Você está na página 1de 13

Exercı́cios de Cálculo Numérico

Equações Diferenciais Ordinárias


1. Determine a solução numérica aproximada da seguinte Equação Diferencial
Ordinária, com o passo h = 0.2:
(
y 0 (x) + 2y(x) = 0 ∀x ∈ [0, 1]
y(0) = 1

(a) Método de Euler ( Método das Tangentes)


(b) Método de Euler Aperfeiçoado
(c) Método de Runge-Kutta de 4◦ ordem.
(d) Método de Predição-Correção de 4◦ ordem.
(e) Sabendo-se que a solução exata da equação é y(x) = e−2x , compare com
as soluções aproximadas obtidas nos items anteriores.

2. Considere a equação diferencial ordinária, dada por:


(
xy 0 (x) − x2 y(x) − 2 = 0 ∀x ∈ [1, 2]
y(1) = 3

Fazendo h = 0.1, determine a solução aproximada no ponto x = 1.5, usando o


método de Euler Aperfeiçoado.

3. Determine a solução numérica aproximada da seguinte Equação Diferencial


Ordinária, de segunda ordem, com o passo h = 0.2:
 00
 y (x) + y(x) = 0 ∀x ∈ [0, 1]
1
 y(0) = 0 e y 0 (0) =
π
(a) Método de Euler ( Método das Tangentes)
(b) Método de Euler Aperfeiçoado
(c) Sabendo-se que a solução exata da equação é y(x) = (1/π 2 ) sen(πx),
compare com as soluções aproximadas obtidas nos items anteriores.

4. Um corpo com massa inicial de 200Kg está em movimento sob a ação de uma
força constante de 2000N . Sabendo-se que esse corpo está perdendo 1Kg de
sua massa por segundo e considerando que a resistência do ar é o dobro de sua
velocidade e que o corpo está em repouso no instante t = 0, então a EDO que
descreve a variação de sua velocidade é dada por


 2000 − 2v(t)
v 0 (t) = ∀t > 0
 200 − t
 v(0) = 0

Determine a velocidade do corpo v(t) no instante t = 5 segundos com intervalos


de 0.5 segundos, usando:
(a) Método de Euler Aperfeiçoado
(b) Método de Runge-Kutta de 4◦ ordem.
(c) Método de Predição-Correção de 4◦ ordem.
1
(d) Sabendo-se que a solução exata da equação é v(t) = 10 t − t2 , compare
40
com a solução aproximada obtida nos items anteriores.

5. Na teoria da propagação de doenças contagiosas, podemos utilizar uma equação


diferencial para predizer o número de indivı́duos da população infectado em
um dado tempo, supondo algumas simplificações adequadas. Em particular,
suponha que todos os indivı́duos de uma população fixa tenham a mesma prob-
abilidade de se infectar e que, uma vez infectado, permaneçam neste estado.
Vamos denotar por x(t) o número de indivı́duos vulneráveis no tempo t e com
y(t) o número de infectados. Podemos supor, que a taxa na qual o número
de infectados muda seja proporcional ao produto de x(t) e y(t), já que a taxa
depende do número de indivı́duos infectados e do número de indivı́duos vul-
neráveis que existem nesse tempo. Se a população é suficientemente numerosa
para supormos que x(t) e y(t) sejam variáveis contı́nuas, podemos expressar o
problema como:
y 0 (t) = k x(t) y(t)
onde k é uma constante e x(t) + y(t) = m é a população total. Podemos
reescrever essa equação, para que contenha apenas y(t), na forma,

y 0 (t) = k (m − y(t)) y(t) ”Equação de Bernoulli”

Supondo que m = 100.000, y(0) = 1000, k = 2 × 10−6 e que o tempo seja


medido em dias, encontre uma aproximação para o número de infectados ao
final de 30 dias.

(a) Método de Runge-Kutta de 4◦ ordem.


(b) Método de Predição-Correção de 4◦ ordem.

6. Problema Presa-Predador (Lotka & Volterra) Considere o problema de


predição da população de duas espécies, sendo uma delas a presa e a outra
predadora, cuja população no tempo t é dado por x(t) e y(t). Suponha que a
presa sempre disponha de comida suficiente e que sua taxa da natalidade seja
proporcional à quantidade de presas vivas nesse tempo, ou seja, a taxa de na-
talidade é c1 x(t). A taxa de mortalidade da presa depende do número de presas
e de predadores vivos nesse tempo, que podemos supor, na forma c2 x(t)y(t).
Por outro lado, a taxa de natalidade do predador depende de sua disponibil-
idade de comida x(t) e, também, do número de predadores disponı́veis para
processo de reprodução. Por tal razão, suponha que a taxa de natalidade dos
predadores seja c3 x(t)y(t). Suponha que sua taxa de mortalidade seja pro-
porcional à quantidade de predadores vivos no tempo, ou seja, que a taxa de
mortalidade dos predadores seja c4 y(t). Dado que x0 (t) e y 0 (t) representam,
a alteração nas populações de presas e predadores no tempo, o problema se
expressa por meio do sistema acoplado de equações diferenciais não lineares:

0
 x (t) = c1 x(t) − c2 x(t)y(t)

y 0 (t) = c3 x(t)y(t) − c4 y(t) (1)


x(0) = x0 , y(0) = y0

Resolva esse sistema para 0 ≤ t ≤ 4, usando o método de Runge-Kutta


de 4◦ ordem, supondo que x0 = 1000, y0 = 500, c1 = 3, c2 = 0.002,
c3 = 0.0006, c4 = 0.5. Faça o gráfico das soluções encontradas, regis-
trando ambas as populações em função do tempo, e descreva os fenômenos
fı́sicos encontrados.Sugestão O sistema pode ser resolvido simultaneamente
ou determina-se primeiro o número de presas x(t1 ) em (1)1 , depois y(t1 ) em
(1)2 , usando x(t1 ). Calculado y(t1 ) determine x(t2 ) em (1)1 usando y(t1 ) e
assim sucessivamente.
Gabarito da Lista de Equações Diferenciais Ordinárias

Exercício 1:

(a) Método de Euler (Método das Tangentes)

 dy
 = −2y = f ( x , y )
y ′( x ) + 2y ( x ) = 0 ⇒ y ′( x ) = −2y ( x ) ⇒  dx
y ( 0 ) = y = 1
 0

Dados do Problema: y0 = 1, h = 0.2, x ∈ [0,1]

Este método consiste em aplicar a seguinte fórmula iterativa:

y n +1 = y n + hf ( x n , y n ) , n ≥0

Então:

(1)
x 0 = 0 , y 0 = 1 , f(x 0 , y 0 ) = −2y 0 = −2(1) = −2
⇒ y1 = y0 + hf(x 0 , y 0 ) ⇒ y1 = 1 + 0.2( −2) = 1 − 0.4 = 0.6

(2)
x 1 = 0.2 , y1 = 0.6 , f(x 1 , y1 ) = −2y1 = −2(0.6) = −1.2
⇒ y 2 = y1 + hf(x 1 , y1 ) ⇒ y 2 = 0.6 + 0.2( −1.2) = 0.6 - 0.24 = 0.36

(3)
x 2 = 0.4 , y 2 = 0.36, f(x 2 , y 2 ) = −2y 2 = −2(0.36) = −0.72
⇒ y 3 = y 2 + hf(x 2 , y 2 ) ⇒ y 3 = 0.36 + 0.2(-0.72) = 0.36 - 0.144 = 0.216

(4)
x 3 = 0.6 , y 3 = 0.216 , f(x 3 , y 3 ) = −2y 3 = −2(0.216) = −0.432
⇒ y 4 = y 3 + hf(x 3 , y 3 ) ⇒ y 4 = 0.216 + 0.2(-0.432) = 0.1296

(5)
x 4 = 0.8 , y 4 = 0.1296 , f(x 4 , y 4 ) = −2y 4 = −2(0.1296) = −0.2592
⇒ y 5 = y 4 + hf(x 4 , y 4 ) ⇒ y 5 = 0.1296 + 0.2(-0.259 2) = 0.07776

(6) x5 = 1.0 , y5 = 0.07776 (Método de Euler)

(b) Método de Euler Aperfeiçoado (ou Runge-Kutta de 2a Ordem):

Este método consiste em aplicar as seguintes fórmulas iterativas:

k1 = f ( x n , y n )
u n +1 = y n + hk1 (Preditor)
k 2 = f ( x n +1 , u n +1 )
h
y n +1 = y n + ( k1 + k 2 )
2
Assim, temos:

(1)

x 0 = 0 , y0 = 1
⇒ k1 = f(x 0 , y 0 ) = −2y 0 = −2
u1 = y 0 + hk1 = 1 + 0.2( −2) = 0.6 (Preditor)
k 2 = f(x 1 , u1 ) = −2u1 = −1.2
h
y1 = y 0 + (k1 + k 2 ) = 1 + 0.1( −2 − 1.2) = 1 − 0.32 = 0.68 (Corretor)
2

(2)

x 1 = 0.2 , y1 = 0.68
⇒ k1 = f(x 1 , y1 ) = −2y1 = −1.36
u 2 = y1 + hk1 = 0.68 + 0.2( −1.36) = 0.408 (Preditor)
k 2 = f(x 2 , u 2 ) = −2u 2 = −0.816
h
y 2 = y1 + (k1 + k 2 ) = 0.68 + 0.1(-1.36 - 0.816) = 0.4624 (Corretor)
2

(3)

x 2 = 0.4 , y 2 = 0.4624
⇒ k1 = f(x 2 , y 2 ) = −2y 2 = −0.9248
u 3 = y 2 + hk1 = 0.4624 + 0.2( −0.9248) = 0.27744 (Preditor)
k 2 = f(x 3 , u 3 ) = −2u 3 = −0.55488
h
y3 = y2 + (k1 + k 2 ) = 0.4624 + 0.1( −0.9248 - 0.55488) = 0.314432 (Corretor)
2

(4)

x 3 = 0.6 , y 3 = 0.314432
⇒ k1 = f(x 3 , y 3 ) = −2y 3 = -0.628864
u 4 = y 3 + hk1 = 0.314432 + 0.2(-0.628864) = 0.1886592 (Preditor)
k 2 = f(x 4 , u 4 ) = −2u 4 = −2(0.188659 2) = -0.3773184
h
y4 = y3 + (k1 + k 2 ) = 0.314432 + 0.1( −0.628864 - 0.3773184) = 0.21381376 (Corretor)
2

(5)

x 4 = 0.8 , y 4 = 0.21381376
⇒ k1 = f(x 4 , y 4 ) = −2y 4 = −0.42762752
u 5 = y 4 + hk1 = 0.21381376 + 0.2( −0.42762752 ) = 0.12828825 6 (Preditor)
k 2 = f(x 5 , u 5 ) = −2u 5 = −0.25657651 2
h
y5 = y4 + (k1 + k 2 ) = 0.21381376 + 0.1(-0.684204032) = 0.14539335 6 (Corretor)
2

(6)
x 5 = 1.0 , y 5 = 0.14539335 6 (Euler Aperfeiçoado)
(c) Método de Runge-Kutta (ou Runge-Kutta de 4a Ordem):

Suponha que queremos calcular as aproximações y1, y2, ... , yn para os valores
verdadeiros y(x1), y(x2), ... , y(xn) e agora queremos calcular yn+1 ≈ y(xn+1).

Então,

x n +1 x n +h

y ( x n +1 ) − y ( x n ) = ∫
xn
y ′( x ) dx = ∫ y ′( x )dx
xn

pelo teorema fundamental do cálculo. Assim, a Regra de Simpson para integração


numérica fornece:

h   h  h   h  h 
y(x n +1 ) − y(x n ) ≈ y ′(x n ) + 4y ′ x n +  + y ′(x n +1 )  = y ′(x n ) + 2y ′ x n +  + 2y ′ x n +  + y ′(x n +1 ) 
6   2   6   2   2  

 h
Repare que separamos em soma de termos o termo 4y ′ x n +  porque serão inclinações diferentes para
 2
o método.

Dessa forma, usando y ′(x n ) ≈ y n′ = f(x n , y n ), chamaremos as inclinações de :

k1 = f(x n , y n )

 h h 
k 2 = f  x n + , y n + k1 
 2 2 

 h h 
k3 = f  x n + , y n + k 2 
 2 2 

k 4 = f(x n +1 , y n + hk 3 )

Quando estas substituições são feitas, o resultado é a fórmula :

h
y n +1 = y n + (k1 + 2 k 2 + 2 k 3 + k 4 )
6

Então, para este exercício, faremos:

(1)
x 0 = 0 , y0 = 1
⇒ k1 = f(x 0 , y 0 ) = −2y 0 = −2
 h h 
k 2 = f  x 0 + , y 0 + k1  = f(0.1, 0.8) = -2(0.8) = -1.6
 2 2 
 h h 
k 3 = f  x 0 + , y 0 + k 2  = f(0.1, 0.84) = -2(0.84) = -1.68
 2 2 
k 4 = f(x 1 , y 0 + hk 3 ) = f(0.2, 0.664) = -2(0.664) = -1.328
h 0.2
y 1 = y0 + (k1 + 2k 2 + 2k 3 + k 4 ) = 1 + ( −2 − 3.2 − 3.36 − 1.328) = 0.6704
6 6

(2)

x 1 = 0.2 , y1 = 0.6704
⇒ k1 = f(x 1 , y1 ) = −2y1 = −2(0.6704) = -1.3408
 h h 
k 2 = f  x1 + , y1 + k1  = −2y1 − 0.2k1 = −1.07264
 2 2 
 h h 
k 3 = f  x 1 + , y1 + k 2  = -2y1 − 0.2k 2 = −1.126272
 2 2 
k 4 = f(x 2 , y1 + hk 3 ) = f(0.4, 0.4451456) = -2(0.4451456) = -0.8902912

h
y 2 = y1 + (k1 + 2k 2 + 2k 3 + k 4 ) = 0.44943616
6

(3)

x 2 = 0.4 , y 2 = 0.44943616
⇒ k1 = f(x 2 , y 2 ) = −2y 2 = −2(0.449436 16) = -0.8988723 2
 h h 
k 2 = f  x 2 + , y 2 + k1  = −0.71909785 6
 2 2 
 h h 
k 3 = f  x 2 + , y 2 + k 2  = −0.75505274 8
 2 2 
k 4 = f(x 3 , y 2 + hk 3 ) = -0.59685122

h
y 3 = y2 + (k1 + 2k 2 + 2k 3 + k 4 ) = 0.30130200 1
6

(4)

x 3 = 0.6 , y 3 = 0.30130200 1
⇒ k1 = f(x 3 , y 3 ) = −2y 3 = −2(0.301302 001) = -0.602604002
 h h 
k 2 = f  x 3 + , y 3 + k1  = −0.48208320 1
 2 2 
 h h 
k 3 = f  x 3 + , y 3 + k 2  = −0.69902064 2
 2 2 
k 4 = f(x 4 , y 3 + hk 3 ) = -0.322995745

h
y 4 = y3 + (k1 + 2k 2 + 2k 3 + k 4 ) = 0.19170841 9
6

(5)

x 4 = 0.8 , y 4 = 0.19170841 9
⇒ k1 = f(x 4 , y 4 ) = −2y 4 = −2(0.191708 419) = -0.383416839
 h h 
k 2 = f  x 4 + , y 4 + k1  = −0.30673347 1
 2 2 
 h h 
k 3 = f  x 4 + , y 4 + k 2  = −0.32207014 4
 2 2 
k 4 = f(x 5 , y 4 + hk 3 ) = -0.254588781

h
y 5 = y4 + (k1 + 2k 2 + 2k 3 + k 4 ) = 0.12852132 4
6

(6) x 5 = 1.0 , y 5 = 0.12852132 4 (RK 4)

(d) Método da Predição-Correção de 4a Ordem (Métodos de Adams):

(1) Adams-Bashforth (Preditor):

h
u n +1 = y n + (55f n − 59f n −1 + 37f n −2 − 9f n −3 ) , usando a notação f n = f(x n , y n )
24

(2) Adams-Moulton (Corretor):

h
y n +1 = y n + ( 9 f n* +1 + 19 f n − 5 f n −1 + f n −2 ) , onde f n* +1 = f ( x n +1 , u n +1 )
24

Primeiro, devemos calcular y1 , y2 e y3 por Runge-Kutta de 4a Ordem(RK-4). Depois,


para calcular de y4 em diante, usamos o Preditor e o Corretor de Adams acima.

Então, agora vamos resolver o exercício com esse método:


(1)

Pela letra (c), temos y1 = 0.6704, y2 = 0.44943616 e y3 = 0.301302001

Com as identificações x0 = 0 , x1 = 0.2 , x2 = 0.4 , x3 = 0.6 e f(x,y) = -2y, obtemos:

f 0 = f(x 0 , y 0 ) = −2 ; f 1 = f(x 1 , y1 ) = −1.3408 ; f 2 = f(x 2 , y 2 ) = −0.89887232 ;


f 3 = f(x 3 , y 3 ) = −0.60260400 2

Com os valores acima, o Preditor (1) nos fornece então:

h 0.2
u4 = y 3 + (55f 3 − 59f 2 + 37f 1 − 9f 0 ) = 0.30130200 1 + (-11.71935323) = 0.20364072 4
24 24

Para utilizar o corretor, precisamos primeiro de:

f 4* = f(x 4 , u 4 ) = −2u 4 = −0.407281448

Assim, temos:

0.2 0.2
y4 = y3 + (9f 4* + 19f 3 − 5f 2 + f 1 ) = 0.301302001 + ( −11.9614474 7) = 0.201623272
24 24
(2)

Ainda temos que calcular y5. Vamos repetir o processo:

Preditor:
h 0.2
u5 = y4 + (55f 4* − 59f 3 + 37f 2 − 9f1 ) = 0.201623272 + (-8.037919362) = 0.13464061
24 24

Corretor:

0.2
y5 = y4 + (9f 5* + 19f 4* − 5f 3 + f 2 ) , onde f 5* = f(x 5 , u 5 ) = −2u 5 = −0.269281221
24

Assim, temos finalmente:

0.2
y 5 = 0.201623272 + ( −8.04773081 1) = 0.134558848
24

Portanto, x 5 = 1.0 , y 5 = 0.13455884 8 (Predição − Correção de Quarta Ordem)

(e) y(1) = e −2 = 0.135335283

Portanto, o Método de Predição-Correção de 4a Ordem se aproximou mais do


resultado, mostrando que os algoritmos de ordem superior são mais
precisos.

Exercício 2:

2 2 dy 2
xy ′(x) − x 2 y(x) − 2 = 0 ⇒
{ y ′(x) − xy(x) − = 0 ⇒ y ′(x) = xy(x) + ⇒ = xy + = f(x, y)
÷x x x dx x

Usar Euler Aperfeiçoado para:

dy 2
= f(x, y) = xy +
dx x

y 0 = 3, x 0 = 1, h = 0.1

até x5 = 1.5.

Exercício 3:

Obs.: Toda vez que tivermos um exercício sobre Equação


Diferencial de Segunda Ordem, devemos transformá-la
em um sistema de Equações de Primeira Ordem, fazendo
a substituição y’ = z (aqui usei z, mas poderia ser
qualquer outra variável arbitrária).
d 2y d 2y
y ′′(x) + y(x) = 0 ⇒ + y = 0 ⇒ y ′′ = = −y = f(x, y, y ′)
dx 2 dx 2

Vou fazer as seguintes substituições :

y ′ = f(x, y, z) = z , y 0 = 0

 1
z ′ = g(x, y, z) = -y , z 0 = π

(a) Usando Método de Euler, temos que resolver o sistema:

y n +1 = y n + hf ( x n , y n , z n ) = y n + hz n

z n +1 = z n + hg ( x n , y n , z n ) = z n − hy n

Assim, temos:

(1)

1
y 0 = 0, z 0 = , x0 = 0
π
1
⇒ y1 = y 0 + 0.2z 0 = 0 + 0.2   = 0.06366197 7
π 
1
z 1 = z 0 - 0.2y 0 = = 0.31830988 6
π

(2)

y1 = 0.06366197 7, z 1 = 0.31830988 6, x1 = 0.2


⇒ y 2 = y1 + 0.2z 1 = 0.12732395 4
z 2 = z 1 − 0.2y1 = 0.30557749

(3)

y 2 = 0.12732395 4, z 2 = 0.30557749 , x 2 = 0.4


⇒ y 3 = y 2 + 0.2z 2 = 0.18843945 2
z 3 = z 2 − 0.2y 2 = 0.28011269 9

(4)

y 3 = 0.18843945 2, z 3 = 0.28011269 9, x 3 = 0.6


⇒ y 4 = y 3 + 0.2z 3 = 0.24446199 1
z 4 = z 3 − 0.2y 3 = 0.24242480 8

(5)

y 4 = 0.24446199 1, z 4 = 0.24242480 8, x 4 = 0.8


⇒ y 5 = y 4 + 0.2z 4 = 0.29294695 2
z 5 = z 4 − 0.2y 4 = 0.19353240 9
Em outras palavras,

y(1.0) ≈ 0.29294695 2
(Euler)
y ′(1,0) ≈ 0.19353240 9

(b) Usando o Método de Euler Aperfeiçoado:

Usando o mesmo sistema encontrado no item (a):

y ′ = f(x, y, z) = z , y 0 = 0

 1
z ′ = g(x, y, z) = -y , z 0 = π

Temos para o Método de Euler Aperfeiçoado as seguintes fórmulas iterativas:

Preditores:

u n +1 = y n + hf ( x n , y n , z n ) = y n + hz n

v n +1 = z n + hg ( x n , y n , z n ) = z n − hy n

Corretores:

 h h
y n +1 = y n + 2 [ f(x n , y n , z n ) + f(x n +1 , u n +1 , v n +1 ) ] = y n + 2 [z n + v n +1 ]

z h h
= z n + [g(x n , y n , z n ) + g(x n +1 , u n +1 ,v n +1 ) ] = z n − [y n + u n +1 ]
 n +1 2 2

(1)

1
y0 = 0 , z 0 = , h = 0.2
π

u 1 = y0 + hz 0 = 0.06366197 7
v 1 = z 0 − hy 0 = 0.31830988 6
h
y1 = y 0 + [z 0 + v1 ] = 0.06366197 7
2
h
z 1 = z 0 − [y 0 + u1 ] = 0.31194368 8
2

Agora, vocês terão que repetir esse processo até


encontrar y5 e z5.
Exercício 4:
Neste exercício, aplique os métodos para:

dv 2000 − 2v
= = f(v, t)
dt 200 − t

v 0 = 0 , t 0 = 0 , h = 0.5

Exercício 5:

Após as devidas substituições, aplique os métodos para:

dy
= 0.2y − 0.000002y 2
dt

y 0 = 1000, t 0 = 0

OBS.: Aqui, não foi fornecido o valor de h. Usei h = 0.5.

Exercício 6:

Obs.: O enunciado não disse o valor de h. Aqui, fiz com h=0.5.

x ′ = 3x - 0.002xy = f(t, x, y) , x 0 = 1000



y ′ = 0.0006xy − 0.5y = g(t, x, y) , y0 = 500

As fórmulas iterativas de Runge-Kutta para o passo de (xn,yn) à aproximação seguinte


(xn+1,yn+1) ≈ (x(tn+1), y(tn+1)) são:

h
x n +1 = x n + (F1 + 2F2 + 2F3 + F4 )
6
h
y n +1 = y n + (G1 + 2G 2 + 2G 3 + G 4 )
6

onde:

F1 = f ( t n , x n , y n )
 h h h 
F2 = f  t n + , x n + F1 , y n + G 1 
 2 2 2 
 h h h 
F3 = f  t n + , x n + F2 , y n + G 2 
 2 2 2 
F 4 = f (t n + h , x n + hF 3 , y n + hG 3 )
Analogamente fazemos isso para G1 , G 2 , G 3 , G 4 .

(1)

t 0 = 0 , x 0 = 1000, y 0 = 500
F1 = f(0,1000,5 00) = 3(1000) − 0.002(1000 )(500) = 3000 − 1000 = 2000
G1 = g(0,1000,500) = 0.0006(100 0)(500) − 0.5(500) = 300 − 250 = 150
F2 = f(0.25,150 0,537.5) = 3(1500) − 0.002(1500 )(537.5) = 4500 − 1612.5 = 2887.5
G 2 = g(0.25,150 0,537.5) = 0.0006(150 0)(537.5) − 0.5(537.5) = 483.75 − 268.75 = 215
F3 = f(0.25,172 1.875,553.75) = 3(1721.875 ) − 0.002(1721 .875)(553.75) = 5165.625 − 1906.9765 =
= 3258.6485
G 3 = g(0.25,172 1.875,553.75) = 0.0006(1721.875)(553 .75) − 0.5(553.75) = 512.09296 − 276.875 =
= 235.21796
F4 = f(0.5,2629 .3242,617.6398) = 3(2629.324 2) − 0.002(2629.3242)(617 .6398) = 7887.9726 − 3247.9505 =
= 4640.0221
G 4 = g(0.5,2629 .3242,617.6398) = 0.0006(2629.3242)(61 7.6398) − 0.5(617.63 98) = 974.38515 − 308.8199 =
= 665.56525

Então,

h 1
x1 = x 0 + (F1 + 2F2 + 2F3 + F4 ) = 1000 + (2000 + 5775 + 6517.297 + 4640.0221) = 4155.3865
6 6

h 1
y1 = y 0 + (G1 + 2G 2 +2G 3 + G 4 ) = 500 + (150 + 430 + 470.43592 + 665.56525) = 786.00018
6 6

Agora, é com vocês!

Façam até t8 = 4.