so diagonal dominantes.
iv. A nica matriz definida positiva (a)

3.

a.

b.

c.

d.

.5. O algoritmo de Choleski fornece os resultados a seguir.


a.

b.

c.

d.

7.

O algoritmo de fatorao modificado fornece os resultados a seguir.


a. x1  1, x2  1, x3  0
b. x1  0,2, x2  0,2, x3  0,2, x4  0,25
c. x1  1, x2  2, x3  1, x4  2
d. x1  0,8586387, x2  2,418848, x3  0,9581152,
x4  1,272251.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM51


9.

O Algoritmo de Cholesk modificado fornece os resultados a seguir.


b. x1  0,2, x2  0,2, x3  0,2, x4  0,25
a. x1  1, x2  1, x3  0
c. x1  1, x2  2, x3  1, x4  2
d. x1  0,85863874, x2  2,4188482,
x3  0,95811518, x4  1,2722513.

11. O Algoritmo de Fatorao de Crout fornece os seguintes resultados.


b. x1  0,9999995, x2  1,999999, x3  1
a. x1  0,5, x2  0,5, x3  1
c. x1  1, x2  1, x3  0
d. x1  0,09357798, x2  1,587156,
x3  1,167431, x4  0,5412844.
13. Temos xi  1 para todo i 1, ..., 10.
15. Somente a matriz em (d) positiva definida.
17. 2  

3

2

19. 0   1 e 3   5 
21. a. No; por exemplo, considere

b. Sim, j que A  At.


c. Sim, j que xt (A  B)x  xtAx  xtBx.
d. Sim, j que xtA2x  xtAtAx  (Ax)t(Ax)
0 e como A no-singular, a igualdade vale somente se x  0.
e. No; por exemplo, considere

23. a. J que det A  3  2, A singular se e somente se  2/3.


b.    1,   1
c.  1
d.  23 ,  1.
25. Um exemplo

27. O Algoritmo de Fatorao de Crout pode ser reescrito como a seguir:


Passo 1MMFaa l1  a1; u1  c1/l1.
Passo 2MMPara i  2, ..., n  1 faa li  ai  bi ui1; ui  ci/li.
Passo 3MMFaa ln  an  bn un1.
Passo 4MMFaa z1  d1/l1.
Passo 5MMPara i  2, ..., n faa zi  (di  bi zi1)/li.
Passo 6MMFaa xn  zn.
Passo 7MMPara i  n  1, ..., 1 faa xi  zi  uixi1.
Passo 8MMSADA (x1, ..., xn);
PARE.
29. i1  0,6785047,MMi2  0,4214953,MMi3  0,2570093,MMi4  0,1542056, MMi5  0,1028037
31. a. Cruzando o macho i com a fmea j produz-se uma descendncia com as mesmas caractersticas que
cruzando o macho j com a fmea i.
b. No. Considere, por exemplo, x  (1, 0, 1)t.

Exerccios 7.1 (Pgina 408)


1.

a. Temos x  4 e x2  5,220153


b. Temos x  4 e x2  5,477226
k
k
1/2
c. Temos x  2 e x2  (1  4 )
d. Temos x  4/(k  1) e x2  (16/(k  1)2  4/k4  k4e2k)1/2.

Cengage Learning, 2008

52MMAnlise Numrica Burden e Faires

3.

a. Temos limkrx(k)  (0, 0, 0)t


c. Temos limkrx(k)  (0, 0, Q)t

5.

a. Temos x  x  8,57 104 e Ax  b  2,06 104


b. Temos x  x  0,90 e Ax  b  0,27
c. Temos x  x  0,5 e Ax  b  0,3
d. Temos x  x  6,55 102 e Ax  b  0,32.

7.

Seja A 

9.

b. Temos
4a. AF  326

eB

b. Temos limkrx(k)  (0, 1, 3)t


d. Temos limkrx(k)  (1, 1, 1)t.

. Ento AB  2, mas A . B  1.

4b. AF  326

4c. AF  4

4d. AF  148

Exerccios 7.2 (Pgina 415)


1.

a. O autovalor 1  3 tem o autovetor x1  (1, 1)t e o autovalor 2  1 tem o autovetor x2  (1, 1)t.
b. O autovalor 1  (1  5 )/2 tem o autovetor
1  5 t,
x  !1,
@
2
e o autovalor 2  (1  5 )/2 tem o autovetor
1  5 t.
x  !1,
@
2

3.

c. O autovalor 1  Q tem o autovetor x1  (1, 1)t, e o autovalor 2  Q tem o autovetor x2  (1, 1)t.
d. O autovalor 1  2  3 tem os autovetores x1  (0, 0, 1)t e x2  (1, 1, 0)t e o autovalor 3  1 tem o
autovetor x3  (1, 1, 0)t.
e. O autovalor 1  7 tem o autovetor x1  (1, 4, 4)t, o autovalor 2  3 tem o autovetor x2  (1, 2, 0)t
e o autovalor 3  1 tem o autovetor x3  (1, 0, 0)t.
f. O autovalor 1  2  1 tem os autovetores x1  (1, 1, 0)t e x2  (1, 0, 1)t e o autovalor 3  5
tem o autovetor x3  (1, 2, 1)t.
1
1  5
a. 3
b.
c.
d. 3
2
2
e. 7
f. 5.

5.

Somente a matriz em 3(c) convergente.

7.

a. 3
e. 8,224257

9.

J que

b. 1,618034
f. 5,203527.

c. 0,5

d. 3

MMtemosMM

Alm disso,
MMde modo queMM
11. Seja A uma matriz n n. Expandindo ao longo da primeira linha obtm-se o polinmio caracterstico
n

p()  det(A  I)  (a11  )M11  (1) j1 a 1 j M 1 j .


j2

Os determinantes M1j so da forma

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM53

para j  2,..., n. Observe que M1j tem n  2 valores da forma aii  . Dessa forma,
p()  det(A  I)  (a11  )M11  {termos de grau menor ou igual a n  2}
J que

da mesma forma que det (A  I), o mesmo argumento pode ser aplicado repetidamente para determinar
p()  det(a11  )(a22  )(ann  )  {termos de grau menor ou igual n  2}.
Assim, p() um polinmio de grau n.
13. a. det(A  I)  det((A  I)t)  det(At  I)
b. Se Ax  x, ento A2x  Ax  2x e por induo Akx  kx.
c. Se Ax  x, e A1 existe, ento x  A1x. Pelo Exerccio 8 (b),  0, de modo que
1
1
1
d. J que A1x  x, temos (A1)2x  A1x  2 x. A induo finita fornece

x  A1x.

1
(A1)kx  k x

e. Se Ax  x, ento
q(A)x  q0x  q1Ax  qkAkx  q0x  q1x   qkkx  q()x.
f. Suponha que A  I seja no-singular. J que Ax  x,
(A  I)x  Ax  Ix  x  x  (  )x.
Assim,
1
x  (A  I)1x.

15. a. Temos o autovalor real  1 com o autovetor x  (6, 3, 1)t.
b. Escolha qualquer mltiplo do vetor (6, 3, 1)t.
17. Seja Ax  x. Ento  x  Ax  A x, que implica   A. Alm disso, (1/)x  A1x de
modo que 1/  A1 e A11  .

Cengage Learning, 2008

54MMAnlise Numrica Burden e Faires

Exerccios 7.3 (Pgina 429)


1.

Duas iteraes do mtodo de Jacobi fornecem os resultados a seguir.


b. (0,97, 0,91, 0,74)t
a. (0,1428571, 0,3571429, 0,4285714)t
t
c. (0,65, 1,65, 0,4, 2,475)
d. (1,325, 1,6, 1,6, 1,675, 2,425)t.

3.

Duas iteraes do mtodo de Gauss-Seidel fornecem os resultados a seguir.


a. x(2)  (0,1111111, 0,2222222, 0,6190476)t b. x(2)  (0,979, 0,9495, 0,7899)t
c. x(2)  (0,5, 2,64, 0,336875, 2,267375)t d. x(2)  (1,189063, 1,521354, 1,862396, 1,882526,
2,255645)t.

5.

O Algoritmo de Jacobi fornece os seguintes resultados.


a. x(10)  (0,03507839, 0,2369262, 0,6578015)t
b. x(6)  (0,9957250, 0,9577750, 0,7914500)t
(22)
c. x  (0,7975853, 2,794795, 0,2588888, 2,251879)t
d. x (12)  (0,7870883, 1,003036, 1,866048, 1,912449, 1,985707)t.

7.

O Algoritmo de Gauss-Seidel fornece os seguintes resultados.


a. x(6)  (0,03535107, 0,2367886, 0,6577590)t
b. x(4)  (0,9957475, 0,9578738, 0,7915748)t
(10)
c. x  (0,7973091, 2,794982, 0,2589884, 2,251798)t
d. x(7)  (0,7866825, 1,002719, 1,866283, 1,912562, 1,989790)t.

9.

Duas iteraes do mtodo SRS fornecem os resultados a seguir.


a. (0,05410079, 0,2115435, 0,6477159)t
b. (0,9876790, 0,9784935, 0,7899328)t
c. (0,71885, 2,818822, 0,2809726, 2,235422)t
d. (1,079675, 1,260654, 2,042489, 1,995373, 2,049536)t.

11. Duas iteraes do mtodo SRS com   1,3 fornecem os resultados a seguir.
a. x(2)  (0,1040103, 0,1331814, 0,6774997)t b. x(2)  (0,957073, 0,9903875, 0,7206569)t
c. x(2)  (1,23695, 3,228752, 0,1523888, 2,041266)t
d. x(2)  (0,7064258, 0,4103876, 2,417063, 2,251955, 1,061507)t.
13. O Algoritmo SRS fornece os resultados a seguir.
a. x(12)  (0,03488469, 0,2366474, 0,6579013)t
b. x(7)  (0,9958341, 0,9579041, 0,7915756)t
(8)
c. x  (0,7976009, 2,795288, 0,2588293, 2,251768)t
d. x(10)  (0,7866310, 1,002807, 1,866530, 1,912645, 1,989792)t.
15. As matrizes tridiagonais esto nas partes (b) e (c).
(9b): Para   1,012823 temos x(4)  (0,9957846, 0,9578935, 0,7915788)t.
(9c): Para   1,153499 temos x(7)  (0,7977651, 2,795343, 0,2588021, 2,251760)t.
17. a.

5

Assim, os autovalores de Tj so 0 e  2 i, portanto r(Tj) 


b. x(25)  (20,827873, 2,0000000, 22,827873)t
e det(I  Tg)  ( 

c.

5

2

 1.

) . Assim, os autovalores de Tg so 0,  2 e  2 e

1
2
2

r(Tg)  2 .
d. x(23)  (1,0000023, 1,9999975, 1,0000001)t com preciso 105 na norma l.
1

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM55


19. a. A no estritamente diagonal dominante.
e r(Tj)  0,97210521. J que Tj convergente, o mtodo de Jacobi convergir.

b.

c. Com x(0)  (0,0,0)t, x(187)  (0,90222655, 0,79595242, 0,69281316)t.


d. r(Tj)  1,39331779371. J que Tj no convergente, o mtodo de Jacobi no convergir.
21. a. Subtraia x  Tx  c de x(k)  Tx(k1)  c para obter x(k)  x  T(x(k1)  x). Assim,
x(k)  x  T x(k1)  x.
Por induo, temos.
x(k)  x  Tkx(0)  x.
O resto da demonstrao semelhante demonstrao de Corolrio 2.5.
b. A ltima coluna no tem valor quando T  1.
2

1 (a)
1 (b)
1 (c)
1 (d)
1 (e)
1 (f)

x(2)  x

T

T x(0)  x

0,22932
0,051579
1,1453
0,27511
0,59743
0,875

0,857143
0,3
0,9
1
1
0,75

0,48335
0,089621
2,2642
0,75342
1,9897
1,125

T

x(1)  x(0)
1  T
2,9388
0,11571
20,25

3,375

23. Seja 1, ..., n os autovalores de T. Ento


n

i  det T  det((D  L)1[(1  )D  U])

i1

 det(D  L)1 det((1  )D  U)  det(D1) det((1  )D)


1
 ((1  )na11a22ann))  (1  )n.
(a11a22ann)

Assim,
r(T)  max i
  1,
1in

e   1  1 se e somente se 0    2.

Cengage Learning, 2008

56MMAnlise Numrica Burden e Faires

25.

x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
x16
x17
x18
x19
x20
x21
x22
x23
x24
x25
x26
x27
x28
x29
x30
x31
x32
x33
x34
x35
x36
x37
x38
x39
x40
x41
x42
x43
x44
x45
x46

Jacobi com
33 iteraes
1,53873501
0,73142167
0,10797136
0,17328530
0,04055865
0,08525019
0,16645040
0,12198156
0,10125265
0,09045966
0,07203172
0,07026597
0,06875835
0,06324659
0,05971510
0,05571199
0,05187851
0,04924911
0,04678213
0,04448679
0,04246924
0,04053818
0,03877273
0,03718190
0,03570858
0,03435107
0,03309542
0,03192212
0,03083007
0,02980997
0,02885510
0,02795937
0,02711787
0,02632478
0,02557705
0,02487017
0,02420147
0,02356750
0,02296603
0,02239424
0,02185033
0,02133203
0,02083782
0,02036585
0,01991483
0,01948325

Cengage Learning, 2008

Gauss Seidel com


8 iteraes
1,53873270
0,73141966
0,10796931
0,17328340
0,04055595
0,08524787
0,16644711
0,12197878
0,10124911
0,09045662
0,07202785
0,07026266
0,06875421
0,06324307
0,05971083
0,05570834
0,05187416
0,04924537
0,04677776
0,04448303
0,04246493
0,04053444
0,03876852
0,03717822
0,03570451
0,03434748
0,03309152
0,03191866
0,03082637
0,02980666
0,02885160
0,02795621
0,02711458
0,02632179
0,02557397
0,02486733
0,02419858
0,02356482
0,02296333
0,02239171
0,02184781
0,02132965
0,02083545
0,02036360
0,01991261
0,01948113

SRS (  1,2 )
com 13 iteraes
1,53873549
0,73142226
0,10797063
0,17328480
0,04055737
0,08524925
0,16644868
0,12198026
0,10125043
0,09045793
0,07202912
0,07026392
0,06875546
0,06324429
0,05971200
0,05570949
0,05187529
0,04924648
0,04677885
0,04448409
0,04246597
0,04053546
0,03876952
0,03717920
0,03570548
0,03434844
0,03309246
0,03191958
0,03082727
0,02980755
0,02885248
0,02795707
0,02711543
0,02632262
0,02557479
0,02486814
0,02419938
0,02356560
0,02296410
0,02239247
0,02184855
0,02133038
0,02083615
0,02036429
0,01991324
0,01948175

RESPOSTAS DE EXERCCIOS SELECIONADOSMM57

x47
x48
x49
x50
x51
x52
x53
x54
x55
x56
x57
x58
x59
x60
x61
x62
x63
x64
x65
x66
x67
x68
x69
x70
x71
x72
x73
x74
x75
x76
x77
x78
x79
x80

Jacobi com
33 iteraes
0,01907002
0,01867387
0,01829386
0,71792896
0,01757833
0,01724113
0,01691660
0,01660406
0,01630279
0,01601230
0,01573198
0,01546129
0,01519990
0,01494704
0,01470181
0,01446510
0,01423556
0,01401350
0,01380328
0,01359448
0,01338495
0,01318840
0,01297174
0,01278663
0,01270328
0,01252719
0,01237700
0,01221009
0,01129043
0,01114138
0,01217337
0,01201771
0,01542910
0,01523810

Gauss Seidel com


8 iteraes
0,01906793
0,01867187
0,01829190
0,01792707
0,01757648
0,01723933
0,01691487
0,01660237
0,01630127
0,01601082
0,01573087
0,01546020
0,01519909
0,01494626
0,01470085
0,01446417
0,01423437
0,01401233
0,01380234
0,01359356
0,01338434
0,01318780
0,01297109
0,01278598
0,01270263
0,01252656
0,01237656
0,01220965
0,01129009
0,01114104
0,01217312
0,01201746
0,01542896
0,01523796

SRS (  1,2 )
com 13 iteraes
0,01906846
0,01867239
0,01829233
0,01792749
0,01757683
0,01723968
0,01691517
0,01660267
0,01630146
0,01601101
0,01573077
0,01546010
0,01519878
0,01494595
0,01470077
0,01446409
0,01423461
0,01401256
0,01380242
0,01359363
0,01338418
0,01318765
0,01297107
0,01278597
0,01270271
0,01252663
0,01237654
0,01220963
0,01129008
0,01114102
0,01217313
0,01201746
0,01542896
0,01523796
t

27. Para 0    2, seja T  (D  L)1[(1  )D  Lt]. Seja P  A  T AT e observe que P simtrico. Deduzimos uma nova representao para T:
(D  L)T  (1  )D  Lt  (D  L)  A,MMentoMMT  I  (D  L)1A.
Seja Q  (D  L)1 e Qt  A[(D  L)1]t. Novamente P  Q[AQ1  (Qt)1A  A]Q. Mas
1
1
AQ1   (D  L) e (Qt)1A   (D  Lt) de forma que
1
AQ1  (Qt)1A  A  [D  L  D  Lt]  A

2
2
 D  D  D  L  Lt  A  !  1@D.


Assim, P  ( 2  1)QtDQ. J que 0    2, temos 2  1  0 e P definida positiva. A demonstrao
segue o Exerccio 16 com Tg substitudo por T. Conseqentemente, T convergente.
Cengage Learning, 2008

58MMAnlise Numrica Burden e Faires

Exerccios 7.4 (Pgina 440)


1.

O nmero de condicionamento na  .  :
a. 50
b. 241,37

3.
a.
b.
c.
d.

x  x 
8,571429 104
0,1
0,04
20

c. 600,002

d. 339,866.

K(A)b  Ax  /A
1,238095 102
3,832060
0,8
1,152440 105

5.

A eliminao de Gauss e o refinamento iterativo fornecem os resultados a seguir.


a. (i) (10,0, 1,01)t , (ii) (10,0, 1,00)t
b. (i) (12,0, 0,499, 1,98)t , (ii) (1,00, 0,500 1,00)t
c. (i) (0,185, 0,0103, 0,0200 1,12)t , (ii) (0,177, 0,0127, 0,0207 1,18)t
d. (i) (0,799, 3,12, 0,151, 4,56)t , (ii) (0,758, 3,00, 0,159, 4,30)t.

7.

A matriz est mal-condicionada j que K  60.002. Temos x  (1,0000, 2,0000)t.

9.

Para qualquer vetor x, temos


x
.
x  A1Ax  A1Ax,MMentoMMAx

A1
Seja x  0 tal que  x   1 e Bx  0. Ento
1
1
(A  B)x
x
MMeMM

 .
(A  B)x  Ax

A1 A
K(A)
A1
A
Como x  1,
1
A  B
(A  B)x  A  Bx  A  BMMeMM
.
K(A)
A

11. a. K(H(4))  28.375


b. K(H(5))  943.656
c. soluo real x  (124, 1560, 3960, 2660)t; soluo aproximada x  (124,2, 1563,8, 3971,8,
2668,8)t;
x  x 
x  x   11,8;  0,02980;
x

Exerccios 7.5 (Pgina 455)


1.

(0,18, 0,13)t
a. (0,19, 0,10)t
b. A eliminao de Gauss fornece a melhor resposta, j que v(2)  (0, 0)t no mtodo gradiente conjugado.
c. (0,13, 0,21)t. No h melhora, embora v(2)  0.

3.

a. (1,00, 1,00, 1,00)t


b. (0,827, 0,0453, 0,0357)t
c. Pivotamento parcial e pivotamento parcial com escala tambm resulta (1,00, 1,00, 1,00)t
d. (0,776, 0,238, 0,185)t; O resduo de (3b) (0,0004, 0,0038, 0,0037)t, e o resduo de (3d) (0,0022,
0,0038, 0,0024)t. No parece haver muita melhora, se h alguma. O erro de arredondamento predominante por causa do aumento do nmero das multiplicaes de matrizes.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM59

5.

a. x(2)  (0,1535933456, 0,1697932117, 0,5901172091)t, r(2)  0,221


b. x(2)  (0,9993129510, 0,9642734456, 0,7784266575)t, r(2)  0,144
c. x(2)  (0,7290954114, 2,515782452, 0,6788904058, 2,331943982)t, r(2)  2,2
d. x(2)  (0,7071108901, 0,0954748881, 0,3441074093, 0,5256091497)t, r(2)  0,39
e. x(2)  (0,5335968381, 0,9367588935, 1,339920949, 1,743083004, 1,743083004)t, r(2)  1,3
f. x(2)  (1,022375671, 1,686451893, 1,022375671, 2,060919568, 0,8310997764, 2,060919568)t,
r(2)  1,13.

7.

a. x(3)  (0,06185567013, 0,1958762887, 0,6185567010)t, r(3)  0,4 109


b. x(3)  (0,9957894738, 0,9578947369, 0,7915789474)t, r(3)  0,1 109
c. x(4)  (0,7976470579, 2,795294120, 0,2588235305, 2,251764706)t, r(4)  0,39 107
d. x(4)  (0,7534246575, 0,04109589039, 0,2808219179, 0,6917808219)t, r(4)  0,11 109
e. x(5)  (0,4516129032, 0,7096774197, 1,677419355, 1,741935483, 1,806451613)t,
r(5)  0,2 109.
f. x(4)  (1,000000000, 2,000000000, 1,000000000, 2,000000000, 0,9999999997, 2,000000000)t,
r(4)  0,44 109.

9.

a.
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
x16

Jacobi com
49 iteraes
0,93406183
0,97473885
1,10688692
1,42346150
0,85931331
0,80688119
0,85367746
1,10688692
0,87672774
0,80424512
0,80688119
0,97473885
0,93003466
0,87672774
0,85931331
0,93406183

Gauss-Seidel com
28 iteraes
0,93406917
0,97475285
1,10690302
1,42347226
0,85932730
0,80690725
0,85370564
1,10690579
0,87674384
0,80427330
0,80691173
0,97475850
0,93004542
0,87674661
0,85933296
0,93407462

SRS (  1,3)
com 13 iteraes
0,93407584
0,97476180
1,10691093
1,42347591
0,85933633
0,80691961
0,85371536
1,10691075
0,87675177
0,80428301
0,80691989
0,97476265
0,93004899
0,87675155
0,85933709
0,93407672

Gradiente Conjugado
com 9 iteraes
0,93407713
0,97476363
1,10691243
1,42347699
0,85933790
0,80692197
0,85372011
1,10691250
0,87675250
0,80428524
0,80692252
0,97476392
0,93004987
0,87675298
0,85933979
0,93407768

Cengage Learning, 2008

60MMAnlise Numrica Burden e Faires

b.
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
x16
x17
x18
x19
x20
x21
x22
x23
x24
x25

Jacobi com
60 iteraes
0,39668038
0,07175540
0,23080396
0,24549277
0,83405412
0,51497606
0,12116003
0,24044414
0,37873579
1,09073364
0,54207872
0,13838259
0,23083868
0,41919067
1,15015953
0,51497606
0,12116003
0,24044414
0,37873579
1,09073364
0,39668038
0,07175540
0,23080396
0,24549277
0,83405412

Cengage Learning, 2008

Gauss-Seidel com
35 iteraes
0,39668651
0,07176830
0,23078609
0,24550989
0,83406516
0,51498897
0,12118683
0,24040991
0,37876891
1,09075392
0,54209658
0,13841682
0,23079452
0,41923122
1,15018477
0,51499318
0,12119315
0,24040359
0,37877365
1,09075629
0,39669142
0,07177567
0,23077872
0,24551542
0,83406793

SRS (  1,2)
com 23 iteraes
0,39668915
0,07177348
0,23077981
0,24551535
0,83406823
0,51499414
0,12119625
0,24039898
0,37877812
1,09075899
0,54210286
0,13842774
0,23078224
0,41924136
1,15019025
0,51499864
0,12120236
0,24039345
0,37878188
1,09076069
0,39669449
0,07178074
0,23077323
0,24551982
0,83407025

Gradiente Conjugado
com 11 iteraes
0,39669775
0,07178516
0,23076923
0,24552253
0,83407148
0,51500583
0,12121212
0,24038462
0,37878788
1,09076341
0,54211344
0,13844211
0,23076923
0,41925019
1,15019425
0,51500583
0,12121212
0,24038462
0,37878788
1,09076341
0,39669775
0,07178516
0,23076923
0,24552253
0,83407148

RESPOSTAS DE EXERCCIOS SELECIONADOSMM61

c.
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
x16
x17
x18
x19
x20
x21
x22
x23
x24
x25
x26
x27
x28
x29
x30
x31
x32
x33
x34
x35
x36
x37
x38
x39
x40

Jacobi com
15 iteraes
3,07611424
1,65223176
0,53282391
0,04471548
0,17509673
0,29568226
0,37309012
0,42757934
0,46817927
0,49964748
0,52477026
0,54529835
0,56239007
0,57684345
0,58922662
0,59995522
0,60934045
0,61761997
0,62497846
0,63156161
0,63748588
0,64284553
0,64771764
0,65216585
0,65624320
0,65999423
0,66345660
0,66666242
0,66963919
0,67241061
0,67499722
0,67741692
0,67968535
0,68181628
0,68382184
0,68571278
0,68749864
0,68918652
0,69067718
0,68363346

Gauss-Seidel com
9 iteraes
3,07611739
1,65223563
0,53282528
0,04471608
0,17509661
0,29568223
0,37309011
0,42757934
0,46817927
0,49964748
0,52477026
0,54529835
0,56239007
0,57684345
0,58922662
0,59995522
0,60934045
0,61761997
0,62497846
0,63156161
0,63748588
0,64284553
0,64771764
0,65216585
0,65624320
0,65999423
0,66345660
0,66666242
0,66963919
0,67241061
0,67499722
0,67741692
0,67968535
0,68181628
0,68382184
0,68571278
0,68749864
0,68918652
0,69067718
0,68363346

SRS (  1,1)
com 8 iteraes
3,07611796
1,65223579
0,53282531
0,04471609
0,17509661
0,29568223
0,37309011
0,42757934
0,46817927
0,49964748
0,52477026
0,54529835
0,56239007
0,57684345
0,58922662
0,59995522
0,60934045
0,61761997
0,62497846
0,63156161
0,63748588
0,64284553
0,64771764
0,65216585
0,65624320
0,65999423
0,66345660
0,66666242
0,66963919
0,67241061
0,67499722
0,67741691
0,67968535
0,68181628
0,68382184
0,68571278
0,68749864
0,68918652
0,69067718
0,68363346

Gradiente Conjugado
com 8 iteraes
3,07611794
1,65223582
0,53282528
0,04471604
0,17509661
0,29568218
0,37309011
0,42757927
0,46817927
0,49964748
0,52477027
0,54529836
0,56239009
0,57684347
0,58922664
0,59995523
0,60934045
0,61761998
0,62497847
0,63156161
0,63748588
0,64284553
0,64771764
0,65216585
0,65624320
0,65999422
0,66345660
0,66666242
0,66963919
0,67241060
0,67499721
0,67741691
0,67968535
0,68181628
0,68382184
0,68571278
0,68749864
0,68918652
0,69067717
0,68363349

Cengage Learning, 2008

62MMAnlise Numrica Burden e Faires

11. a.

b.

Soluo
Resduo
2,55613420
0,00668246
4,09171393
0,00533953
4,60840390
0,01739814
3,64309950
0,03171624
5,13950533
0,01308093
7,19697808
0,02081095
7,68140405
0,04593118
5,93227784
0,01692180
5,81798997
0,04414047
5,85447806
0,03319707
5,94202521
0,00099947
4,42152959
0,00072826
3,32211695
0,02363822
4,49411604
0,00982052
4,80968966
0,00846967
3,81108707
0,01312902
Isto converge em 6 iteraes com tolerncia 5,00 102 na norma l e r(6)  0,046
Soluo
2,55613420
4,09171393
4,60840390
3,64309950
5,13950533
7,19697808
7,68140405
5,93227784
5,81798996
5,85447805
5,94202521
4,42152959
3,32211694
4,49411603
4,80968966
3,81108707

Resduo
0,00668246
0,00533953
0,01739814
0,03171624
0,01308093
0,02081095
0,04593118
0,01692180
0,04414047
0,03319706
0,00099947
0,00072826
0,02363822
0,00982052
0,00846967
0,01312902

Isto converge em 6 iteraes com tolerncia 5,00 102 na norma l e r(6)  0,046
c. Todas as tolerncias levam s mesmas especificaes de convergncia.
13. a. Seja {v(1),, v(n)} um conjunto A-ortogonal de vetores no-nulos para a matriz A definida positiva
simtrica. Ento v(i), Av(j)
 0 se i  j. Suponha que
c1v(1)  c2v(2)   cnv(n)  0,
em que nem todo ci zero. Suponha que k seja o menor inteiro para o qual ck  0. Ento
ckv(k)  ck1v(k1)   cnv(n)  0.
Isolamos v(k) para obter
ck1 (k1)
c
v

 n v(n).
v(k)  
ck
ck

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM63

Multiplicando por A obtm-se


ck1 (k1)
c
Av

 n Av(n),
Av(k)  
ck
ck
de modo que
ck1 (k) t (k1)
c
(v ) Av

 n (v(k))tAv(n),
(v(k))tAv(k)  
ck
ck
ck1 (k)
c
 
v , Av(k1)
  n v(k), Av(n)

ck
ck
c
ck1 .
 
0   n . 0.
ck
ck
Como A definida positiva, v(k)  0, o que uma contradio. Assim, todo ci deve ser zero e {v(1),,
v(n)} linearmente independente.
b. Seja {v(1),, v(n)} um conjunto A-ortogonal de vetores no-nulos para a matriz A definida positiva
simtrica e seja z ortogonal a v(i) para cada i  1, ..., n. Da parte (a), o conjunto{v(1),, v(n)} linearmente independente, de forma que existe uma coleo de constantes 1, ..., n com
n

z  iv(i).
i1

Conseqentemente,
n

i1

i1

z, z
 zt z  iztv(i)  i . 0  0,
e o Teorema 7.30, parte (v), implica que z  0.

Exerccios 8.1 (Pgina 467)


1.

O polinmio de mnimos quadrados linear 1,70784x  0,89968.

3.

Os polinmios de mnimos quadrados com seus erros so, respectivamente, 0,6208950  1,219621x, com
E  2,719 105;
0,5965807  1,253293x  0,01085343x2, com E  1,801 105; e
0,6290193  1,185010x  0,03533252x2  0,01004723x3, com E  1,741 105.

5.

a. O polinmio de mnimos quadrados linear 72,0845x  194,138, com erro 329.


b. O polinmio de mnimos quadrados de grau dois 6,61821x2  1,14352x  1,23556, com erro 1,44
103.
c. O polinmio de mnimos quadrados de grau trs 0,0136742x3  6,84557x2  2,37919x  3,42904,
com erro 5,27 104.
d. A aproximao de mnimos quadrados da forma beax 24,2588e0,372382x, com erro 418.
e. A aproximao de mnimos quadrados da forma bxa 6,23903x2,01954, com erro 0,00703.

7.

a. k  0,8996, E (k)  0,295


b. k  0,9052, E (k)  0,128. A parte (b) ajusta melhor a totalidade dos dados experimentais.

9.

A reta de mnimos quadrados para a mdia dos pontos 0,101 (pontuao ACT)  0,487.

11 O polinmio de mnimos quadrados linear fornece y  0,17952 x  8,2084.


13. a. ln R  ln 1,304  0,5756 ln W
c. ln R  ln 1,051  0,7006 ln W  0,06695 (ln W)2

b. E  25,25
37
a
2 2
d. E  i1(Ri  bW i ec(lnWi) )  20,30.

Cengage Learning, 2008

64MMAnlise Numrica Burden e Faires

Exerccios 8.2 (Pgina 478)


1.

3.

As aproximaes por mnimos quadrados lineares so:


b. P1(x)  1,600003  3,600003x
a. P1(x)  1,833333  4x
c. P1(x)  1,140981  0,2958375x
d. P1(x)  0,1945267  3,000001x
e. P1(x)  0,6109245  0,09167105x
f. P1(x)  1,861455  1,666667x.
As aproximaes por mnimos quadrados de grau dois so:
a. P2(x)  2,000002  2,999991x  1,000009x2
b. P2(x)  0,4000163  2,400054x  3,000028x2
c. P2(x)  1,723551  0,9313682x  0,1588827x2
d. P2(x)  1,167179  0,08204442x  1,458979x2
e. P2(x)  0,4880058  0,8291830x  0,7375119x2
f. P2(x)  0,9089523  0,6275723x  0,2597736x2.

5.

a. 0,3427x109
d. 0,0106445

7.

O processo de Gram-Schmidt gera os conjuntos de polinmios a seguir:


1
a. f0(x)  1, f1(x)  x  0,5, f2(x)  x2  x  6 , e f3(x)  x3  1,5x2  0,6x  0,05

9.

b. 0,0457142
e. 0,0000134621

c. 0,000358354
f. 0,0000967795.

b. f0(x) 1, f1(x)  x  1, f2(x)  x2  2x 

2

3

, e f3(x)  x3  3x2 

c. f0(x) 1, f1(x)  x  2, f2(x)  x2  4x 

11

3

, e f3(x)  x3  6x2  11,4x  6,8.

12

5

x

2

5

Os polinmios de mnimos quadrados de grau dois so:


a. P2(x)  3,833333f0(x)  4f1(x)  0,9999998f2(x)
b. P2(x)  2f0(x)  3,6f1(x)  3f2(x)
c. P2(x)  0,5493061f0(x)  0,2958369f1(x)  0,1588785f2(x)
d. P2(x)  3,194528f0(x)  3f1(x)  1,458960f2(x)
e. P2(x)  0,6567600f0(x)  0,09167105f1(x)  0,73751218f2(x)
f. P2(x)  1,471878f0(x)  1,666667f1(x)  0,2597705f2(x).

11. Os polinmios de Laguerre so L1 (x)  x  1, L2 (x)  x2  4x  2 e L3 (x)  x3  9x2  18x  6.

Exerccios 8.3 (Pgina 488)


1.

Os polinmios interpoladores de grau dois so:


a. P2(x)  2,377443  1,590534(x  0,8660254)  0,5320418 (x  0,8660254)x
b. P2(x)  0,7617600  0,8796047(x  0,8660254)
c. P2(x)  1,052926  0,4154370(x  0,8660254)  0,1384262x (x  0,8660254)
d. P2(x)  0,5625  0,649519(x  0,8660254)  0,75x(x  0,8660254).

3.

Os limitantes para os erros mximos dos polinmios no Exerccio 1 so:


a. 0,1132617
b. 0,04166667
c. 0,08333333

d. 1,000000.

5.

Os zeros de T3 produzem os polinmios interpoladores de grau dois a seguir.


a. P2(x) = 0,3489153  0,1744576(x  2,866025)  0,1538462(x  2,866025)(x  2)
b. P2(x)  0,1547375  0,2461152(x  1,866025)  0,1957273(x  1,866025)(x  1)
c. P2(x)  0,6166200  0,2370869(x  0,9330127)  0,7427732(x  0,9330127)(x  0 5)
d. P2(x)  3,0177125  1,883800(x  2,866025 ) 0,2584625(x 2866025)(x  2).

7.

O polinmio cbico

Cengage Learning, 2008

383

384

x

x aproxima o sen x com erro mximo de 7,19 104.

5
3
32

RESPOSTAS DE EXERCCIOS SELECIONADOSMM65

9.

A mudana da varivel x  cos u produz


1
1
T 2n(n)
[cos (n arccos x)]2
dx 



2
1
1
1  x
1  x2

 (cos(nu)) dx  2 .

Exerccios 8.4 (Pgina 498)


1.

As aproximaes de Pad de grau dois para f (x)  e2x so:


n  2, m  0 : r2,0(x)  1  2x  2x2
n  1, m  1 : r1,1 (x)  (1  x)/(1  x)
n  0, m  2 : r0,2 (x)  (1  2x  2x2)1
i
1
2
3
4
5

3.

r2,3(x)  (1 
i
1
2
3
4
5

5.

7.

xi
0,2
0,4
0,6
0,8
1,0

f (xi)
1,4918
2,2255
3,3201
4,9530
7,3891
2

5

xi
0,2
0,4
0,6
0,8
1,0

r3,3(x)  (x 

x

r2,0(xi)
1,4800
2,1200
2,9200
3,8800
5,0000

x )/(1 

1
2
20

f (xi)
1,22140276
1,49182470
1,82211880
2,22554093
2,71828183
x )/(1 

7
3
60

3

5

x

r1,1(xi)
1,5000
2,3333
4,0000
9,0000
indefinido
x 

3
2
20

1

60

R0,2(xi)
1,4706
1,9231
1,9231
1,4706
1,0000

x3)

r2,3(xi)
1,22140277
1,49182561
1,82213210
2,22563652
2,71875000

1
2
20

x)

xi

f (xi)

0
1
2
3
4
5

0,0
0,1
0,2
0,3
0,4
0,5

0,00000000
0,09983342
0,19866933
0,29552021
0,38941834
0,47942554

Polinmio de
Maclaurin
de grau 6
0,00000000
0,09966675
0,19733600
0,29102025
0,37875200
0,45859375

r3,3(xi)

0,00000000
0,09938640
0,19709571
0,29246305
0,38483660
0,47357724

As aproximaes de Pad de grau cinco so:


1
1
1
1
x4  x5)1
a. r0,5(x)  (1  x  2 x2  6 x3  24
120
b. r1,4(x)  (1 

1

5

x)/(1 

c. r3,2(x)  (1 

3

5

x

3
2
20

d. r4,1(x)  (1 

4

5

x

3
2
10

i
1
2
3
4
5

xi
0,2
0,4
0,6
0,8
1,0

4

5

x

x 

3
2
10

x 

1
3
60

x 

1
3
15

x )/(1 

f (xi)
0,81873075
0,67032005
0,54881164
0,44932896
0,36787944

x 

x 

1
4
120

x

1
2
20

1
3
15
2

5

x)

x ))/(1 

1
4
120

r0,5(xi)
0,81873081
0,67032276
0,54883296
0,44941181
0,36809816

x)
1

5

x)

r1,4(xi)
0,81873074
0,67031942
0,54880635
0,44930678
0,36781609

r2,3(xi)
0,81873075
0,67031963
0,54880763
0,44930966
0,36781609

r4,1(xi)
0,81873077
0,67032099
0,54882143
0,44937931
0,36805556

Cengage Learning, 2008

66MMAnlise Numrica Burden e Faires

9.

rT2,0(x)  (1,266066T0(x)  1,130318T1(x)  0,2714953T2(x)/T0(x)


rT1,1(x)  (0,9945705T0(x)  0,4569046T1(x))/(T0(x)  0,48038745T1(x))
rT0,2(x)  0,7940220T0(x)/(T0(x)  0,8778575T1(x)  0,1774266T2(x)
i
1
2
3

xi
0,25
0,50
1,00

f(xi)
0,77880078
0,60653066
0,36787944

rT2,0(xi)
0,74592811
0,56515935
0,40724330

rT1,1(xi)
0,78595377
0,61774075
0,36319269

rT0,2(xi)
0,74610974
0,58807059
0,38633199

0,91747T1(x)
11. rT2,2(x) 
T0(x)  0,088914T2(x)
i
0
1
2
3
4

xi
0,00
0,10
0,20
0,30
0,40

f(xi)
0,00000000
0,09983342
0,19866933
0,29552021
0,38941834

rT2,2(xi)
0,00000000
0,09093843
0,18028797
0,26808992
0,35438412

s
 s
 eMln10
e  eln10 2 es  10 2 es
13. a. ex  eMln10
M

s2  x3)/(1  s  s2  s3), com erro  3,75 107.


b. es  (1  2 s  10
120
2
10
120
c. Faa M  arredondamento (0,8685889638x), s  x  M / (0,8685889638) e

1
1
1
1
1
1
s2  x3)/(1  s  s2  s3). Ento f  (3,16227766)Mf .
f  (1  2 s  10
120
2
10
120
1

Exerccios 8.5 (Pgina 506)


2

3

1.

S2(x) 

3.

S3 (x)  3,676078  3,676078 cos x  1,470431 cos 2x  0,7352156 cos 3x  3,676078 sen x
 2,940862 sen 2x
n1 1  (1)k
1
1
Sn(x)  2  k1
sen kx
k

5.

 4 cos x  cos 2x

7.

Os polinmios de mnimos quadrados trigonomtricos so:


a. S2(x)  cos 2x
b. S2(x)  0
c. S3(x)  1,566453  0,5886815 cos x  0,2700642 cos 2x  0,2175679 cos 3x  0,8341640 sen x
0,3097866 sen 2x
d. S3(x)  2,046326  3,883872 cos x  2,320482 cos 2x  0,7310818 cos 3x.

9.

O polinmio de mnimos quadrados trigonomtrico S3(x)  0,4968929  0,2391965 cos x 


1,515393 cos 2x  0,2391965 cos 3x  1,150649 sen x, com erro E (S3)  7,271197.

11. Os polinmios de mnimos quadrados trigonomtricos e seus erros so


a. S3(x)  0,08676065  1,446416 cos (x  3)  1,617554 cos 2(x  3)  3,980729 cos 3(x  3)
 2,154320 sen (x  3)  3,907451 sen 2 (x  3) com E(S3)  210,90453
b. S3(x)  0,0867607  1,446416 cos (x  3)  1,617554 cos 2(x  3)  3,980729 cos 3(x  3)
 2,354088 cos 4(x  3)  2,154320 sen (x  3)  3,907451 sin 2(x  3)  1,166181
sen 3(x  3) com E(S4)  169,4943.
0

13. Seja f (x)   f (x). A integral a f (x) dx sob a mudana da varivel t  x se transforma em


Assim,

a

a

f(t)dt  

f(x)dx 

Cengage Learning, 2008

f(t)dt 

f(x)dx 

f(t)dt  

f(x)dx  

f(x)dx.

f(x)dx 

f(x)dx  0.

RESPOSTAS DE EXERCCIOS SELECIONADOSMM67

Exerccios 8.6 (Pgina 516)


1.

Os polinmios interpoladores trigonomtricos so:


a. S2(x)  12,33701  4,934802 cos x  2,467401 cos 2x  4,934802 sen x
b. S2(x)  6,168503  9,869604 cos x  3,701102 cos 2x  4,934802 sen x
c. S2(x)  1,570796  1,570796 cos x
d. S2(x)  0,5  0,5 cos 2x  sen x.

3.

O Algoritmo de Transformada Rpida de Fourier fornece os seguintes polinmios interpoladores trigonomtricos.


a. S4(x)  11,10331  2,467401 cos x  2,467401 cos 2x  2,467401 cos 3x  1,233701 cos 4x
 5,956833 sen x  2,467401 sen 2x  1,022030 sen 3x
b. S4(x)  1,570796  1,340759cos x  0,2300378cos 3x
c. S4(x)  0,1264264  0,2602724 cos x  0,3011140 cos 2x  1,121372cos 3x  0,04589648 cos 4x
 0,1022190 sen x  0,2754062 sen 2x  2,052955 sen 3x
e. S4(x)  0,1526819  0,04754278 cos x  0,6862114 cos 2x  1,216913 cos 3x  1,176143 cos 4x
 0,8179387 sen x  0,1802450 sen 2x  0,2753402 sen 3x.

5.
a.
b.
c.
d.
7.

Aproximao
69,76415
9,869602
0,7943605
0,9593287

Real
62,01255
9,869604
0,2739383
0,9557781

Os termos bj so todos nulos. Os termos aj so os seguintes.


a0  4,0008033
a4  0,3030271
a8  0,0663172
a12  0,0291807
a16  0,0166380
a20  0,0109189
a24  0,0078430
a28  0,0060069
a32  0,0048308
a36  0,0040398
a40  0,0034903
a44  0,0031015
a48  0,0028256
a52  0,0026333
a56  0,0025066
a60  0,0024345

a1  3,7906715
a5  0,1813613
a9  0,0520612
a13  0,0249129
a17  0,0148174
a21  0,0099801
a25  0,0072984
a29  0,0056650
a33  0,0046040
a37  0,0038837
a41  0,0033803
a45  0,0030233
a49  0,0027705
a53  0,0025960
a57  0,0024837
a61  0,0024242

a2  2,2230259
a6  0,1216231
a10  0,0420333
a14  0,0215458
a18  0,0132962
a22  0,0091683
a26  0,0068167
a30  0,0053578
a34  0,0043981
a38  0,0037409
a42  0,0032793
a46  0,0029516
a50  0,0027203
a54  0,0025626
a58  0,0024642
a62  0,0024169

a3  0,6258042
a7  0,0876136
a11  0,0347040
a15  0,0188421
a19  0,0120123
a23  0,0084617
a27  0,0063887
a31  0,0050810
a35  0,0042107
a39  0,0036102
a43  0,0031866
a47  0,0028858
a51  0,0026747
a55  0,0025328
a59  0,0024478
a63  0,0024125

Exerccios 9.1 (Pgina 527)


1.

a. Os autovalores e autovetores associados so 1  2, v(1)  (1, 0, 0)t; 2  1, v(2)  (0, 2, 1)t e 3  1,
v(3)  (1, 1, 1)t. O conjunto linearmente independente.
b. Os autovalores e autovetores associados so 1  2, v(1)  (0, 1, 0)t; 2  3, v(2)  (1, 0, 1)t e
3  1, v(3)  (1, 0, 1)t. O conjunto linearmente independente.
c. Os autovalores e autovetores associados so 1  1, v(1)  (0, 1, 1)t; 2  1  2, v(2)  (2, 1, 1)t
e 3  1  2, v(3)  (2, 1, 1)t. O conjunto linearmente independente.

Cengage Learning, 2008

68MMAnlise Numrica Burden e Faires


d. 1  2  2 com x(1)  x(2)  (1, 0, 0)t e 3  3 com x(3)  (0, 1, 1)t.
3.

a. A matriz em 1(b) definida positiva.


b.

5.

a. Os trs autovalores esto contidos em {   2}  {   2  2}.


b. Os trs autovalores esto contidos em R1  {   4  2}.
c. Os trs autovalores reais satisfazem 0   6.
d. Os trs autovalores reais satisfazem 1,25   8,25.

7.

Os vetores so linearmente dependentes j que 2v1  7v2  3v3  0

9.

Se c1v1  ckvk  0, ento para todo j, com 1  j  k, temos c1vjt v1  ckvjt vk  0. Mas a ortogonalidade fornece civjt vi  0 para i  j, ento cjvjt vj  0 e como vjt vj  0, devemos ter cj  0.
n

11. J que {vi} i1 linearmente independente em  , existem nmeros c1, ..., cn com
x  c1v1  cnvn.
Conseqentemente, para todo k, com 1  k  n.
t

vkx  c1vkv1  cnvkvn  ckvkvk  ck.


13. a. Os autovalores so 1  5,307857563, 2  0,4213112993, 3  0,1365462647 com autovetores
associados (0,59020967, 0,51643129, 0,62044441)t, (0,77264234, 0,13876278, 0,61949069)t, e
(0,23382978, 0,84501102, 0,48091581)t, respectivamente.
b. A no definida positiva j que 2  0 e 3  0.

Exerccios 9.2 (pgina 541)


1.

Os autovalores aproximados e autovetores aproximados so:


a. (3)  3,666667,MMx(3) (0,9772727, 0,9318182, 1)t
b. (3)  2,000000,MMx(3)  (1, 1, 0, 5)t
c. (3)  5,000000,MMx(3)  (0,2578947, 1, 0,2842105)t
d. (3)  5,038462,MMx(3)  (1, 0,2213741, 0,3893130, 0,4045802)t.

3.

Os autovalores aproximados e autovetores aproximados so:


a. (3)  1,027730,MMx(3)  (0,1889082, 1, 0,7833622)t
b. (3)  0,4166667,MMx(3)  (1, 0,75, 0,6666667)t
c. (3)  17,64493,MMx(3)  (0,3805794, 0,09079132, 1)t
d. (3)  1,378684,MMx(3)  (0,3690277, 0,2522880, 0,2077438, 1)t.

5.

Os autovalores aproximados e autovetores aproximados so:


a. (3)  3,959538,MMx(3)  (0,5816124, 0,5545606, 0,5951383)t
b. (3)  2,0000000,MMx(3)  (0,6666667, 0,6666667, 0,3333333)t
c. (3)  7,189567,MMx(3)  (0,5995308, 0,7367472, 0,3126762)t
d. (3)  6,037037,MMx(3)  (0,5073714, 0,4878571, 0,6634857, 0,2536857)t.

7.

Os autovalores aproximados e autovetores aproximados so:


a. 1  (9)  3,999908,MMx(9)  (0,9999943, 0,9999828, 1)t
b. 1  (13) 2,414214,MMx(13)  (1, 0,7071429, 0,7070707)t

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM69


c. 1  (9)  5,124749,MMx(9)  (0,2424476, 1, 0,3199733)t
d. 1  (24)  5,235861,MMx(24)  (1, 0,6178361, 0,1181667, 0,4999220)t.
9.

a. (9)  1,00001523 com x(9)  (0,19999391, 1, 0,79999087)t


b. (12)  0,41421356 com x(12)  (1, 0,70709184, 0,707121720)t
c. O mtodo no convergiu em 25 iteraes. Porm, a convergncia ocorreu em (42) 1,63663642 e
x(42)  (0,57068151, 0,3633658, 1)t.
d. (9)  1,38195929 com x(9)  (0,38194003, 0,23610068, 0,23601909, 1)t.

11. Os autovalores aproximados e autovetores aproximados so:


a. (8)  4,0000000,MMx(8)  (0,5773547, 0,5773282, 0,5773679)t
b. (13)  2,414214,MMx(13)  (0,7071068, 0,5000255, 0,4999745)t
c. (16)  7,223663,MMx(16)  (0,6247845, 0,7204271, 0,3010466)t
d. (20)  7,086130,MMx(20)  (0,3325999, 0,2671862, 0,7590108, 0,4918246)t.
13. Os autovalores aproximados e autovetores aproximados so:
a. 2  (1)  1,000000,MMx(1)  (2,999908, 2,999908, 0)t
b. 2  (1)  1,000000,MMx(1)  (0, 1,414214, 1,414214)t
c. 2  (6)  1,636734,MMx(6)  (1,783218, 1,135350, 3,124733)t
d. 2  (10)  3,618177,MMx(10)  (0,7236390, 1,170573, 1,170675, 0,2763374)t.
15. Os autovalores aproximados e autovetores aproximados so:
a. (8)  4,000001,MMx(8)  (0,9999773, 0,99993134, 1)t
b. O mtodo falha por causa da diviso por zero
c. (7)  5,124890,MMx(7)  (0,2425938, 1, 0,3196351)t
d. (15)  5,236112,MMx(15)  (1, 0,6125369, 0,1217216, 0,4978318)t.
17. Os autovalores aproximados e autovetores aproximados so:
a. (2)  1,000000,MMx(2)  (0,1542373, 0,7715828, 0,6171474)t
b. (13)  1,000000,MMx(13)  (0,00007432, 0,7070723, 0,7071413)t
c. (14)  4,961699,MMx(14)  (0,4814472, 0,05180473, 0,8749428)t
d. (17)  4,428007,MMx(17)  (0,7194230, 0,4231908, 0,1153589, 0,5385466)t.
19. a. Temos   6 para todos os autovalores .
b. O autovalor aproximado (133)  0,69766854, com o autovetor aproximado x(133)  (1, 0,7166727,
0,2568099, 0,04601217)t.
c. O polinmio caracterstico P()  4 

1

4

1

16

e os autovalores so 1  0,6976684972,

2  0,2301775942  0,56965884i, 3  0,2301775942  0,56965884i e 4  0,237313308.


d. A populao do besouro deveria tender a zero j que A convergente.
21. Utilizando o mtodo da Potncia Inverso com x(0)  (1, 0, 0, 1, 0, 0, 1, 0, 0, 1)t e q  0 obtm-se os resultados a seguir:
a. (49)  1,0201926, portanto r(A1)  1/(49)  0,9802071;
b. (30)  1,0404568, portanto r(A1)  1/(30)  0,9611163;
c. (22)  1,0606974, portanto r (A1)  1/(22)  0,9427760. O mtodo parece ser estvel para todo em
1
3
[ 4 , 4 ].
23. Formando A1B e utilizando o mtodo da Potncia com x(0)  (1, 0, 0, 1, 0, 0, 1, 0, 0, 1)t obtm-se os
resultados a seguir:
a. O raio espectral aproximadamente (46)  0,9800021.
b. O raio espectral aproximadamente (25)  0,9603543.
c. O raio espectral aproximadamente (18)  0,9410754.

Cengage Learning, 2008

70MMAnlise Numrica Burden e Faires

Exerccios 9.3 (Pgina 551)


1.

O mtodo de Householder produz as matrizes tri-diagonais a seguir.

3.

O mtodo de Householder produz as matrizes tri-diagonais a seguir.

Exerccios 9.4 (Pgina 560)


1.

Duas iteraes do Algoritmo QR produzem as matrizes a seguir.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM71

3.

As matrizes no Exerccio 1 tm os autovalores a seguir, com preciso de 105.


a. 3,414214, 2,000000, 0,58578644
b. 0,06870782, 5,346462, 2,722246
c. 1,267949, 4,732051, 3,000000
d. 4,745281, 3,177283, 1,822717, 0,2541788
e. 3,438803, 0,8275517, 1,488068, 3,778287 f. 0,9948440, 1,189091, 0,5238224, 0,1922421.

5.

As matrizes no Exerccio 1 tm os autovetores a seguir, com preciso de 105.


a. (0,7071067, 1, (0,7071067)t, (1, 0, 1)t, (0,7071068, 1, 0,7071068)t
b. (0,1741299, 0,5343539, 1)t, (0,4261735, 1, 0,4601443)t, (1, 0,2777544, 0,3225491)t
c. (0,2679492, 0,7320508, 1)t, (1, 0,7320508, 0,2679492)t, (1, 1, 1)t
d. (0,08029447, 0,3007254, 0,7452812, 1)t, (0,4592880, 1, 0,7179949, 0,8727118)t,
(0,8727118, 0,7179949, 1, 0,4592880)t, (1, 0,7452812, 0,3007254, 0,08029447)t
e. (0,01289861, 0,07015299, 0,4388026, 1)t, (0,1018060, 0,2878618, 1, 0,4603102)t,
(1, 0,5119322, 0,2259932, 0,05035423)t, (0,5623391, 1, 0,2159474, 0,03185871)t
f. (0,1520150, 0,3008950, 0,05155956, 1)t, (0,3627966, 1, 0,7459807, 0,3945081)t,
(1, 0,09528962, 0,6907921, 0,1450703)t, (0.8029403, 0,9884448, 1, 0,1237995)t.

7.

a. Seja
P

u
[ cos
senu

senu
cos u

e y  Px. Mostre que x2  y2. Utilize a relao x1  ix2  rei , em que r  x2 e  tg1 (x2/x1)
e y1  iy2  rei( u).
b. Faa x  (1, 0)t e u  /4.
9.

Seja C  RQ em que R triangular superior e Q de Hessenberg superior. Ento cij  k1rik qkj. Como
n
R uma matriz triangular superior, rik  0 se k  i. Assim cij  k1rik qkj. Como Q uma matriz de
j1
Hessenberg superior, qkj  0 se k  j  1. Ento cij  ki rik qkj. A soma ser nula se i  j  1.
Conseqentemente, cij  0 se i
j  2. Isto significa que C uma matriz de Hessenberg superior.

13. a. Com preciso de 105, os autovalores so 2,618034, 3,618034, 1,381966 e 0,3819660.


b. Em termos de p e r os autovalores so 65,45085 p/r, 90,45085 p/r, 34,54915p/r e 9,549150p/r.
15. Os autovalores reais so os seguintes:
1
a. Quando  4 temos 0,97974649, 0,92062677, 0,82743037, 0,70770751, 0,57115742, 0,42884258,
0,29229249, 0,17256963, 0,07937323 e 0,02025351.
1
b. Quando  2 , temos 0,95949297, 0,84125353, 0,65486073, 0,41541501, 0,14231484, 0,14231484,
0,41541501, 0,65486073, 0,84125353 e 0,95949297.
c. Quando 

3
4

temos 0,93923946, 0,76188030, 0,48229110, 0,12312252, 0,28652774, 0,71347226,

1,12312252, 1,48229110, 1,76188030 e 1,93923946. O mtodo parece ser estvel para 

1

2

Exerccios 10.1 (Pgina 574)


1.

Utilize o Teorema 10.5.

3.

Utilize o Teorema 10.5 para cada uma das derivadas parciais.

5.

a. Com x(0)  (0, 0)t e tolerncia 105, temos x(13)  (0,9999973, 0,9999973)t.
b. Com x(0)  (0, 0)t e tolerncia 105, temos x(11)  (0,9999984, 0,9999991)t.

Cengage Learning, 2008

72MMAnlise Numrica Burden e Faires

7.

a. Com x(0)  (1, 1, 1)t, temos x(5)  (5,0000000, 0,0000000, 0,5235988)t


b. Com x(0)  (1, 1, 1)t, temos x(9)  (1,0364011, 1,0857072, 0,93119113)t
c. Com x(0)  (0, 0, 0,5)t, temos x(5)  (0,00000000, 0,09999999, 1,0000000)t
d. Com x(0)  (0, 0, 0)t, temos x(5)  (0,49814471, 0,19960600, 0,52882595)t.

9.

a. Com x(0)  (1, 1, 1)t, temos x(3)  (0,5000000, 0, 0,5235988)t


b. Com x(0)  (1, 1, 1)t, temos x(4)  (1,036400, 1,085707, 0,9311914)t
c. Com x(0)  (0, 0, 0)t, temos x(3)  (0, 0,1000000, 1,0000000)t
d. Com x(0)  (0, 0, 0)t, temos x(4)  (0,4981447, 0,1996059, 0,5288260)t.

11. Uma soluo estvel ocorre quando x1  8.000 e x2  4.000.

Exerccios 10.2 (Pgina 582)


1.

a. x(2)  (0,4958936, 1,983423)t


b. x(2)  (0,5131616, 0,01837622)t
c. x(2)  (23,942626, 7,6086797)t.
d. x(1) no pode ser calculado, j que J (0) singular.

3.

a. (0,5, 0,2)t e (1,1, 6,1)t


b. (0,35, 0,05)t, (0,2, 0,45)t, (0,4, 0,5)t e (1,0,3)t
c. (1, 3,5)t, (2,5, 4)t
d. (0,11, 0,27)t.

5.

a. Com x(0)  (0,5, 2)t, x(3)  (0,5, 2)t. Com x(0)  (1,1, 6,1)t, x(3)  (1,0967197, 6,0409329)t
b. Com x(0)  (0,35, 0,05)t, x(3)  (0,37369822, 0,05626649)t. Com x(0)  (0,2, 0,45)t
x(4)  (0,14783924, 0,43617762)t
Com x(0)  (0,4, 0,5)t, x(3)  (0,40809566, 0,49262939)t. Com x(0)  (1, 0,3)t, x(4)  (1,0330715,
0,27996184)t
c. Com x(0)  (1, 3,5)t, x(1)  (1, 3,5)t e x(0)  (2,5, 4)t, x(3)  (2,546947, 3,984998)t
d. Com x(0)  (0,11, 0,27)t, x(6)  (0,1212419, 0,2711051)t.

7.

a. x(5)  (0,5000000, 0,8660254)t


c. x(5)  (1,456043, 1,664230, 0,4224934)t

9.

Com x(0)  (1,1,  1)t e TOL  106, temos x(20)  (0,5, 9,5 107, 0,5235988)t.

b. x(6)  (1,772454, 1,772454)t


d. x(4)  (0,4981447, 0,1996059, 0,5288260)t.

11. Quando a dimenso n 1, F(x) uma funo de uma componente f (x)  f1(x) e o vetor x tem apenas
uma componente x1  x. Nesse caso, a matriz Jacobiana J(x) se reduz matriz 1 1 [f1/x1(x)]  f (x)
 f (x). Dessa forma, a equao vetorial
x(k)  x(k1)  J(x(k1))1F(x(k1))
torna-se uma equao escalar
f (xk1)
.
xk  xk1  f(xk1)1f(xk1)  xk1 
f(xk1)
(0)

13. Com ui  1, para todo i  1, 2, ..., 20, so obtidos os resultados a seguir.


i
(5)
ui

1
0,14062

2
0,19954

3
0,24522

4
0,28413

5
0,31878

6
0,35045

i
(5)
ui

7
0,37990

8
0,40763

9
0,43398

10
0,45920

11
0,48348

12
0,50697

Cengage Learning, 2008

13
0,52980

RESPOSTAS DE EXERCCIOS SELECIONADOSMM73

i
(5)
ui

14
0,55205

15
0,57382

16
0,59516

17
0,61615

18
0,63683

19
0,65726

20
0,67746

Exerccios 10.3 (Pgina 590)


1.

a. x(2)  (0,4777920, 1,927557)t


c. x(2)  (0,52293721, 0,82434906)t

b. x(2)  (0,3250070, 0,1386967)t


d. x(2)  (1,77949990, 1,74339606)t.

3.

a. Com x(0)  (0, 0)t, temos x(8)  (0,5, 2)t.


b. Com x(0)  (0, 0)t, temos x(9)  (0,3736982, 0,05626649)t.
c. x(9)  (0,5, 0,8660254)t
d. x(8)  (1,772454, 1,772454)t.

5.

a. Com x(0)  (2,5, 4)t, temos x(3)  (2,546947, 3,984998)t


b. Com x(0)  (0,11, 0,27)t, temos x(4)  (0,1212419, 0,2711052)t
c. Com x(0)  (1, 1, 1)t, temos x(3)  (1,036401, 1,085707, 0,9311914)t
d. Com x(0)  (1, 1, 1)t, temos x(8)  (0,9, 1, 0,5)t; e com x(0)  (1, 1, 1)t, temos x(8)  (0,5, 1 0,5)t.

7.

Com x(0)  (1, 1, 1)t, temos x(56)  (0,5000591, 0,01057235, 0,5224818)t.

9.

Seja um autovalor de M  (I  uvt) com autovetor x  0. Ento x  Mx  (I  uvt)x  x  (vtx)u.


Assim, (  1)x  (vtx)u. Se  1, ento vtx  0. Ento  1 um autovalor de M com multiplicidade
n  1 e autovetores x(1), ..., x(n1) em que vtx(j)  0, para j  1, ..., n  1. Supor  1 implica que x e u
so paralelos. Suponha que x  u. Ento (  1) u  (vt ( u))u. Assim, (  1)u  (vtu)u, o que
implica que  1  vtu ou  1  vtu. Conseqentemente, M tem autovalores i, 1  i  n em que
n
i  1, para 1, ..., n  1 e n  1  vtu. J que det M  i1 i, temos det M  1  vtu.

11. Com x(0)  (0,75, 1,25)t, temos x(4)  (0,7501948, 1,184712)t. Assim, a  0,7501948, b  1,184712 e o
erro 19,796.

Exerccios 10.4 (Pgina 597)


1.

a. Com x(0)  (0, 0)t, temos x(11)  (0,4943541, 1,948040)t


b. Com x(0)  (1, 1)t, temos x(1)  (0,50680304, 0,91780051)t
c. Com x(0)  (2, 2)t, temos x(1)  (1,736083, 1,804428)t
d. Com x(0)  (0, 0)t, temos x(2)  (0,3610092, 0,05788368)t.

3.

a. x(3)  (0,5, 2)t


c. x(4)  (1,772454, 1,772454)t

b. x(3)  (0,5, 0,8660254)t


d. x(3)  (0,3736982, 0,05626649)t.

5.

a. x(3)  (1,036400, 1,085707, 0,9311914)t


c. x(3)  (1,456043, 1,664230, 0,4224934)t

b. x(3)  (0,5, 1, 0,5)t


d. x(6)  (0,0000000, 0,10000001, 1,0000000)t.

Exerccios 10.5 (Pgina 604)


1.

a. (3, 2,25)t

3.

Utilizando x(0)  0 em todas as partes obtm-se:


a. (0,44006047, 1,8279835)t
b. (0,41342613, 0,096669468)t
c. (0,49858909, 0,24999091, 0,52067978)t
d. (6,1935484, 18,532258, 21,725806)t.

5.

a. Com x (0)  (1, 3,5)t, o resultado (1, 3,5)t.


Com x (0)  (2,5, 4)t o resultado (1, 3,5)t
b. Com x (0)  (0,11, 0,27)t o resultado (0,12124195, 0,27110516)t.
c. Com x (0)  (1, 1, 1)t o resultado (1,0360047, 1,08570655, 0,93119144)t.

b. (0,42105263, 2,6184211)t

c. (2,173110, 1,3627731)t.

Cengage Learning, 2008

74MMAnlise Numrica Burden e Faires


d. Com x (0)  (1, 1, 1)t o resultado (0,90016074, 1,00238008, 0,496610937)t
Com x (0)  (1, 1, 1)t o resultado (0,50104035, 1,00238008, 0,49661093)t.
7.

a. Com x (0)  (1, 3,5)t o resultado (1, 3,5)t. Com x(0)  (2,5, 4)t o resultado (2,5469465,
3,9849975)t.
b. Com x(0)  (0,11, 0,27)t o resultado (0,12124191, 0,27110516)t
c. Com x(0)  (1, 1, 1)t o resultado (1,0360047, 1,08570655, 0,93119144)t
d. Com x(0)  (1, 1, 1)t o resultado (0,900015964, 1,00021826, 0,49968944)t
Com x (0)  (1, 1, 1)t o resultado (0,5009653, 1,00021826, 0,49968944)t.

9.

(0,50024553, 0,078230039, 0,5216996)t.

11. Para todo , temos


0  G(, x())  F(x())  eF(x(0)),
de modo que
F(x()) dx
0   eF(x(0))  J(x())x()  eF(x(0))MeMJ(x())x()  eF(x(0))  F(x(0)).
d
x
Assim,
x()  J(x())1F(x(0)).
Com N  1, temos h  1, de forma que
x(1)  x(0)  J(x(0))1F(x(0)).
Porm, o mtodo de Newton fornece:
x(1)  x(0)  J(x(0))1F(x(0)).
Como x(0)  x(0), temos x(1)  x(1).

Exerccios 11.1 (Pgina 613)


1.

O Algoritmo Shooting Linear fornece os resultados nas tabelas a seguir.


a.

3.

i
1

xi
0,5

1i
0,82432432

y(xi)
0,82402714

i
1
2
3

xi
0,25
0,50
0,75

1i
0,3937095
0,8240948
1,337160

y(xi)
0,3936767
0,8240271
1,337086

1i
0,1676179
0,4581901
0,6077718

y(xi)
0,1676243
0,4581935
0,6077740

O Algoritmo Shooting Linear fornece os resultados nas tabelas a seguir.


a.

i
3
6
9

xi
0,3
0,6
0,9

1i
0,7833204
0,6023521
0,8568906

y(xi)
0,7831923
0,6022801
0,8568760

b.

i
5
10
15

xi
1,25
1,50
1,75

i
xi
1i
y(xi)
d.
i
xi
1i
3
0,3
0,5185754 0,5185728
3
1,3
0,0655336
6
0,6
0,2195271 0,2195247
6
1,6
0,0774590
9
0,9
0,0406577 0,0406570
9
1,9
0,0305619
O Algoritmo Shooting Linear com h  0,05 fornece os resultados a seguir.

c.

5.

b.

i
6
10
16

xi
0,3
0,5
0,8

1i
0,04990547
0,00673795
0,00033755

Cengage Learning, 2008

y(xi)
0,06553420
0,07745947
0,03056208

RESPOSTAS DE EXERCCIOS SELECIONADOSMM75


O Algoritmo Shooting Linear com h  0,1 fornece os resultados a seguir.
i
3
5
8

xi
0,3
0,5
0,8

1i
0,05273437
0,00741571
0,00038976

7.

a. O potencial aproximado u (3)  36,66702 utilizando h  0,1.


b. A potencial real u (3)  36,66667.

9.

a. No existem solues se b for um inteiro mltiplo de e B  0.


b. Existe uma soluo nica sempre que b no for um inteiro mltiplo de .
c. Existe um nmero infinitivo de solues se b for um mltiplo inteiro de e B  0.

Exerccios 11.2 (Pgina 619)


1.

O Algoritmo Shooting No-linear fornece w1  0,405505  ln 1,5  0,405465.

3.

O Algoritmo Shooting No-linear fornece os resultados nas tabelas a seguir.


a. i
xi
0 1,00000000
1 1,20000000
2 1,40000000

1i
2i
0,50000000 0,24999645
0,45454784 0,20660805
0,41667074 0,17360737

3 1,60000000 0,38462082 0,14792494


4 1,80000000 0,35714950 0,12754660
5 2,00000000 0,33334113 0,11110631
Convergncia em 3 iteraes t  0,24999645
c. i
xi
0 2,00000000
1 2,20000000
2 2,40000000

1i
1,19314718
1,24300222
1,29213370

2i
0,24999064
0,24792509
0,24304604

3 2,60000000 1,34012348 0,23667511


4 2,80000000 1,38675666 0,22957777
5 3,00000000 1,43193699 0,22220426
Convergncia em 3 iteraes t  0,24999064

b.

i
0
1
2

xi
1i
2i
1,00000000 2,00000000 0,00037561
1,20000000 2,03368970 0,30438685
1,40000000 2,11465981 0,48837177

3 1,60000000 2,22530062 0,60800801


4 1,80000000 2,35575016 0,68995503
5 2,00000000 2,50001814 0,74803626
Convergncia em 7 iteraes t  0,00037560915
d.

i
0
1

xi
1i
2i
1,00000000 0,0000000 1,00003300
1,10000000 0,12685765 1,55599879

2
3
4

1,20000000 0,31505131 2,22764352


1,30000000 0,57641412 3,02019435
1,40000000 0,92328031 3,93845898

5
6
7

1,50000000 1,36844649 4,98688802


1,60000000 1,92513857 6,16962437
1,70000000 2,60698306 7,49054305

8 1,80000000 3,42798193 8,95328379


9 1,90000000 4,40249050 10,56127800
10 2,00000000 5,54519780 12,31777134
Convergncia em 8 iteraes t  1,0000330
5.

a. Modifique o Algoritmo 11.2 como a seguir:


Passo 1MMFaa h  (b  a )/N;
k2
TK1  (  )/(b  a).
Passo 2MMFaa 1,0  ;
2,0  TK1.
Passo 3MMPara i  1, ..., N, execute Passos 4 e 5.

Cengage Learning, 2008

76MMAnlise Numrica Burden e Faires


Passo 4MMFaa x  a  (i  1)h.
Passo 5MMFaa
k1,1  h2,i1;
k1,2  hf (x, 1,i1, 2,i1);
k2,1  h (2,i1  k1,2/2);
k2,2  hf (x  h/2, 1,i1  k1,1/2, 2,i1  k1,2/2);
k3,1  h (2,i1  k2,2/2);
k3,2  hf (x  h/2, 1,i1  k2,1/2, 2,i1  k2,2/2);
k4,1  h (2,i1  k3,2/2);
k4,2  hf (x  h/2, 1,i1  k3,1, 2,i1  k3,2);
1,i  1,i1  (k1,1  2k2,1  2k3,1  k4,1)/6;
2,i  2,i1  (k1,2  2k2,2  2k3,2  k4,2)/6.
Passo 6MMFaa TK2  TK1  (  1,N)/(b  a ).
Passo 7MMEnquanto (k  M) execute Passos 8 a 15.
Passo 8MMFaa 2,0  TK2;
HOLD  1,N.
Passo 9MMPara i  1, ..., N, execute Passos 10 e 11.
Passo 10MM(O mesmo que o Passo 4)
Passo 11MM(O mesmo que o Passo 5)
Passo 12MMSe 1,N    TOL, ento execute Passos 13 e 14.
Passo 13MMPara i  0, ..., N, faa x  a  ih;
SADA (x, 1,i, 2,i).
Passo 14MMPARE.
Passo 15MMFaa
TK  TK2  (1,N  ) (TK2  TK1 )/(1,N  HOLD);
TK1 TK2;
TK2  TK;
k  k  1.
Passo 16MMSADA (Nmero mximo de iteraes excedido.);
PARE.
b. (3a) 3 iteraes:
(3c) 3 iteraes:
i
1
2
3
4

xi
1,2
1,4
1,6
1,8

1i
0,45453896
0,41665348
0,38459538
0,35711592

y(xi)
0,45454545
0,41666667
0,38461538
0,35714286

i
1
2
3
4

1i
1,24299575
1,29211897
1,34009800
1,38671706

xi
2,2
2,4
2,6
2,8

y(xi)
1,24300281
1,29213540
1,34012683
1,38676227

Exerccios 11.3 (Pgina 625)


1.

O Algoritmo da Diferena Finita Linear fornece os seguintes resultados.


a.

i
1

xi
0,5

1i
0,83333333

y(xi)
0,82402714

4(0,82653061)  0,83333333
c.  0,82426304.
3

Cengage Learning, 2008

b.

i
1
2
3

xi
0,25
0,5
0,75

1i
0,39512472
0,82653061
1,33956916

y(xi)
0,39367669
0,82402714
1,33708613

RESPOSTAS DE EXERCCIOS SELECIONADOSMM77


3.

5.

O Algoritmo da Diferena Finita Linear fornece os resultados nas tabelas a seguir.


a.

i
2
5
7

xi
0,2
0,5
0,7

c.

i
3
6
9

xi
0,3
0,6
0,9

y(xi)
1,0221404
0,59713617
0,65290384

1i
y(xi)
0,5183084 0,5185728
0,2192657 0,2195247
0,0405748 0,04065697

b.

i
5
10
15

xi
1,25
1,50
1,75

1i
0,16797186
0,45842388
0,60787334

y(xi)
0,16762427
0,45819349
0,60777401

d.

i
3
6
9

xi
1,3
1,6
1,9

1i
0,0654387
0,0773936
0,0305465

y(xi)
0,0655342
0,0774595
0,0305621

O Algoritmo da Diferena Finita Linear fornece os resultados nas tabelas a seguir.


i
3
6
9

7.

1i
1,018096
0,5942743
0,6514520

xi
0,3
0,6
0,9

i(h  0,1)
0,05572807
0,00310518
0,00016516

i
6
12
18

xi
0,3
0,6
0,9

i(h  0,1)
0,05132396
0,00263406
0,00013340

a. As deflexes aproximadas so mostradas na tabela a seguir.


i
xi
1i
5
30
0,0102808
10
60
0,0144277
15
90
0,0102808
b. Sim.
c. Sim; a mxima deflexo ocorre em x  60. A soluo exata est dentro da tolerncia, mas a aproximao no est.

Exerccios 11.4 (Pgina 631)


1.

O Algoritmo da Diferena Finita No-Linear fornece os seguintes resultados.


i
1

3.

xi
1,5

1i
0,4067967

y(xi)
0,4054651

O Algoritmo da Diferena Finita No-Linear fornece os resultados Nas tabelas a seguir.


a.

i
0
1
2

xi
1,00000000
1,20000000
1,40000000

1i
0,50000000
0,45458862
0,41672067

3 1,60000000
0,38466137
4 1,80000000
0,35716943
5 2,00000000
0,33333333
Convergncia em 2 iteraes

b.

i
0
1
2

xi
1,00000000
1,20000000
1,40000000

1i
2,00000000
2,03402730
2,11487319

3 1,60000000
2,22536304
4 1,80000000
2,35572844
5 2,00000000
2,50000000
Convergncia em 3 iteraes

Cengage Learning, 2008

78MMAnlise Numrica Burden e Faires

c.

i
0
1
2

xi
2,0
2,2
2,4

1i
1,19314718
1,24305499
1,29220221

3
4
5

2,6
2,8
3,0

1,34018566
1,38679780
1,43194562

d.

Convergncia em 2 iteraes

i
0
1
2

xi
1,00000000
1,20000000
1,40000000

1i
0,00000000
0,12489059
0,31108664

3
4
5

1,60000000
1,80000000
2,00000000

0,57051196
0,91563623
1,35943651

6
7

1,20000000
1,40000000

1,91536814
2,59734258

8 1,60000000
3,41971133
9 1,80000000
4,39725498
10 2,00000000
5,54517744
Convergncia em 4 iteraes
5.(b). Para (4a)
xi
1,2
1,4
1,6
1,8

i(h  0,2)
0,45458862
0,41672067
0,38466137
0,35716943

i(h  0,1)
0,45455753
0,41668202
0,38462855
0,35715045

i(h  0,05)
0,45454935
0,41667179
0,38461984
0,35714542

EXT1,i
0,45454717
0,41666914
0,38461761
0,35714412

EXT2,i
0,45454662
0,41666838
0,38461694
0,35714374

EXT3,i
0,45454659
0,41666833
0,38461689
0,35714372

i(h  0,1)
2,0335158
2,1144386
2,2250937
2,3556001

i(h  0,05)
2,0333796
2,1143243
2,2250236
2,3555668

EXT1,i
2,0333453
2,1142937
2,2250039
2,3555573

EXT2,i
2,0333342
2,1142863
2,2250003
2,3555556

EXT3,i
2,0333334
2,1142858
2,2250000
2,3355556

Para (4c)
xi
1,2
1,4
1,6
1,8

7.

i(h  0,2)
2,0340273
2,1148732
2,2253630
2,3557284

A matriz Jacobiana J  (ai,j) tridiagonal com elementos


1
a1,1  2  h2fy!x1, 1, (2  )@,
2h
1
h
a1,2  1  fy!x1, 1, (2  )@,
2
2h
1
h
ai,i1  1  fy!xi, i, (i1  i1)@,
2
2h
1
ai,i  2  h2fy!xi, i, (i1  i1)@,
2h
1
h
ai,i1  1  fy!xi, i, (i1  i1)@,
2
2h

para 2  i  N  1
para 2  i  N  1
para 2  i  N  1

1
h
aN,N1  1  fy!xN, N, (  N1)@,
2
2h
1
aN,N  2  h2fy!xN, N, (  N1)@.
2h
Assim, ai,i
2  h2, para i  1, ..., N. J que  fy (x, y, y)  L e h  2/L,
hL
h
fy(x, y, y)   1.
2
2

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM79


Ento

h
1
a1,2  1  fy!x1, 1, (2  )@  2  a1,1 ,
2
2h
ai,i1  ai,i1  ai,i1  ai,i1
h
1
h
1
 1  fy!xi, i, (i1  i1)@  1  fy!xi, i, (i1  i1)@
2
2h
2
2h
 2  ai,i,
e
1
h
aN,N1  aN,N1  1  fy!xN, N, (  N1)@  2  aN,N.
2
2h
Pelo teorema 6.29, a matriz J no-singular.

Exerccios 11.5 (Pgina 645)


1.

O Algoritmo Linear por Partes fornece f(x)  0,07713274f1(x)  0,07442678f2(x). Os valores reais
so y(x1)  0,07988545 e y(x2)  0,07712903.

3.

O Algoritmo Linear por Partes fornece os resultados nas tabelas a seguir.

5.

7.

9.

a.

i
3
6
9

xi
0,3
0,6
0,9

f(xi)
0,212333
0,241333
0,090333

c.

i
5
10
15

xi
0,25
0,50
0,75

f(xi)
0,3585989
0,5348383
0,4510165

y(xi)
0,21
0,24
0,09
y(xi)
0,3585641
0,5347803
0,4509614

b.

i
3
6
9

xi
0,3
0,6
0,9

f(xi)
0,1815138
0,1805502
0,05936468

y(xi)
0,1814273
0,1804753
0,05934303

d.

i
5
10
15

xi
f(xi)
y(xi)
0,25 0,1846134 0,1845204
0,50 0,2737099 0,2735857
0,75 0,2285169 0,2284204

O Algoritmo de Spline Cbico fornece os resultados nas tabelas a seguir.


a.

i
3
6
9

xi
0,3
0,6
0,9

f(xi)
0,2100000
0,2400000
0,0900000

c.

i
5
10
15

xi
0,25
0,50
0,75

f(xi)
0,3585639
0,5347779
0,4509109

i
3
6
9

xi
0,3
0,6
0,9

f(xi)
1,0408182
1,1065307
1,3065697

y(xi)
0,21
0,24
0,09
y(xi)
0,3585641
0,5347803
0,4509614

b.

i
3
6
9

xi
0,3
0,6
0,9

f(xi)
0,1814269
0,1804753
0,05934321

y(xi)
0,1814273
0,1804754
0,05934303

d.

i
5
10
15

xi
f(xi)
y(xi)
0,25 0,1845191 0,1845204
0,50 0,2735833 0,2735857
0,75 0,2284186 0,2284204

y(xi)
1,0408182
1,1065306
1,3065697

Uma mudana na varivel   (x  a)/(b  a) fornece o problema de contorno


d
 (p((b  a)  a)y)  (b  a)2q((b  a)  a)y  (b  a)2f((b  a)  a),
d
em que 0    1, y (0)  e y(1)  . Ento o Exerccio 6 pode ser utilizado.

Cengage Learning, 2008

80MMAnlise Numrica Burden e Faires


n1

13. Para c  (c0, c1, ..., cn1)t e f(x)  i0 cifi(x), temos
ctAc 

 p(x)[f(x)]  q(x)[f(x)] dx.


1

Mas p (x)  0 e q(x)[f(x)]2


0, ento ct Ac
0 e pode ser 0, para x  0, somente se f(x)  0 em [0,1].
Entretanto, {f0, f1,, fn1} linearmente independente, de modo que f(x)  0 em [0,1] e ct Ac  0
se e somente se c  0.

Exerccio 12.1 (Pgina 659)


1.

O Algoritmo das Diferenas Finitas na Equao de Poisson fornece os seguintes resultados.


i
1
1
1

3.

j
1
2
3

xi
0,5
0,5
0,5

yj
0,5
1,0
1,5

i,j
0,0
0,25
1,0

u(xi, yj)
0
0,25
1

a. O Algoritmo das Diferenas Finitas na Equao de Poisson fornece os seguintes resultados.


i
2
2
4
4

j
2
4
2
4

xi
0,4
0,4
0,8
0,8

yj
0,4
0,8
0,4
0,8

i,j
0,1599988
0,3199988
0,3199995
0,6399996

u(xi, yj)
0,16
0,32
0,32
0,64

b. 29 iteraes necessrias:
i
2
2
4
4

j
1
3
1
3

xi
1,256637
1,256637
2,513274
2,513274

yj
0,3141593
0,9424778
0,3141593
0,9424778

i,j
0,2951855
0,1830822
0,7721948
0,4785169

i,j
1,2714468
1,7509414
1,6167917
3,0659184

u(xi, yj)
1,2712492
1,7506725
1,6160744
3,0648542

i,j
0,5251533
1,3190830
2,4065150
3,8088995

u(xi, yj)
0,5250861
1,3189712
2,4064186
3,8088576

u(xi, yj)
0,2938926
0,1816356
0,7694209
0,4755283

c. 126 iteraes necessrias:


i
4
4
8
8

j
3
7
3
7

xi
0,8
0,8
1,6
1,6

yj
0,3
0,7
0,3
0,7

d. 127 iteraes necessrias:


i
2
4
6
8
7.

j
2
4
6
8

xi
1,2
1,4
1,6
1,8

yj
1,2
1,4
1,6
1,8

O potencial aproximado em alguns pontos tpicos fornece os seguintes resultados.


i
1
2
4

j
4
1
2

xi
0,1
0,2
0,4

Cengage Learning, 2008

yj
0,4
0,1
0,2

i,j
88
66
66

RESPOSTAS DE EXERCCIOS SELECIONADOSMM81

Exerccios 12.2 (Pgina 671)


1.

O Algoritmo de Diferenas Regressivas na Equao do Calor fornece os seguintes resultados.


i
1
2
3
1
2
3

3.

xi
0,5
1,0
1,5
0,5
1,0
1,5

tj
0,05
0,05
0,05
0,1
0,1
0,1

ij
0,632952
0,895129
0,632952
0,566574
0,801256
0,566574

u(xi, tj)
0,652037
0,883937
0,625037
0,552493
0,781344
0,552493

O Algoritmo de Crank-Nicolson fornece os seguintes resultados.


i
1
2
3
1
2
3

5.

j
1
1
1
2
2
2

j
1
1
1
2
2
2

xi
0,5
1,0
1,5
0,5
1,0
1,5

tj
0,05
0,05
0,05
0,1
0,1
0,1

ij
0,628848
0,889326
0,628848
0,559251
0,790901
0,559252

O Algoritmo de Diferenas Progressivas fornece os seguintes resultados.


a. Para h  0,4 e k  0,1:
i
2
3
4

j
5
5
5

xi
0,8
1,2
1,6

tj
0,5
0,5
0,5

ij
3,035630
3,035630
1,876122

tj
0,5
0,5
0,5

ij
0
0
0

u(xi, tj)
0
0
0

Para h  0,4 e k  0,05:


i
2
3
4

j
10
10
10

xi
0,8
1,2
1,6

u(xi, tj)
0
0
0

b. Para h  /10 e k  0,05:


i
3
6
9
7.

j
10
10
10

xi
0,94247780
1,88495559
2,82743339

tj
0,5
0,5
0,5

ij
0,4864823
0,5718943
0,1858197

u(xi, tj)
0,4906936
0,5768449
0,1874283

a. Para h  0,4 e k  0,1:


i
2
3
4

j
5
5
5

xi
0,8
1,2
1,6

tj
0,5
0,5
0,5

ij
0,00258
0,00258
0,00159

u(xi, tj)
0
0
0

Para h  0,4 e k  0,05:


i
2
3
4

j
10
10
10

xi
0,8
1,2
1,6

tj
0,5
0,5
0,5

ij
u(xi, tj)
4,93 104
0
4,93 104
0
4
3,05 10
0

Cengage Learning, 2008

82MMAnlise Numrica Burden e Faires


b. Para h  /10 e k  0,05:
i
3
6
9
9.

j
10
10
10

xi
0,94247780
1,88495559
2,82743339

tj
0,5
0,5
0,5

ij
0,4986092
0,5861503
0,1904518

u(xi, tj)
0,4906936
0,5768449
0,1874283

O Algoritmo de Crank-Nicolson fornece os seguintes resultados.


a. Para h  0,4 e k  0,1:
i
2
3
4

j
5
5
5

xi
0,8
1,2
1,6

tj
0,5
0,5
0,5

ij
8,2 107
8,2 107
5,1 107

u(xi, tj)
0
0
0

ij
2,6 106
2,6 106
1,6 106

u(xi, tj)
0
0
0

Para h  0,4 e k  0,05:


i
2
3
4

j
10
10
10

xi
0,8
1,2
1,6

tj
0,5
0,5
0,5

b. Para h  /10 e k  0,05:


i
3
6
9

j
10
10
10

xi
0,94247780
1,88495559
2,82743339

tj
0,5
0,5
0,5

ij
0,4926589
0,5791553
0,1881790

u(xi, tj)
0,4906936
0,5768449
0,1874283

11. a. Utilizando h  0,4 e k  0,1 obtm-se resultados sem sentido. Utilizando h  0,4 e k  0,05 novamente obtm-se respostas sem sentido. Tomando h  0,4 e k  0,005 obtm-se o seguinte:
i
1
2
3
4

j
100
100
100
100

xi
0,4
0,8
1,2
1,6

tj
0,5
0,5
0,5
0,5

b. i
3
6
9

j
10
10
10

xi
0,94247780
01,8849556
02,8274334

ij
165,405
267,613
267,613
165,405
tj
0,5
0,5
0,5

(xij)
0,46783396
0,54995267
0,17871220

13. Temos
i
2i
(i)
(i)
a111  a122  (1  2) sen  sen
m
m
e
i 2
i
i 2
(i)
11  1  4!sen @ sen  1  4 !sen @
2m
m
2m

] !2sen 2m i cos 2m i @

i
i
i 3
i
 2sen cos  8 !sen @ cos .
2m
2m
2m
2m
Porm
i
2i
i
i
i
i
(1  2)sen  sen  2(1  2) sen cos  2 sen cos
m
m
2m
2m
m
m

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM83

i
i
 2(1  2) sen c os
2m
2m
2

i
i
 2 2sen cos
2m
2m

] [1  2!sen 2m i @ ]
i
i
i
i
 2 sen cos  8 cos [sen ] .
2m
2m
2m
2m
[

Assim,
(i)

(i)

(i)

a111  a122  11 .
Mais ainda,
ij
i(j  1)
i(j  1)
(i)
(i)
(i)
aj,j1j1  aj,jj  aj,j1j 1  sen  (1  2) sen  sen
m
m
m
ij
ij
i
i
ij
 !sen cos  sen cos @  (1  2) sen
m
m
m
m
m
ij
i
i
ij
 !sen cos  sen cos @
m
m
m
m
ij
ij
ij
i
 sen  2 sen  2 sen cos
m
m
m
m
ij
ij
i
 sen  2 sen !cos  1@
m
m
m
e
i 2
ij
1
1
i
ij
(i)
ij  1  4 !sen @ sen  1  4 !  cos @ sen
2m
m
2
2
m
m

[
]
[
i
ij
 [1  2 !cos  1@] sen ,
m
m

ento
(i)

(i)

(i)

(i)

aj,j1j1  aj,jj1  aj,j1j  ij .


Analogamente,
(i)

(i)

(i)

am2,m1m2  am1,m1m1  im1,


ento Av(i)  iv(i).
15. Para modificar o Algoritmo 12.2, mude o seguinte:
Passo 7MMFaa
t  jk;
z1  (1  kF(h))/l1.
Passo 8MMPara i  2, ..., m  1 faa
zi  (i  kF(ih)  zi1)/li.
Para modificar o Algoritmo 12.3, mude o seguinte:
Passo 7MMFaa
t  jk;

zi  (1  )1  2  kF(h) l1.


2
Passo 8MMPara i  2, ..., m  1 faa

]/

zi  [(1  )1  (i1  i1  zi1) kF(ih)]/li.


2

Cengage Learning, 2008

84MMAnlise Numrica Burden e Faires

17. Para modificar o Algoritmo 12.2, mude o seguinte:


Passo 7MMFaa
t  jk;
0  f(t);
z1  (1  0)/l1.
m  c (t).
Passo 8MMPara i  2, ..., m  2 faa
zi  (1  zi1)/li.
Faa
zm1  (m1  m  zm2)/lm1.
Passo 11MMSADA (t);
Para i  0, ..., m faa x  ih;
SADA (x, i)
Para modificar o Algoritmo 12.3, mude o seguinte:
Passo 1MMFaa
h  l/m;
k  T/N;
 2k/h2;
m  c (0);
0  f (0).
Passo 7MMFaa
t  jk;
zi  [(1  )1  2 2  2 0  2 f (t)]/l1;
0  f(t).
Passo 8MMPara i  2, ..., m  2 faa
zi  [(1  )i  2 (i1  i1  zi1)]/li;
Faa
zm1  [(1  )m1  2 (m  m2  zm2  c(t))]/lm1;
m  c (t).
Passo 11MMSADA (t);
Para i  0, ..., m faa x  ih;
SADA (x, i).
19. a. A temperatura aproximada em alguns pontos tpicos fornecida na tabela.
i
j
ri
tj
i,j
1
20
0,6
10
137,6753
2
20
0,7
10
245,9678
3
20
0,8
10
340,2862
4
20
0,9
10
424,1537
O esforo aproximadamente I  1.242,537.

Cengage Learning, 2008

RESPOSTAS DE EXERCCIOS SELECIONADOSMM85

Exerccios 12.3 (Pgina 679)


1.

O Algoritmo de Diferenas Finitas na Equao da Onda fornece os resultados a seguir.


i
2
3
4

3.

j
4
4
4

xi
0,25
0,50
0,75

tj
1,0
1,0
1,0

i,j
0,7071068
1,0000000
0,7071068

u(xi, tj)
0,7071068
1,0000000
0,7071068

O Algoritmo de Diferenas Finitas na Equao da Onda com h 


tados.
i
2
5
8

j
10
10
10

xi
/5
/2
4/5

tj
0,5
0,5
0,5

i,j
0,5163933
0,8785407
0,5163933

j
5
5
5

xi
/5
/2
4/5

tj
0,5
0,5
0,5

5.

xi
/5
/2
4/5

tj
0,5
0,5
0,5

e k  0,1 fornece os seguintes resul-


20

e k  0,05 fornece os seguintes resul-

i,j
0,5159602
0,8778039
0,5159602

O Algoritmo de Diferenas Finitas na Equao da Onda fornece os seguintes resultados.


i
2
5
8

7.

j
10
10
10


20

i,j
0,5159163
0,8777292
0,5159163

O Algoritmo de Diferenas Finitas na Equao da Onda com h 


tados.
i
4
10
16

e k  0,05 fornece os seguintes resul-

u(xi, tj)
0,5158301
0,8775826
0,5158301

O Algoritmo de Diferenas Finitas na Equao da Onda com h 


tados.
i
4
10
16


10

j
3
3
3

xi
0,2
0,5
0,8

tj
0,3
0,3
0,3

i,j
u(xi, tj)
0,6729902
0,61061587
0
0
0,6729902 0,61061587

a. A presso do ar para o tubo aberto p(0,5, 0,5)  0,9 e p(0,5, 1,0)  2,7.
b. A presso do ar para o tubo fechado p(0,5, 0,5)  0,9 e p(0,5, 1,0)  0,9187927.

Exerccios 12.4 (Pgina 692)


1.

Com E1  (0,25, 0,75), E2  (0, 1), E3  (0,5, 0,5) e E4  (0, 0,5), as funes da base so
f1(x, y) 
f2(x, y) 
f3(x, y) 
f4(x, y) 

{
{
{
{

4x
2  4y

em T1
em T2,

1 2x  2y em T1
0
em T2,
0
1 2x  2y

em T1
em T2,

2 2x  2y
2 2x  2y

em T1
em T2,

e 1  0,323825, 2  0, 3  1,0000, e 4  0.

Cengage Learning, 2008

86MMAnlise Numrica Burden e Faires

3.

O Algoritmo de Elementos Finitos com K  8, N  8, M  32, n  9, m  25 e NL  0 fornece os resultados a seguir, em que a enumerao mostrada no diagrama.

1  0,511023
2  0,720476
3  0,507899
4  0,720476
5  1,01885
6  0,720476
7  0,507896
8  0,720476
9  0,511023
i  0 para 10  i  25
u(0,125, 0,125)  0,614187
u(0,125, 0,25)  0,690343
u(0,25, 0,125)  0,690343
u(0,25, 0,25)  0,720476.
5.

O Algoritmo de Elementos Finitos com K  0, N  12, M  32, n  20, m  27 e NL  14 fornece os


resultados a seguir, em que a enumerao mostrada no diagrama.

21
T21
T1
8
T3
10

T27
1

T13

22
T22

T5
11

T28
2

T14

1  21,40335
2  19,87372
3  19,10019
4  18,85895
5  19,08533
6  19,84115
7  21,34694

T17

T8
14

25
T25
T30

T16

T7
13

24
T24
T29

T15

T6
12

23
T23

15

T31
5

27
T32

T2

9
T18
T19
T20
T9
T10
T11
T12 T22
16
17
18
19
20

8  24,19855
15  20,23334
9  24,16799
16  20,50056
10  27,55237
17  21,35070
11  25,11508
18  22,84663
12  22,92824
19  24,98178
13  21,39741
20  27,41907
14  20,52179
21  15
u (1, 0)  22,92824
u (4, 0)  22,84663
5 3
u! , @  18,85895.
2 2

Cengage Learning, 2008

26
T26

22  15
23  15
24  15
25  15
26  15
27  15