Escolar Documentos
Profissional Documentos
Cultura Documentos
Arenales S Darezzo A Calculo Numerico 2008 PDF
Arenales S Darezzo A Calculo Numerico 2008 PDF
Arenales, Selma
Cálculo numérico : aprendizagem com apoio de
software I Selma Arenales, Artur Darezzo.
SAo Paulo : Thomson Learning, 2008.
Bibliografia
ISBN 978-85-221-0602-8
07-6796 CDD-515.07
Selma Arenales
Artur Darezzo
THOMSON
•
Austrália Brasil Canadá Cingapura Espanha Estados Unidos México Reino Unido
THOMSON
•
Editora de
Supervisora de Produção Composição:
Desenvolvimento:
Gráfica: Segmento & Co. Produções
Ligia Cosmo Cantarelli
Fabiana Alencar Albuquerque Gráficas Ltda.
Supervisor de Produção
Editorial: Copidesque: Capa:
Fábio Gonçalves Sueli Bossi da Silva Eduardo Bertolini
Prefácío IX
Agradecímentos X
Capítulo 1 Erros em processos numéricos 1
1
1.1 Introdução 1
1.2 Erros na fase da modelagem 2
1.3 Erros na fase de resolução 2
1.4 Erros de representação 5
1.5 Erro de arredondamento 10
1.6 Erro absoluto 10
1.7 Erro relativo 11
1.8 Erro de truncamento 12
1.9 Propagação dos erros 14
Exercícios 16
Capítulo 3
Exercícios 68
Este livro foi projetado e escrito com o objetivo de oferecer aos estudantes de
ciências exatas um material didático simples e de fácil entendimento dos tópi
cos de um curso básico de Cálculo Numérico, de um semestre, nas instituições
de ensino superior.
Originada a partir de uma apostila, Notas de Cálculo Numérico, escrita
pelos autores e pelos professores que ministravam a disciplina de Cálculo
Numérico e publicada pelo Departamento de Matemática, conforme Darezzo,
A. F.; Arenales, S. H. V. et al. (1992), esta obra reflete a experiência de muitos
anos dos autores, no ensino da disciplina Cálculo Numérico para diferentes
cursos do Centro de Ciências Exatas e de Tecnologia da Universidade Fe
deral de São Carlos - UFSCar.
O livro é composto de sete capítulos contendo os principais tópicos
abordados numa disciplina básica de Cálculo Numérico nas universidades,
apresentando os métodos numéricos com desenvolvimento teórico e os res
pectivos algoritmos descritos de forma simples, com exemplos e listas de
exercícios para fixação do conteúdo.
Alguns resultados do Cálculo Diferencial Integral, da Álgebra Linear e
da Geometria Analítica foram utilizados no decorrer dos capítulos, conside
rando que os alunos tenham estes conhecimentos.
Juntamente com este livro desenvolvemos o Software Numérico de apoio
ao ensino/aprendizagem de tópicos básicos de Cálculo Numérico, no qual
conceitos e resultados dados em sala de aula são reforçados em aulas de
exercícios nos laboratórios computacionais. O Software Numérico relaciona
cinco módulos: Sistemas Lineares, Raízes de Funções, Interpolação e Aproxi
mação de Funções, Integração Numérica e Equações Diferenciais Ordinárias.
Este software foi desenvolvido inicialmente durante o Projeto de Rees
truturação do Ensino de Engenharia - Projeto Reenge (1996), em seguida foi
aperfeiçoado e tem sido utilizado como ferramenta metodológica, em aulas
ix
X Cálculo Numérico
1 . 1 Introdução
De uma maneira geral, a resolução de um problema de qualquer área do conhe
cimento científico passa inicialmente por uma fase de observação e entendimento
do fenômeno físico envolvido na qual, usando conhecimentos já estabelecidos,
buscamos, através· de simplificações, quando necessárias, a construção de
um modelo matemático que represente, com a maior fidelidade possível,
o problema que desejamos tratar. Esta etapa é caracterizada como fase da
modelagem do modelo matemático.
Com o problema representado através de um modelo matemático, bus
camos, para a sua resolução, um método exato quando possível, ou, quando
não, um método numérico aproximado.
Mesmo quando utilizamos na resolução do modelo matemático um mé
todo exato, isto é, um método que apresenta a solução exata para o modelo,
pelo fato de este envolver um número muito grande de operações elemen
tares (adição, multiplicação, subtração e divisão) e, sendo estas processadas
em equipamento com capacidade limitada para armazenar dados, podemos
cometer erros.
Por outro lado, quando optamos, em razão da complexidade do modelo
matemático, pela resolução através de um método numérico, além dos erros
no processamento anteriormente mencionados, podemos também cometer
erros provenientes do fato de utilizarmos, para a resolução do modelo mate
mático, um algoritmo aproximado. Esta etapa é caracterizada como fase de
resolução do modelo matemático.
Podemos entender as duas fases descritas anteriormente através do es
quema representado na Figura 1.1.
Neste capítulo apresentamos os principais erros que podem ocorrer na
1
fase da resolução de um problema. Os erros cometidos devido à mudança
2 Cálculo Numérico
Solução para o
Problema Real
Modelo Matemático
Figura 1 . 1
i=n
onde ai E {o, 1, 2, 3, ... ,(b - 1) } , com n e m inteiros.
Base binária
N 2 = L ªi x2i , ai E {0, 1 }
m
i=n
Exemplo 1.1
a) ( 1011 h = 1 X2° + 1 X21 + 0 X2 2 + 1 X23
Neste caso, o binário só tem a parte inteira, isto é, i = O, l, 2, 3, e temos:
a0 = l, a1 = 1, a2 = O, a3 = 1
b)(111.01) 2 = 1X2- 2 + 0 X2-l + 1X2º + 1X21 + 1X2 2
Neste 'Caso, o binário tem parte inteira e parte fracionária, isto é, n = -2 e
m = 2, e portanto:
Base decimal
...
i=n
Exemplo 1.2
a) ( 231 )1 0 = 1 X10° + 3 X101 + 2 X10 2
Neste caso, o número na base decimal é inteiro, i = O, 1, 2 e temos:
ªº = l, ª1 = 3, ª2 = 2
b)(231.35)1 0 = 5x10- 2 + 3x10-1 + lx10° + 3xl01 + 2x10 2
Neste caso, o número na base decimal tem parte inteira e parte fracionária,
ª-2 = 5, ª-1 = 3, ªº = 1, ª1 = 3, ª2 = 2
n = -2 e m = 2, e temos:
Observe que (0. 2 h0 é uma dízima periódica de período (0. 0011). Assim,
o decimal (0.2)i0 não tem uma representação binária exata, isto é, a represen
tação é aproximada e, portanto, apresenta erro.
1 .4 Erros de representação
Na construção de um equipamento computacional, uma questão iffiportante
a ser considerada em sua arquitetura é a forma que será adotada para repre
sentar os dados numéricos. Basicamente, na memória de um equipamento,
cada número é armazenado em uma posição que consiste de um sinal que
identifica se o número é positivo ou negativo e um número fixo e limitado
de dígitos significativos.
De maneira geral, destacamos o seguinte sistema de armazenamento
de valores numéricos:
n vezes
Considerando o sistema de ponto flutuante normalizado dado na forma
genérica por SPF (b, n, expmíw expmáx), temos:
a) O ºmenor positivo exatamente representável, não nulo, é o real for
mado pela menor mant.issa multiplicada pela base elevada ao menor
expoente, isto -é:
menor = (0.1000 ....... 0) bexpmín
( n-1 ) vezes
"-,,.--'
n vezes
c) O número máximo de mantissas positivas possíveis é dado por:
(b 1 ) bn-I
·
mantissas+ = -
NR1 = 2xNR+ + 1
Exemplo 1.6
Considere o sistema de ponto flutuante SPF (b, n, expmíni expmáx> = SPF (3,
2, -1, 2),
isto é, de base 3, 2 dígitos na mantissa, menor expoente igual a -1 e
maior expoente 2. Para este sistema temos:
a) O menor exatamente representável:
0.10 X 3-t = (1 X 3-t + 0 X 3-2 ) X 3 -t = ..!.
9
Erros em Processos Numéricos 7
Todos os reais que não pertencem à união dos intervalos anteriores não
são representáveis e qualquer tentativa de representação fora dos intervalos
anteriores constitui-se em uma mensagem de erro, isto é,
Erro de Underflow, se a tentativa de representação satisfizer:
Under = x; x e - , o o,
{ ( � )u ( �)}
Erro de Overflow, se a tentativa de representação satisfizer:
Over = {x; x E (--oo, -8 ) U (8, +oo)}
Se marcarmos os reais exatamente representáveis na reta real, verifica
remos, num primeiro momento, uma maior concentração de representáveis nas
proximidades do zero e uma menor concentração à medida que nos afasta
mos da origem e que, aparentemente, não existe uma uniformidade na sua
distribuição, como acontece com os representáveis do sistema de ponto fixo.
No entanto, é possível observar que os representáveis definidos através
do produto de cada uma das mantissas multiplicada pela base elevada ao
mesmo expoente são igualmente espaçados na representação sobre a reta.
Assim, os reais
0.10X3-l, 0.11X3-l, 0.12X3-l, 0.20X3-l, 0.21X3-l, 0.22X3-l
são igualmente espaçados por h3 = J7 .
Os reais
0.10 X3°, 0.11X3°, 0.12X3°, 0.20X3°, 0.21X3°, 0.22X3°
são igualmente espaçados por h2 = �.
Enquanto os reais
0.10 X31, 0.11X31, 0.12X31, 0.20 X31, 0.21X31, 0.22X31
são espaçados por h1 �.
=
Considere o sistema de ponto flutuante SPF (2, 3, -1, 2), isto é, de base 2,
Exemplo 1.7
Figura 1 .2
maior é 7 /2.
Observe que o menor positivo exatamente representável é 1/4 e o
Exemplo 1.8
Considere o sistema de ponto flutuante normalizado SPF (3, 2, -1, 2), de base
3, 2 dígitos na mantissa, menor expoente igual a -1 e maior expoente 2.
Para este sistema, temos que:
�
X = = (0.lO h 3- l e Y = 5 = ( Q.12 h 3 2
X X
Exemplo 1.9
Dados x , y , z E � e o sistema de ponto flutuante normalizado SPF (3, 2, -1, 2),
temos:
Se X = � = (Q .12h 31 , Y = ;7 = (Q .21h 3-l e Z = � = ( Q .22h 30
X X X
temos:
x + (y+ z) = 0.22x31 e (x + y) + z = 0.21 x31
10 Cálculo Numérico
1 .5 Erro de arredondamento
Quando estamos utilizando um equipamento comp utacional para proces
sar uma determinada operação aritmética, se o número obtido não pertencer
às regiões de Underflow ou de Overflow e este não é representável exata
mente no sistema de ponto flutuante SPF o mesmo será representado de forma
aproximada por nra.
Esta aproximação será caracterizada como um arredondamento do
real nr, para que sua representação seja possível no SPF.
Assim, dizemos que um número na base decimal nr foi arredondado
na posição k se todos os dígitos de ordem maior que k forem descartados
segundo o seguinte critério:
a) O dígito de ordem k é acrescido de uma unidade se o de ordem (k + 1)
for maior que a metade da base. Caso contrário, o número nr é repre
sentado com os k dígitos iniciais.
b) Se o dígito de ordem (k + 1) é exatamente a metade da base e o de
ordem k é par, então o número nr é representado com k dígitos e,
se o dígito de ordem k é ímpar, então o de ordem k é acrescido de
uma unidade.
c) O arredondamento por corte considera que, para obter um número
com k dígitos, simplesmente trunca-se na posição k.
Exemplo 1.10
Consideremos um equipamento com o sistema de ponto flutuante normali
zado SPF (b, n, expmíw expmáx) = SPF (10, 4, -5, 5).
a) Se a = 0.5324x103 e b = 0.4212x10 - 2, então a x b = 0 . 22424688x10 1,
que é arredondado e armazenado como (a x b)a = 0 . 2242x101 •
3
b) Se a = 0.5324x103 e b = 0.1237x102, então a + b = 0 . 54477x10 , que
é arredondado e armazenado como (a + b)ª = 0 . 5448x10 . 3
1 .6 Erro absoluto
Definimos erro absoluto como
ou ainda
isto é, aaprox é o valor aproximado da grandeza aex com erro absoluto não
superior a E.
1 . 7 Erro relativo
Definimos erro relativo como:
Erel = 1� 1 = 1 aex- a
1
aprox
aex 1 aex 1
onde aex é o valor exato da grandeza considerada e aaprox é o valor aproxi
mado da mesma grandeza.
Como na maioria das vezes o valor exato não é disponível, a definição
anterior fica sem sentido. Dessa forma, é preciso trabalharmos com um limi
tante superior para o erro relativo, isto é, escrevê-lo na forma:
E
aaprox = 2345.000
Eabs = 0.713
Então,
Erel 0.00030396
=
12 Cálculo Numérico
Então,
Eab 0.713
E el 0.416229
s =
r =
�( �)
X n+l = X n + n O, l, 2, ...
=
o seguinte teste:
Se lx n+l - xnl � E for verdadeiro, dizemos que Xn+l é a raiz da equação
f(x) O com tolerância E; caso contrário, devemos calcular outro elemento da
seqüência e, de forma relativa, realizar o seguinte teste:
=
x -x
Se j " ' .j � E for verdadeiro, concluímos que X..+1 é a raiz da equação
iX n+l1
com a tolerância E e, em caso contrário, devemos proceder ao cálculo de outro
termo da seqüência.
1 .8 Erro de truncamento
Quando representamos uma função através de uma série infinita e, por limi
tações do sistema de armazenamento de dados do equipamento, conside
rarmos apenas um número finito de termos, dizemos que estamos cometen
do um erro de truncamento.
Erros em Processos Numéricos 13
Exemplo 1.13
a) Consideramos a representação de uma função f(x) utilizando a Série
de Taylor, nas vizinhanças do ponto x:
f(X) = f(X-)+f<I> (_X) (x l-i. x) +f<2> (_X) (x-21.x)2 +...+f<n> (_X) (x -n.xI t +
···
Xn
n=o n !
X
Erro
ilimitado
o Nº iterações o Nº iterações •
a) b)
Figura 1 .3
Exemplo 1.14
Usando aritmética de ponto flutuante de 4 dígitos, base decimal e arredon
damento por corte, calcule o valor da seguinte soma:
L (xi + Yi ), sendo xi 0.46709 e Yi
4
S = = = 3.5678
i = 1
51 (x 1 + Y1 ) = 0.4034x101
=
Parseguia nretseoprlvoercesasequação
Exemplo 1.15
deapradioxNesiçmão,adotemulproticediparplicaaçãomsentolueoção,diemvdaisãcadao,equação
queitesrãaocomçãorepetesumaitdãasoprenvol
ateéciquesãvoidsase descalasceuloperjaeda.oavalçõesor
2
g i r par
dosconforerrmose grcometáficoiddaos,Fitegmosura queb)a. seqüência de operações se toma estável,
Se a a s o l u ção xda equação, apes a r
1.3
16 Cálculo Numérico
b)c)a)
5.
(0.1875 h0
(25.75 h0
(437)8
6. Reprpontoesfleunttueantna erenorta osmposializadotivosSPF(3,exatamente representáveis do sistema de
2, -1, 2).
'
7. Consi d er e o s i s t e ma de pont o fl u t u
deParbasa esete sisdítema:gitos na mantis a, menor expoente e maior expoente
2, 4
ant e normali
-1
zado = SPF SPF
(2, 4, -1, 2)
2.
10. zadoConsiéderSPFe (2, 1equi0, -15,pament15), deo cujbaseo si2,ste1ma0 dígdeitoponts naomantflutuisanta,emenor
um normalexi
a)b)poentQualQuale -15éo omenor
e maioposr exitpoent
pr ó x i m o i
posv o
i t e
i x
v
eat15.amentParaeesretpre seissetntema:ável?
o, depoi s do menor pos itiv o repre se nt ável ?
c)d) VerTrainsfiqfouerme eoxmenor i ste m posientretivo eoomenorpróxime oopróparxaima obaspose deciitivo.mComent
al. e.
e) Quant
f)
Qual oomais sãoorosposexiattivaomentexateament
se reais
e re pr e s e
representáveis positivos? nt á vel ?
Capítulo 2
2.1 Introdução
Apresentamos neste capítulo o desenvolvimento de algoritmos computacio
nais para calcular a solução única de sistemas de equações lineares através
de métodos diretos de decomposição e eliminação, métodos iterativos e es
quemas numéricos para o cálculo de matrizes inversas através da aplicação
de métodos diretos. Posteriormente, apresentamos noções sobre condiciona
mento de sistemas.
Finalmente, apresentamos algumas aplicações que envolvem a resolu
ção de um sistema de equações lineares.
Na forma matricial:
a1 1 a1 2 al n
··· X1 b1
a 2 1 ª2 2 ª2 n
••• X2 b2
19
20 Cálculo Numérico
L a i i x i = bi i = 1, 2, ... , n
•••
{ -X1 + 2X2 = 3
considerando o seguinte exemplo:
det(A) :;t: O
X1 + X2 = 3
Observe que a solução x = (1, 2) encontra-se na intersecção das duas
retas, conforme Figura 2.1:
Figura 2.1
Definição 2.1
Dizemos que o sistema Ax = b, onde A = (aij ) i, j = l, . .. , n x = (xi )t j = l, ... , n
e b = (bi)t i = . .. , n é consistente se apresenta pelo menos uma solução, caso
1,
contrário dizemos que o sistema é inconsistente.
Definição 2.2
Dizemos que o sistema Ax = b é homogêneo se o vetor b = (bJt = O i = ..., n. 1,
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 21
Observação
Um sistema homogêneo é sempre consistente uma vez que o vetor nulo é
sempre solução deste sistema.
Procuraremos resolver sistemas consistentes através de métodos diretos
é caracterizado por fornecer a solução exata para o sistema dado, não fossem
os erros provenientes do processamento do algoritmo em um equipamento
computacional.
ou,
(i - 1 )
- I li j xj)
(bi
j= l
X i = ---'-----
lii
Algoritmo 2.1
Para i = 2, , n, faça
...
(i - 1 )
- I li j xj)
(bi
Xi = -
i=1 -�---
lii
Exemplo 2.1
x = (l, - 1, 0) 1
�alução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 23
perior, isto é, os seus coeficientes (uij) O sempre que i > j e com uii -:t:- O i = l, ... , n.
=
+ Unn X n = bn
ui i x i )
n
(bi - L
j = ( i+l)
Algoritmo 2.2
u i i xi)
n
(bi - L
j = ( i+l)
Exemplo 2.2
Calcule a solução do seguinte sistema de equações lineares:
24 Cálculo Numérico
x2 =
b2 - u2.3x3 2 -(-1)(0) 1
U22 2
x= (1, 1, O)t
Observação
Sabemos que o Esforço Computacional Ec de um algoritmo é a quantidade
de operações elementares necessárias para calcular a solução do problema
para o qual foi desenvolvido.
No caso da solução de um sistema triangular superior ou inferior de or
dem (n), o esforço computacional dos Algoritmos 2.1 e 2.2 é Ec = n2 operações
e1ementares sendo (n) operaçoes · -
- de d"1v1sao, (
n n l)
-
- de a d"1çao
operaçoes -
n n l)
- )e (
2 .
-
(ou sub traçao -
- d e multi" p l"1caçao.
operaçoes
2
Assim, por exemplo, na resolução de um sistema de equações lineares
de ordem n = 10, cuja matriz dos coeficientes é triangular superior ou infe
rior, estão envolvidas 10 operações de divisão, operações de multiplicação
45
45
e outras operações de adição ou subtração, sugerindo um esforço compu
tacional de 100 operações elementares.
Experiências computacionais demonstram que o tempo computacional
envolvido nessas operações é pequeno, tornando os sistemas triangulares
bastante atrativos.
Este fato nos motiva a buscar formas para que um sistema de equações
lineares Ax = b possa ser resolvido através da solução de sistemas com caracte
rística triangular permitindo, assim, a utilização dos Algoritmos 2.1 e 2.2.
Definição 2.3
Denomina-se "menores principais" de ordem k de uma matriz A = (a i i ),
i , j = 1 , ... , n por:
d k = det( A k ), onde Ak (ai j) i , j = l , ... , k é formada pelas k primeiras
=
Exemplo 2.3
Considere a seguinte matriz:
Ó1 = 2 ô2 = 6 Ó3 = o
Método de decomposição LU
Teorema 2.1
Considere A= (ai i ) i , j = l , ... , n. Se os menores principais de A, ói * O,
matriz triangular inferior L = ( lij ) i, j = 1, ... , n, com lii = 1, por uma matriz
1,
i = 2, ... , n - l, então A se decompõe, de maneira única, no produto de uma
IJ ufr
n
triangular superior U = (uij) i, j = l, ..., n. Além disso, det (A) = det (U) =
i l
=
ordem n = k.
26 Cálculo Numérico
[ ]
De modo análogo, particionamos as matrizes L e U, isto é:
u k-1 Y
u = O u kk
LxU=
[X
L k-1 U k-1
U k-1
[
maneira única. Para isso basta considerar a igualdade entre as matrizes
[ A k-1 s ] =
L k-1 U k-1
r a kk X U k-1
= LIL1 s
= r Uk:�1
= ak k - xy
e os valores para x, y e ukk são determinados de maneira única.
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 27
Processo de decomposição LU
Cálculo da 1ª linha de U
lª linha de U
1ª coluna de L
Matriz U
i -1
uii = ai i - L lik uk i i, j = l, . .. , n, i :s; j
k =l
Matriz L
j- 1
ai i - L l ik uk i
lij = ------
k =l i, j = 1, ... , n i > j
ujj
lmm = 1
Para m = n, faça
n-1
=
Unn ann - L ln k Uk n
k =l
A=[� : 3: ]
Exemplo 2.4
L = [ � � �]
Como
2 o 1
U= O 2 1
]
� 1 = 2 * O � 2 = 4 * O, temos, usando o Algoritmo 2.3:
[
1/2 1/2 1 o o 2
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 29
1) Temos que
�1 = 1 ª11 1 = 3 ;t: o
�2 = 1 11 I
ª1 1 ª1 2
ª21 ª22
=
3 2
1 1
= 1 ;t: o
L = [ � � �l [�
1 3
4/3 1 1
e U=
o
1 3 �
o
[
Ly = b -7
1 O
1/3 1 O
º] [ ] [ 1 ] [ Y1 - ] [ ]
sistema triangular inferior
y,
� = 2 -7 y2 =
1
513
4/3 1 1 y3 3 y3 O
30 Cálculo Numérico
Definição 2.4
Dizemos que uma matriz A = (aij ) i, j = 1, ... , n é simétrica aii = ªii i, j = l, ... , n.
Se os menores principais da matriz A, Lii > O i = 1, ... , n, dizemos que A é simé
trica e definida positiva.
Método de Cholesky
Teorema 2.2
Seja A = (aij ) i, j = 1, ... , n uma matriz simétrica e definida positiva. Então existe
(o�' r
uma matriz R = (rij ) i, j = 1, ... , n, triangular superior, com diagonal positiva, tal
onde D = (dii ) i, j = 1, ... , n é uma matriz diagonal cujos elementos dii = uii e
G = (gij ), i, j = 1, ... , n é uma matriz triangular superior cujos elementos são
dados por
. .
g1 J
{�i.
se i = j
-J se i :;t: j i < j
=
U ii
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 31
Por outro lado, sabemos que dü = uü > O, i = l, ..., n, o que permite escrever
e, portanto,
Processo de decomposição
e, portanto,
i = l, .. , n
.
Construção da 2ª linha de R
r22
a 2 4 - r12 r1 4
r12 r1 4 + r22 r2 4 = ª 2 4 � r24 = -----
De forma geral:
e, portanto:
i-1
(a ii - L rk i rk i )
k=l i = 1, . , n
.. j = i + l, . . , n
.
Para i = l,
Algoritmo 2.4
... , n, faça
l,
Aplicação na _resolução de sistemas lineares
l,
·Considere um sistema de equações lineares Ax = b, onde A = (aii ) i, j = ... , n,
x = (xi ) t j = ... , n e b = (bi) t i = ... , n.
l,
Se a matriz A satisfaz às condições do Teorema 2.2, podemos escre
ver A = Rt R, portanto, o sistema Ax = b pode ser escrito como (Rt R) x = b.
Se denominarmos Rx = y, teremos substituído o cálculo da solução do
sistema Ax = b, pela solução de dois sistemas triangulares Rt y = b e Rx = y.
Exemplo 2.6
rl 8
Usando o método de Cholesky, resolva o seguinte sistema de equações lineares:
2
2
4 10
Temos que:
A = At
�1 = 'ª1 1 I = > o 1
�3 = 36 > o
Portanto, a matriz A satisfaz condições do Teorema,2.2.
34 Cálculo Numérico
r J r l
2 4
Rt = 2 2 O e R= O 2 1
4 º1 º3 o o 3
b) Cálculo da solução dos sistemas triangulares
Rty = b � sistema triangular inferior
. .
-
in+l - b i i = l ... , n .
· abaixo da diagonal:
1 1 1 1 1 a(ln1 )+l
ª (11) ª (12) ª (1 3) ª (1 4) ª (ln)
2
o a � ª (23) ª (24)
2 2 (2)
ª (2n) ª2n +l
(A, b) = o ª 3( 22) a� ª 34 (2 ) 2
ª (3n) ( 2 )
a 3 n +l
1
ª (i 1 )
•
sendo m i 1 = ----w- 1 = 2 , ... , n.
ª 11
36 Cálculo Numérico
o + a (2) (2)
n n X n -- an n+l
Passo 2:
Supondo que o coeficiente a g> ::F- O seja considerado elemento pivô. Caso
a �;> = O, efetuamos trocas de linhas até que o coeficiente que ocupe a segunda
linha e segunda coluna seja diferente de zero.
Dessa forma, tomamos nulos os elementos da 2ll coluna abaixo da dia
gonal na matriz (A,b), conforme segue:
o o ª (2)
n3 ª (2) (2) (2)
n 4 ... ann . ª nn+l
Assim:
3 ( 2) 3 .
a(i j ) = a (2) •
a W x 1 + aW x 2 + aW x 3 + aW x 4 + ... + a �� x n = a��+t
o + ª(2) (2) ( 2) (2) ( 2)
22 X 2 + a 2 3 X3 + a2 4 X4 + ... + a 2n X n -- a 2n+l
O O + a(2) 33 X3 + a(342) X4 + ... + a(32n) X n - a(2)
3 n+l
O O + a n(2)3 X3 + a (2)
n 4 X4 + ... + a (2)
(2)
nn X n - a nn+l
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 37
n-1 ) X a ( n-1 )
a (nn =
n nn+l
cuja solução é dada conforme Algoritmo 2.2 por:
n-1 )
a(nn+l =
Xn n-1 )
a(nn
i ) - �n a(i ) x
ª(in+l ""' ij j
xi = i=
_,_ =i+_l
__
a.! l li
Algoritmo 2.5
a) Construção do sistema triangular superior equivalente
Para k 1, ... , n - 1, faça
=
(A, b) = [� o 1 .1
2 1 . 1
]
-3 1 3 . 3
38 Cálculo Numérico
1
temos a matriz na forma triangular superior equivalente:
o 1 . 1
2 o . o
o 4 4
{
Reescrevendo o sistema na forma equivalente triangular superior, temos:
3 X1 + Ü X2 + l X3 = 1
2 X2 + Ü X3 = Ü
4 X3 = 4
Solução do sistema:
x (O O, l)t
= ,
Representamos:
onde a (l)
. . (l) .
i i - a i i 1 -- 1 , ... , n J -- 1 , ... , n + 1 ain+l - bi 1 -- 1 , ... , n .
O método de eliminação de Gauss com pivotamento parcial consiste
em transformar o sistema dado, através de operações elementares sobre as
linhas, em um sistema triangular superior, tomando, em cada passo, como
pivô o elemento de maior valor absoluto abaixo da diagonal, de cada coluna
da matriz A conforme ilustramos a seguir:
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 39
(k) ( k) (k)
an ,n an ,n
i
Escolher o elemento de maior valor absoluto na coluna destacada.
Depois das trocas das linhas (r e k), atualizamos o vetor P trocando Pk por
=
,l
Algoritmo 2.6
a) Início: Vetor que armazena as posições das linhas
Para i = ... , n, faça
Pi = i
b) Construção do sistema equivalente triangular superior
Para k = 1, ... , n - 1, faça
Det �:rne r tal que 1 �:� l = m á x { 1 ��� 1 , i = k, ..., n}
Se a rk = O , então det(A) = O, o sistema indeterminado, Pare.
Trocas das linhas k e r:
1,
Para j = k, ... , n + faça
(k)
aux = a r j
(k ) (k)
arj = akj
(k )
ak j = aux
aux = Pr
Pr = p k
Pk = aux
Para i = k + 1, ... , n, faça
(k)
(k) ai k
mi k = (kf
akk
Para j = k, ... , n + 1, faça
(k+l) (k) (k) (k)
ai i = a i i - mi k ª k i
e) Calcular a solução do sistema triangular superior
Usar o Algoritmo 2.2.
Exemplo 2.8
Usando o método de eliminação de Gauss com pivotamento parcial, resolva
o sistema de equações lineares:
U � �H:: H: l
Considere a matriz aumentada e o vetor P (p 1 1 p2, p3) que armazena as
=
lr 1
permutações nas linhas da matriz A. Inicialmente temos P = (1, 2, 3).
2 3 . 3
(A, b) = 3 1 0 . 4
o 3 4.3
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 41
Passo 1
Na primeira coluna observamos que o maior coeficiente em valor absoluto é
o que ocupa a posição linha 2, isto é, o a2 1 = 3.
Este coeficiente, considerado como elemento pivô, deverá ocupar a po
sição diagonal na primeira coluna, portanto, devemos trocar a 2ª linha pela
lil linha (coeficiente a2 1 ocupa a posição (1,1)).
Em seguida, procede-se como no método de eliminação de Gauss com
pivotamento na diagonal para tornar nulos os coeficientes da primeira coluna
abaixo do elemento pivô.
Temos, assim, o sistema na seguinte forma:
O .
f .
3
(A, b) = O 513 3
o 31 4 .
3 1
[ o 3
o 5/3
Devemos, agora, tornar nulos os coeficientes da segunda coluna abaixo
do elemento pivô.
Fazendo operações elementares sobre as linhas teremos o sistema na
forma triangular superior, isto é:
Ü Ü 7 /9
=
[ � � � l [ :: l [ : l X3 Ü
Resolvendo o sistema triangular superior, teremos o seguinte vetor solução:
x = ( 1 , l, 0)1
42 Cálculo Numérico
(l) l)
1) (1
ª2 1 X 1 + ª (22 X 2 + ª 2 3) X3 + ª24 ( 1 ) X4 + .. + a(2n (1)
X n = ª2n+l .
(1) 1
- a (nn+l
. . . + a nn X n - )
· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
(k) (k)
an k an k+l
i
Escolher o elemento de maior valor absoluto na submatriz
destacada.
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 43
1 �� 1 = máx { 1 �: 1 , i�k j �k }
Devemos trocar as linhas (k e r) e as colunas (k e s). Estas trocas devem ser
armazenadas. Para isto, considere os vetores P = (p 1 1 pz, ... , Pn) e Q = (q1 , qz, ... , qn),
onde Pi fornece a linha na posição i, e qi a coluna na posição j. Efetua-se a
eliminação de Gauss com o pivô na posição (k, k).
Observe que as trocas de colunas produzem trocas no vetor solução. Por
exemplo, se a 3ª coluna é trocada com a 1ª coluna, então a 1ª posição do vetor
solução contém a variável x3 e a 3ª posição do vetor solução contém a variável x1 .
Algoritmo 2.7
a) Início: Vetores que armazenam as posições das linhas e colunas
Para i = 1, ... , n, faça
Pi = i
qi = i
b) Construção do sistema equivalente triangular superior
Para k = l, ... , n - 1, faça
Determine r e s tal que ars = m á x1 (k) 1 {I (k) 1
aii i = k, . . ., n j = k, ... , n }
Troque a linha k com a linha r, atualize Pk e Pr·
Troque a coluna k com a coluna s, atualize qk e q5•
Para i = k + 1, ... , n, faça
(k)
mi k = ('k"}
<k > a i k
ªkk
Para j = k, ... , n + l , faça
( k + I ) ( k ) (k) ( k )
a i i = a i i - mi k ª k i
e) Calcular a solução do sistema triangular superior
Usar o Algoritmo 2.2.
Exemplo 2.9
Resolva o sistema de equações lineares usando o método de eliminação de
Gauss com pivotamento total.
44 Cálculo Numérico
[� � ! : �]
Considere a matriz aumentada:
(1,
Inicialmente temos P = 2, 3) e Q = (1, 2, 3), os vetores que armazenam
as posições das linhas e colunas da matriz A, respectivamente.
Fazendo trocas de linhas e colunas de forma conveniente e atualizando
=
Ü Ü
Neste caso, temos P = (2, 3,
Solução do sistema:
1) 1, X2
e Q = (3, 2)
x = (O, 1, O)t
1,
Considere o sistema de equações lineares Ax = b, onde A = (aij) i, j =
x = (xi)t j = l, ... , n e b = (bi)t i = ... , n.
1, ... , n
Representamos por:
(l)
a(ll1 ) X 1 + a(121 ) X2 + a(131 ) X 3 + a (114) X 4 + ... + a 1n = a(ln+l
1)
l
( 1 ) X 1 + ª22
ª21 ( 1 ) X2 + a(231 ) X 3 + a( 1 ) X + ... + a(2n) = a(2n+ 1)
24 4 l
l
()
a (311 ) X 1 + a (321 ) X 2 + a(331 ) X 3 + a(314) X 4 + ... + a 3n = a(3n+
1)
l
(l) 1)
a(nl1 ) X 1 + a n( 12) X 2 + a(n31 ) X 3 + a (n14) X 4 + ... + a nn - a (nn+l
(1) (i)
onde a i i = a ii i = l, ... , n j = l, ... , n + l, a 1n+1 = bi i = l, ... , n.
matriz dos coeficientes seja a matriz identidade, tomando, em cada passo, como
pivô os elementos da diagonal da matriz A Utilizamos neste método operações
semelhantes àquelas aplicadas no método de eliminação de Gauss, isto é,
( A, b ) operações elementares
( 1, b )
onde 1 x = b é um sistema cuja solução é o vetor b.
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 45
�� �B) (�ij
o + o + o + o + ... + a nk+l Xk+l + ... + a nn X n = a nn+l
Continuando dessa forma até executarmos o n-ésimo passo, temos a
solução do sistema:
- - ( n)
x = b, onde bi = ai n+l i = l, . . . , n
Algoritmo 2.8
a) Construção da matriz identidade
Para k = 1, ... , n, faça
Para j = k, ... , n+ l, faça
(k)
a <kki + 1 > ªki
a (kkkl
=
l ! �]
2 4
(A, b) 1 2
�
3 -2
46 Cálculo Numérico
[
Após executar os passos 1 e 2, podemos escrever:
1 2/3 4 / 3 . 1 / 3
(A, b) = O 1 / 3 2/3 . 5/3
l
o 1 / 3 -22/ 3 . 5/3
Repetindo os passos 1 e 2 até tomar a matriz A 1 matriz identidade,
[�
=
obtemos:
o
(A, b) = 1
o
cuja solução é x = (-3, 5, 0)1 .
o o o ... 1
Portanto, para determinar as n colunas da matriz inversa A-1 , temos de
resolver n sistemas de equações lineares, usando qualquer um dos métodos ·
a n l a n 2 .. . a nn Xnl o
a n l a n 2 ... a nn X nn 1
A solução dos n-sistemas anteriores identificam as n-colunas da matriz
inversa A-1 .
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 47
Exemplo 2.11
l
Determine a inversa da matriz A a seguir, usando o método de eliminação
r J r :: :
de Gauss:
� � �l
X1 2 X1 3
A1= x22 x23
Ü 1 1
A= - ---t inversa de A
X31 X32 X33
- 1
� � � l r ::: :: ::: i r � � �
Como A A = 1, temos:
r J
Ü 1 1 X31 X32 X33 i
Ü Ü 1
=
[� 1
�H �
o
o -1 . o
2 . 1
o
1
o -1
Assim, podemos resolver os sistemas triangulares, como segue:
2 o 1
o -1 �]
r � � � i r:: i r � i
Ü
(x 11
Ü -1 X 31
x 21 x31 )1 = (1, O, O)
=
Ü
1ª coluna da matriz inversa
:
---t
[� � �i r : i r �i
Ü
(x 12
Ü -1 X 32
=
x 22 x32 )1 = (- 1, - 1, 1)
-1
r � � � l r:: i r � i
Ü
(x 1 3
Ü -1 X 33
=
x 23 x33 )1 = (1, 2� - 1)
1
]
Portanto, temos:
A-1 [
1 -1 1
= O -1 2 �
o 1 -1
matriz inversa de A
Observação
Quando usamos o método de Gauss-Jordan no cálculo da matriz inversa,
transformamos a matriz A na forma da matriz identidade, usando os passos
Exemplo 2.12
Usando o método de eliminação de Gauss-Jordan, determine a matriz inversa:
A= O [ �]
2
1
1
-1
o
Construímos inicialmente a matriz:
[
2 1 3
(A, 1 ) = O -1 1
1 o 3
1 o
o 1
o o n
Aplicando os passos do método de eliminação de Gauss-Jordan, obtemos
-2]
a seguinte matriz:
(1, A-1 )� [� o
1
o
o
o
1
3/2 3/2
. -1 /2 -3/2
. -1/2 -1/2
1
1
Ü X Ü X 1 2
Temos, neste caso, os sistemas equivalentes:
[� 1 Ü] [X2n1 ]
Ü 1 X31
0
= [ ]
3/2
-1/2
-1/2
[1ÜÜ Ü1 Ü1] [X3X222]
0
= [ ] [ÜÜ m::J{�J
3/ 2
-3 / 2
-1/2
1 o
1
o
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 49
Exemplo 2.13
Considere o sistema de equações lineares:
400004.00001
Temos, neste caso:
K(A ) =
� mat r
+
i z i t e
k=
r a t i v a ( n n) g � vet o r
Assisstiemma, parAtxindo-b,sdete deerumaminamosaproxaimseaçãoqüêninciiacideal xvet(O) paroreas axs(Io),luxção(2), xe(3x)at, .a.
x (nxl)
x do
que se pretende, seja convergentleimparxaCkal solução isto é,
=
X:,
=
ld ; p =
l xl1 = l l + l l + l l ( ni = l i = Ll l
Yz
l x l 2 = xi x � + . . + x � = � l xi 1 2 J
J +
l x lL = máx l x1 l, l x2 l 1 · ·1 l xn l =
{ } �i�� l xi l
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 51
Exemplo 2.15
Considere x = (x 1 , x 2 1 x 3 , x 4 ) = (l, 2, 3, 4) E 9\ 4 Então, temos:
•
Observação
a) No ':R 2
podemos identificar a li 1 2 como o comprimento do segmento1que
x
liga a origem (O, O) ao ponto P(xv Xz) do plano (x, y), isto é, d = (xr + xn 1 2 .
Normas equivalentes
Considere l i . l i e l i . l i b duas normas em V. Dizemos que as normas são
ª
são equivalentes.
Exemplo 2.16
Considere x = (x 1 1 x 2 , , x n ) E 9\ n . São válidas as seguintes desigualdades:
•••
a) l xL $ ll x l 1 $ n l xL
b ) l � L $ l x l 2 $ fo l xL
c)
n l x l 1 $ l ll 2 $
x fo l x l 1
Seqüência convergente
Considere x < i J = (x 1 , x 2 1 , X n )( i ) uma seqüência de vetores do espaço veto
•.•
Exemplo 2.17
..
C ons1"d ere a sequencia
1 (
x ( i ) - i, o , o , ... , o
A •
) c»n ,. 1. -- 1, 2, ... e -x - (O, , ..., O).
E .:1\ o
(n n) sobre 9\. Uma norma em V é uma aplicação indicada por 1 . 1 tal que:
Considere V = 9\ (n, n) o espaço vetorial de todas as matrizes quadradas de ordem
x
li · li : 9\ (n, n) � 9\
A � l Al
52 Cálculo Numérico
Exemplo 2.18
Considere A = (aij ) i, j = l, . ., n, então
. temos as seguintes normas de matrizes:
li A I L = ll A l lL = � . _xn L
l _ i� . 1 1 ai i 1 � norma linha
J=
n n 2
li A 11 2 = L
i=l
L (ai i ) � norma euclidiana
j=l
Propriedade
Para as normas l i . 1 11 e li . I L temos:
ll A B ll $ ll A ll ll B ll V A , B e 9l (n, n)
· ·
Exemplo 2.19
Considere a matriz:
então,
3
l i A 112 = L (ai i ) 2 = fi3 = 8 . 54
j , j=l
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 53
Definição 2.7
Considere uma norma de vetor x E 9t n e uma norma de matriz A e � (n, n).
Dizemos que estas normas são consistentes se:
Ax A x 'v' A e �(n , n) e 'v' x e � n
ll j l�ll ll ll ll
2.6.3 Método iterativo de Jacobi-Richardson
Considere o sistema de equações lineares Ax = b, onde A = (aij ) i, j = l, 2, ... , n
det(A) -:F- O, com a diagonal principal aii -:F- O i = l, . , n: ..
X1 o - ª 2 1 - a3 1
- -
anl
X1
b1
ª11 ª11 ª11 ª11
ª21 a23 a2 n b2
X2 o X2
ª22 ª22 ª22 ª22
= +
o
54 Cálculo Numérico
{
Assim, podemos escrever:
x = Hx + g, onde, H = (hii ), sendo
o i=j
hij= _ a ii i*j
i, j = l, 2, ... , n � matriz iterativa
a ii
b
gi = -i i = l, 2, ... , n
a ii
Desta forma, podemos escrever o método iterativo de Jacobi-Richardson:
x(k+l ) = H x ( k) + g k= 1, 2, ...
Assim:
a anl bl
x1 (k+l) o - ª21 - 31
- -
X1 (k)
ªn ªn ª11 ª11
ª21 ª23 a2n
Xz(k+l) o Xz(k) b2
ª22 ª22 ª22
+ ª22
X2 3 -- Xn + -
ª11 ªn ª11 ª11
X 2(k+l ) = _ 21 X 1(k ) -
a a23 (k) - a2n (k) b2
X3 -- Xn + -
a b
a
X n(k+l ) = - nl X1(k )
_ an2 (k )
X2
_
- nn-1 X n-1(k ) + n
--
-
Observação
O método iterativo de Jacobi-Richardson, de uma forma geral, pode ser es
crito como:
i -1 n
x l k +l l = (bi -L a i i x j k l - L ai i x i< k l) / a ii i= 1, ... , n
j=l j = i+l
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 55
Estudo da convergência
Teorema 2.3
Sejam uma norma matricial consistente com alguma norma vetorial e
x < 0 l E �n uma solução aproximada inicial qualquer. Se l i H l i < 1, então
x< k + l ) = Hx < k l + g, k = O, 1, 2, ... , converge para a solução x do sistema Ax. b.
a seqüência de soluções aproximadas definida pelo processo iterativo
=
Prova:
Devemos provar que ll e< k lll � ü, quando k � oo, onde e< k l = x - x< k l é o
erro cometido na k-ésima iteração.
Assim,
e< k l = x - x< k l = (H x +g) -(Hx < k-l ) + g) = H(x- x < k-1 l ) = H e< k-l )
Portanto, 1
e < l = H e <ºl
e <2> = H e <1 > = H 2 e <º >
Assim,
li e< k l li = l i x - x< k l l i = li Hk ·e< º l li � l i Hk 1 1 e< º l li
Por outro lado, sabemos que l i H k li � l i H li k
Logo:
li e< k l l i � l i H l l k li e< º l li
Assim, se 1 H 11 < 1, temos que l i e< k l li = li x - x< k l li � O, quando k � oo.
Portanto: x< k l � x.
Observação '
Se li H li < < 1 (lê-se l i H l i muito menor que l }, então li H r tende a zero rapi
damente, ou seja, a seqüência de soluções aproximadas converge para a solu
ção do sistema rapidamente.
Se li H l i l, porém li H l i < 1, a convergência ocorre, mas lentamente.
::::
j=l i= �
•*J •*J
matriz A é estritamente diagonalmente dominante.
56 Cálculo Numérico
Resultado
Algoritmo 2.9
a) Forneça uma solução inicial aproximada x(O) = (x(�) , x(g) , ... , x(� ) e
E > O, uma tolerância fixa. Faça k = O e Pare = Falso.
(
Para i = 1, . . . , n, faça:
(i-1 (n) ) bi
i=i+l
x\1 k +t) = """
� - a . .
1) Jx < k l + """ - a . . \ k l / a ·· + -
� 1 ) xJ ll
i= I ªü
i
Se l x< k +t) - xli < k ll l � E , entao
-
Pare = Verdade
l l x< l
k +l
Senão k = k + 1
Observação
Não há necessidade de armazenar explicitamente as soluções x(O), x(l), x(2), ... , x(n).
Caso o critério de parada não seja satisfeito, então x < 0 l f- x < 1 l, isto é, arma
zene x(l) em x(O). Desta forma, apenas 2 vetores são necessários para calcular
a seqüência.
r-
Construção da matriz iterativa H:
o-2/10 -1/lO j
H= 1/5 O
-2/10 3 / 10--1/5
o
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 57
X(2k + l ) =
11 1 1
- X( k ) - X ( k ) k = o, l, 2, ...
5 -5 1 5 3
-
-
X(32 ) -
-- 8 -- 2 X(1 ) - 3 X(1)
10 10 1 10 2
-
( 2 ) - x( l l l
Portanto, x( 2 > = (0.8800, 1.7600, -0.1400)1 � li x 2 l = 0.5341 > 10-2 00
l i x( ) l i..
Assim, sucessivamente, calculamos:
l i x( 3 l _ x( 2 ) IL
3)
x( = (1.0340, 2.0520, 0.0960)1 � ( 3 =0.1423 > 10-2
x
li 1L )
x( 4 ) - x( J) l ..
x( 4 l = (0.9800, 1.9739, -0.0225)1 � li 4 ) = 0.0600 > 10-2
li x( 1 ..
S l i x( S ) - x( 4 ) l .. .
x( l = (1.0075, 2.0085, -0.0118)1 � (s = 0.0172> 10 -2
x
li l .. )
x(6) - x( S ) IL
x(6) = (0.9971, 1.9961, -0.0041)1 � l i = o.0062 < 10 -2 ,
l i x(6) 1L
Como o critério de parada está satisfeito, temos que x = x(6 ) é a solução
aproximada para o sistema com a precisão E = 10-2.
58 Cálculo Numérico
Observação
A seqüência de aproximações x(l ), x(2), x(3), x(4), ... converge para a solução
exata do sistema, dada porx (1, 2, O)t . A convergência lenta decorre do fato
=
ª
X2 = _I_
ª22
(b2 - ª21 X1 - a2 3 X 3 - - a2n Xn )
••·
ann i
=
ann
De uma forma geral:
� a 1)·· x J. < > ) / a ..
i -1 n
X 1.( k+l) ( b · - "'
=
a
� 1) J
1
·· x . ( k +I) - "" k li
·
1= 1 . .. , n
'
j=l j=i+l
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 59
k..J 1) J
1° = 1 f • • • 1n
j=l
onde g; = b; / au h;i = a;i / a ii i = l, ... , n
j=i+l
Xn(k)
bn
o o o o ann
Temos, desta forma, que:
x ( k+l l - P x ( k+l l + Qx < kJ +g , onde p - (Pii ) e Q - (q;i ) 1,· J· - 1 , ... , n e Pii' q;i sao
{-
_ _
-
{-
dados por:
ª i , se i > j ªii , se i < j
P11.. = a 11
'. q;i = aii e g=- b.
'
a;
O , se i � j O , se i � j
Podemos, ainda, escrever o método iterativo de Gauss-Seidel da se
guinte forma:
(1 - P)x< k+l l = Qx< k l + g
Como a matriz (1-P) é inversível, multiplicando-a em ambos os lados
da expressão obtida, temos:
x< k+l ) = (1 - Pt1 Q x< k l+ (1 -P t1 g
Chamando H = ( 1 - Pf 1 Q --7 matriz iterativa
g = (l - P t1 g, podemos escrever o Método Iterativo de Gauss-Seidel como:
x< k+ll = H: x<kJ + g
60 Cálculo Numérico
x = (x1 , x2 1 • • • , Xn ) 1
Prova:
Seja a solução do sistema dado, então esta satisfaz
a forma
i-1 n
x/k+l l = gi + L hi i xjk+l l + L hii xjkl
j=l j=i + l
Assim, temos:
i-1 n
Xj = gi + L hi j xj + L hi j xj
j=l j= i + l
Podemos escrever:
i-1 n
(x� k + l l _ xi ) = L hii (xl k + l l _ xi ) + L hii (xl k l - xi )
j=l j=i + l
ou ainda
i-1 n
k + l � + l
J e l 1 L i hii 1 J el k l 1 + L i hii l J el k l 1
�
j=l j=i + l
onde lei<m l 1 = l xi<m l _ xi I ·
Agora, podemos provar que a seguinte desigualdade é verdadeira:
(verificar como exercício)
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 61
Assim, i-1
kl
H + )I � L x l e�k ) I + L l hi j l � �x l e�k ) I �
n
l hi d p i �
L s�
j=i l +
(� l1t;; i �i + j�, )
_n Ls_n
j=l
oo
Algoritmo 2.10
a) Forneça uma solução inicial aproximada x(O) = (x(�) , x(g) , ... , x(� ) e
E > Ouma tolerância fixa. Faça k = O e Pare = Falso.
b) Construção da seqüência de soluções aproximadas:
Enquanto Pare = Falso, faça:
Para i = 1, ... , n, faça:
x�k+ l l =
1 ( i-1
1 - 4.J
h �
j =l
-a1. ). x�J k+l l + �
n
j=i + l
· k )
4.J - a1. ) x<J l /a .. 11
li x< k + l ) - x < k l li
Se � E, então Pare = Verdade.
l x( k + l l li
Senão k = k + 1 .
Resultado
Se a matriz A do sistema Ax = b for estritamente diagonalmente dominante,
então o método iterativo de Gauss-Seidel é convergente para a solução do
sistema dado, pois, teremos � < 1 .
Observa-se, ainda, que a convergência não depende da solução x(O) ini
cial dada.
Exemplo 2.21
Usando o método iterativo de Gauss-Seidel, determinar uma solução
aproximada para o sistema dado a seguir, com aproximação inicial
x(O) = (x(�), x(g), x(g)) t = (O, O, O)t e precisão E = 10-2 •
2
5
3
62 Cálculo Numérico
Construção da matriz H:
H = -1 5r �
-2/10 -1/10
o -1 /5
]
-2/10 -3 /10 o
Verificar a condição de convergência (critério de Sassenfeld):
3
131 = I l h1j 1 � 13 1 = 3 1 10 = o.3000
j=2
132 = 1 h2 1 1 13 1 + 1 h 23 I � 132 = 13 / 50 = 0.2600
133 = 1 h 3 1 l !31 + I h 32 l !32 � j33 = 69 1 500 = 0.1380
Assim,
13 = máx1S i S 3 13i = máx 1 S i S 3 {0.3000, 0.2600, 0.1380} < 1
Portanto, temos garantia da convergência da seqüência de soluções
aproximadas geradas pelo método iterativo de Gauss-Seidel.
Assim, temos:
X1( k +l ) -
-- 14 - - 2 X( k ) - 1 (k)
10 10 2 - 10 X3
X(2k +l ) =
11 - 1 X( k +l ) - 1 X( k ) k = o, l, 2, .
S S 1 S 3
..
X(k
8 2
3 +l ) -- - - - X(1k +l ) - - X(2k +l )
3
10 10 10
Para k = O, tomando x(O) = (O, O, O)t, temos:
x( t l = (1.4000, 1.9200, -0.0560)t
Teste de parada
li x( l l - x ( O l l l = l > 10-2
l x(•) IL
Para k l, temos:
=
1 2 1
1 = 4 - X( 1 ) - X( 1 )
X(2) lQ lQ 2
lQ 3
11 1 1
2 - 5 5 1 5 3
(1)
X(2) - - - - X(2) - - X
8 --
2 X(2) - - 3 X(2)
3 -- -
X(2)
10 10 1 10 2
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 63
Portanto,
li < 2 l - x < I ) IL
2
x< > = (1.0216, 2.0069, - 0.0064)1 � x o. 188s > 10 -
2
< 2)
l i x IL
=
É
Observação
possível perceber que a seqüência de aproximações x( I ), x(2), ... converge
para a solução exata do sistema proposto, que é x = (1, 2, 0)1 •
Interpretação gráfica
Podemos interpretar graficamente as soluções aproximadas geradas pelo
método iterativo de Gauss-Seidel no R2, a partir do seguinte exemplo:
Considere o sistema de equações lineares
{
2 X 1 + X2 = 2
X1 - 2 X 2 = - 2
Tomando uma solução inicial x < 0 > = (x�º l, x�0>)1 = ( O, 0)1 e uma tolerância
E = l0 -2 .
Construção da matriz H:
{
Cálculo das iterações:
X(k+l)
1 1 - -1 X(k2 )
l
=
k o l, 2, ...
= ,
(k+l) - +
X2 1
2 X1
(k+l)
Teste de parada
Para k 1 temos:
=
1/4 = 0.2500
9/8 = 1 . 1250
Portanto,
x(2) (0.2500, l.1250)t
=
Teste de parada:
x! 4 ) - x ! J >
x! 4 > (0.3906, l.1953)t � l i . 1 4 > L l 0.0392 > 10 -2
00
x< I
= =
x! S - x! 4 >
x < 5> (0.4023, l.201 W � li ) S> t 1 0.0097 < 10 -2
00
li x!
= =
Observação
Note que a seqüência de aproximações x(I J, x(2J, x(3J, x(4J, ..., x(n) converge para
a solução exata do sistema proposto, x = (2 / 5, 6 / 5)1 = (0.4, 1.2)1•
Graficamente temos:
Figura 2.2
A ��-ú\MIV4'--�--+-�-v1Jrvw-�----;2F--�Vll\/\Jrv'-��3r--�Vl/V\Jrv'-��
R4
Figura 2.3
Considerações:
a) Ri = 1 R2 = 2 R3 = 1 Ri = 3 R5 = 5 � = 2 R7 = 6 Rs = 1
� = 2 R1 0 = 3 Rn = 8 R1 2 = 8
VA = lOO V8 = 0
b) A corrente elétrica de um nó p para um nó q é dada por:
Ipq = (Vp - Vq}/Rpq
onde VP e Vq são as voltagens (Volts) nos nós p e q respectivamente,
e Rpq (Ohms) é a resistência existente entre os nós p e q.
e) Lei de Kirchoff - A soma algébrica das correntes em cada nó é zero.
V1
V2
17 - 5 o o o o o -2 1000
V3
1 -4 2 o o o 1 o o
V4
o 6 -9 2 o 1 o o o
Vs
o o 1 -4 3 o o o o
=
o o o 8 -9 1 o o o
V7
o o 8 o 6 - 20 6 o v6 o
Vs
o 12 o o o 3 - 23 8 o
6 o o o o o 10 - 31 o
>ai b
lÕ -
-2 1 000
_,_ _
o
�o o
--
'O 'õ
-20
o
a) b)
68 Cálculo Numérico
e)
Figura 2.4
Exercícios
r ] rX2X1] í l
1. Considere o seguinte sistema de equações lineares:
-9 5 6
X3
ll
2 3 ]. = 4
-1 1 - 3 -2
a) Resolva o sistema dado usando o método de decomposição LU.
b) Caso possível, determine a matriz inversa da matriz A do sistema dado,
usando o método de eliminação de Gauss com pivotamento parcial.
c) Caso haja convergência garantida, resolva o sistema dado pelo método
iterativo de Gauss-Seidel com x(O) = (x1 (0), x2(0), x3(0) = (0.1, 0.2, 0.5)
e E = 0.01.
d) Caso haja convergência garantida, resolva o sistema dado pelo método
iterativo de Jacobi-Richardson com x(O) = (x1 (0), x2(0), x3(0) (Ó.l, 0.2, 0.5)
=
e E = 0.01.
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 69
x (O)
a) Caso haja convergência garantida, resolva o sistema anterior usando o
método iterativo de Jacobi-Richardson a partir de = (O O O) e E = 0.1.
b) Caso o critério de Sassenfeld esteja satisfeito, usando o método itera
tivo de Gauss-Seidel, resolva o sistema dado a partir de =
eE= 0.01. O) x (O) ( - 2 1
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 71
15. Uma indústria produz quatro tipos de produtos (1) (2) (3) e (4), os quais
são processados e produzidos no decorrer da semana. Para produção de
cada unidade desses produtos necessita-se de quatro diferentes tipos
de matéria-prima (A) (B) (C) e (D), conforme tabela dada:
A B e D
(1) 1 2 4 1
(2) 2 o 1 o
(3) 4 2 3 1
(4) 3 1 2 1
3.1 Introdução
Apresentamos, neste capítulo, métodos numéricos para resolução de equa
ções na forma f(x) = O, onde f(x) é uma função de uma variável real. Nas diversas
áreas científicas, freqüentemente deparamo-nos com problemas reais envol
vendo a resolução dessas equações.
Resolver a equação f(x) = O consiste em determinar a solução (ou solu
ções) real ou complexa x tal que f(x) = O. Por exemplo, consideremos a
equação f(x) = cos(x) + x2 + 5 = 0 . Desejamos detemúnar a solução x tal que
f(x) = cos(x)+ x2 + 5 = 0.
Métodos iterativos são desenvolvidos para detemúnar aproximada
mente essa solução real x, embora tenhamos métodos iterativos específicos
para determinar a solução x quando esta é um número complexo.
Apresentamos os métodos iterativos para determinar a solução x quando
esta é um valor real e, para isso, necessitamos de uma solução inicial Xo· A partir
desta geramos uma seqüência de soluções aproximadas que sob determi
f(x)
a
b
!
X
Figura 3.1
Definição 3.1
Dizemos que X: é uma raiz ou um zero de f(x) se f(x) = O.
gura 3.2.
Observando a Figura 3.2, vemos que o gráfico de f(x) permite iden
tificar onde estão aproximadamente as raízes de f(x). Neste caso, te
mos as raízes x = ± J7 ::: ± 2.6458 , e f(x) ::: O.
Solução Numérica de Equações 75
f(x)
f(x)
o X
-7
Figura 3.2
f(x)
f2(x)
X
f2(x)
Figura 3.3
76 Cálculo Numérico
x E [ a, b ] tal que f(x) = O, isto é, existe pelo menos uma raiz no intervalo [a, b]
dição f(a)f(b) < O, (valores de f(a) e f(b) com sinais opostos), então existe
f(x)
f(b) f(x)
a
b X
f(a) ·····························
Figura 3.4
Solução Numérica de Equações 77
f(x)
f(so) .........................................................................�
--:".f(:-::x)
··
i X
f(r0) .............................. !
Figura 3.5
Para i = O, temos:
Xo = (r0 +s0)/2 � ponto médio
Como f(r0) f(Xo) < O, tomamos:
r1 = r0 e s 1 = Xo
Para i = l, temos:
x1 = (r1 +s1)/2 � ponto médio
Como f(r1) f(x 1 ) < O, tomamos:
Convergência
No método da bisseção, determinamos uma raiz da equação construindo
seqüências de intervalos ri e si e uma seqüência de soluções aproximadas xi
tal que:
a) A seqüência li , i = O, l, ... é crescente e limitada superiormente por s0
e, portanto, tem um limite superior que denotamos por r.
b) A seqüência su i = O, l, 2, ... é decrescente e limitada inferiormente
por r0 e, portanto, tem um limite inferior que denotamos por s.
c) A seqüência xi i = O, 1, ... é tal que li < xi < s i .
Por construção das seqüências temos:
1 1
(si -li ) = 2 (si-1 -li-1 ) = · · · = i (so -10 )
2
�im i (si -li )l = ü e, portanto, r = �im li = �im si = s
1-+oo !-too !-too
2n + 1
_ J;,
2
Impondo que So2n+
- l{J
l <E para garantir que l xn - x l < E, temos:
ou
n>
log( s0 - :ro ) - log(E) 1
----"---
-' ----=-
log 2
Logo, n é o número mínimo de iterações que devem ser realizadas para
obter X: com uma precisão E.
Algoritmo 3.1
Dados E > O, o intervalo inicial [1-0 , so ] que contenha a raiz, isto é,
f(r0) f(s0) < O. Faça Pare = Falso, i = O.
1.
x 1 X
f2(x)
Figura 3.6
80 Cálculo Numérico
2 x2
b) x = x e o processo iterativo correspondente xk+i = <l>(xk ) = ___!._
-
7 7
k = o, 1, ...
f(x) y=x
<l>(x)
X1 ••• X
Figura 3.7
Convergência
Teorema 3.1
suficiente).
Prova: Indução finita.
a) Xo e 1 por hipótese.
b) Supor x1 ,x2 1 ,xk e 1.
c) Mostrar que xk+ l e 1.
•••
Temos que:
x = <!>(x) e xk+1 = <l>(xk )
Então: l xk+ 1 - x l = l <1><xk ) - <1>(x) I
Usando o teorema do valor médio do cálculo diferencial integral,
temos que:
Portanto, xk+I E 1.
Devemos mostrar ainda que xk+I � x, quando k� oo
f(x)
y=x
<)>(x)
<l><Xo) ················································· ·
7f'-----:::>!""
· ··
···
.. .
. ... . . .
.
.. .. .. . . <X 1
X
Figura 3.8
84 Cálculo Numérico
Portanto, nas vizinhanças da raiz X:, l <l>'(x) I > 1, e não temos nenhuma
garantia de convergência na seqüência de soluções aproximadas gerada pelo
método das aproximações sucessivas, a qual é ilustrada no gráfico da Fi
gura 3.9.
f(x)
<j>(x)
y=x
- - - - - - - - - - - _,_ -
----/
'
- - - - - - - - /
Xz • • •
X
Figura 3.9
y=x
f(x)
cp(x) = cos(x)
Figura 3.1 0
Temos:
l <!>'(x) I = l -2sen(x) - l l
Para quais valores de x, 1 <!>'(x) I < 1 ?
Podemos observar que l <!>'(x) l < l para valores de x tal que -1 < sen(x) < O
e, portanto, não temos nenhuma garantia de convergência, pois l <!>'(x) l > l nas
vizinhanças da raiz, conforme podemos verificar também na Figura 3.10.
Gerando a seqüência de soluções aproximadas, através do processo ite
rativo xk+i 2cos(xk ) - xk , temos:
Xo 0.7000 � solução inicial dada
=
X 1 0.8297
=
Xz 0.5205
=
X3 1.2146
=
X4 = --0.5172
X5 2.2556
=
xk+ l cos(xk) ·
=
x6 = 0.7355
l x6[ - xs I = 0.0121 > E
x6 I
�
x7 = 0.7415
l x7 - x6 I = 0.0081 < E
l x7 I
�
f(x)
f(xi) - - - - - - - - - - - - - - - - - - - - - - -
Figura 3.1 1
Portanto, temos:
f(x )
Xi+l = Xi - f'(x)i -7 método de Newton
f(x)
o X
Figura 3.1 2
f' (x) O .
Teorema 3.2
q>(x..· �) =<j>(x)+ <l> ' (x) ( x-x)+ lj> " ( Ç) ( x - x)2 , com s entre x e X:.
1! 2!
Fazendo x Xj, temos:
=
Assim,
Como S i converge para a raiz X: juntamente com xi, pois está no inter
valo [xil X:], temos:
lim ei+t
i-- er =
l <!> " (x) I = k
2
Exemplo 3.4
Usando o método de Newton, resolva a equação x2 - 2 = O, com E = 10-5,
isto é, desejamos o cálculo de Ji.
Usando o processo iterativo do método de Newton, temos:
xi+ 1 = xi - f(x; ) = 21 (xi + 2 )
f'(xi ) xi
A partir de uma solução x0 inicial, geramos a seqüência de soluções
aproximadas:
x0 = 1.00000 --t
solução inicial dada
x1 = 1.50000 --t J x1 -xo l = 0.33333 > E
l x1 I
x2 = 1.41667 --t J x2 -x1 1 = 0.05882 > E
l x2 I
X3 = 1.41422 --t I X3 - X2 I - 0.00173 > E
l x3 I
X4 = 1.41421 --t I X4 - x3 I = 0.00001 < E
l x4 I
Como o critério de parada está satisfeito, temos que x = x4 = 1.41421.
Podemos observar que esta seqüência converge para x = J2.
Desta forma, podemos observar que, na medida em que os valores de xk
se aproximam da raiz x, a convergência torna-se muito rápida, isto devido à
propriedade da convergência quadrática do método de Newton.
Senão i = i + 1
92 Cálculo Numérico
Observação
O leitor pode incluir neste algoritmo algumas modificações:
a) Modifique o critério de parada, considerando lf(xi ) I � E.
b) Teste se l f'(x) I < E, enquanto l f(xJ I >> E. Se isto acontecer, o método
falha.
c) Inclua o número máximo de iterações.
Exemplo 3.5
Usando o método de Newton, resolva a equação ln(x)+x+ 4 = O, com
x -x l
X2 = 2.9250 � l 2x i = 0.0575 > E
l 2I
X -X
X3 = 2.9263 � I 3x 2 I = 0.0004 > E
l 3I
""---,---.,--'-
x -x I
2.9263 � l 41 3 = 0.0000 < E.
x4 I
X4 =
f(x)
Figura 3.1 3
Assim:
e, portanto,
xi-l f(xi ) - xi f(xi_i ) � método das secantes
X·+1
1 =
f(xi ) - f(xi -l )
Algoritmo 3.4
1. Seja f(x) contínua e E > O uma tolerância fixa.
2. Escolha x1, duas aproximações iniciais.
Xo
Faça Pare Falso e i O.
= =
i -,;j
3.2 Se 1 x .Xi, + < e , então Pare Falso
l
=
Senão i i + 1 =
Solução Numérica de Equações 95
Convergência
'Como o método das secantes é uma modificação do método de Newton,
as condições de convergência são parecidas, observando-se que não temos
mais a propriedade de convergência quadrática.
Quando f(xk ) = f(xk-l ), podemos ter problemas de convergência, isto é, a
seqüência gerada pelo método pode divergir.
Exemplo 3.6
Resolva a equação x3 - l /2 = O, usando o método das secantes com E = 0.01.
Podemos escrever a equação dada na forma equivalente x3 = 1/2.
Chamando f1 (x) = x3 e f2 (x) = 1 /2, temos uma vizinhança para a raiz, na
intersecção dos gráficos de f1 (x) e f2(x), conforme Figura 3.14:
f(x)
1
1/2 f2 (x)
-1 x 1 X
-1
Figura 3. 1 4
f(xJ - f(xi_1 )
x0 = O e x 1 = 1 � solução inicial dada
x -X 1
1
x2 = 0.5000 � l 2 1 = > ê
I Xz I 1
x3 = 0.7143 � l 3 2 I = 0.3000 > ê
x -x
l x3 I
96 Cálculo Numérico
Exemplo 3.9
A divisão do polinômio P(x) 6x2--4x+2 pelo polinômio (x--4) resulta
Q(x) = 6x + 20 e o resto dessa divisão, P(4) = 82.
=
I I
98 Cálculo Numérico
Assim., temos:
9= J P(x)J = j ao xn + a1 xn-l + ... + an-1X + an 1
= jao xn -(-ai )xn-l . -(-an-1 )x -(-an )j
_
. .
Assim.:
Se ( lau 1-
1 I )2 ��
O, isto é, se l x l 2 1 +
I�I '
temos que IP(x)I > O.
Logo, os valores de x que satisfazem a inequação inicial não são raízes
de P(x) O = .
Corolário 3.1
Seja an * O e B = máx {I a0 1 , ... , 1 ªn-l I }, ond� ak k O, ... , n são os coeficientes de
=
Prova:
1
Tomando x = - , temos:
y
1 1 1 1
P(x) = a0 - n + a1 yn - 1 + ... + an - 1 - + an = -
--
n Q(y)
Y Y Y
onde,
Assim: l xk l >
1
B =r
k = l , ... , n
1+
�
Observação
Pelo teorema e corolário anteriores, podemos observar que, no plano complexo
da Figura 3.15, as raízes de P(x) = O estão localizadas no anel: r < l x l <_R.
\
�t--�-+-�+-----t��+-:>
��)'
Figura 3.1 5
100 Cálculo Numérico
Exemplo 3.10
As raízes de P(x) x3 + 2x2 - x - 2
= = O estão localizadas em -3 < xk < - 1/2 ou
1/2 < xk < 3, pois:
Teorema 3.4
Regra de sinal de Descartes
Dada uma equação polinomial com coeficientes reais, o número de raízes
reais positivas p dessa equação não excede o número v de variações de sinais
dos coeficientes. Ainda mais, (v - p) é inteiro par, não negativo.
Prova: Demidovich, B. P.; Maron, 1. A.
Observação:
Para determinar o número de raízes negativas, basta calcular o número de
variações de sinais no polinômio P(-x).
Exemplo 3.11
Dada a equação polinomial P(x) x3 + 2x2 - x - 2 O aplicando o teorema da
= = ,
par temos:
v 1 � p l, então o polinômio deve possuir uma raiz real positiva.
= =
Teorema 3.5
Teorema de Budan-Fourier
Se os números a e b (a < b) não são raízes de um polinômio P(x) de grau n,
então o número N(a, b ) de raízes reais da equação P(x) O localizadas entre
=
a e b é dado por:
N(a, b) � - 2k (k natural), sendo � = N(a)-N( b), onde N(x) é igual
=
vemos que os valores 3 e -3 não são raízes de P(x), pois P(3) = 40 e P(-3) -8.
=
Desta forma, é possível calcular o número das raízes reais localizadas [-3, 3]:
Solução Numérica de Equações 101
Exemplo 3.13
Dado o polinômio P(x) = x3 + 2x2 - x - 2 = O, e usando o teorema de Sturm,
temos:
g0 (x) = P(x)= x3 +2x 2 - x -2 = 0
g1 (x) = p( l > (x) = 3x2 + 4x -1
14 x + -
g2 (x) = - 16
9 9
81
g3 (x) = -
49
Sendo v (O) = 1 e V (-1 .5) = 2, temos que v (-1 .5) - v (O) = 1, portanto,
existe uma raiz no intervalo (-1.5,0). Além disso, pelo teorema anterior, sabe
mos que existem duas ou nenhuma raízes no intervalo (-3,0).
Como sabemos que existe uma raiz no intervalo (-1 .5,0), podemos con
cluir que a outra raiz encontra-se no intervalo (-3, -1.5).
Note que, desta forma, P(a) = a0 an + a1 an-I + ... + an pode ser calculado
1 com n operações de adição e n operações de multiplicação.
a.
.!..
.............. .....�� ......... ...��.................��.....................................�:��········· .... �:..........................
bn P(a.)
.
Figura 3.1 6
Assim, temos:
b1 = a1 + ab0 = 0 + 3(6) = 18
b2 = ª2 + ab1 = 1 + 3(18) = 55
b3 = a3 + ab2 = - 1 + 3(55) = 164 = P(3)
Usando o esquema prático de Briot-Ruffini, temos:
6 o 1 -1
. .
· · · · · · · · · · · · · · · · · - · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
. .
. .
. .
3 i 6 18 55 i 164 = P(3)
Assim, para x = a, temos P'(a ) = Q(a). Portanto, para calcular P'(a), basta
calcular Q(a), ou seja, repetimos o procedimento anterior em Q(x), uma vez que
podemos escrever Q(x) = (x-a.) M(x) + Q(a), onde Q(a) é o resto da divisão
de Q(x) por (x-a.) e M(x) é um polinómio de grau (n-2) na forma:
xi l xi - P(xJ ,
� metodo de Newton
p (X )
+ = -, -
i
Neste caso, os valores de P(xi) e P' (xi) são calculados usando o método
de Briot-Ruffini.
; + � 1 : I :� +
················· ···················· ···················· ·················· ··················
T
······ ······· ········ ·········- -········ ········· ········ ···· ·····- �= -·····
foi satisfeito.
106 Cálculo Numérico
� (x, y , ... , z) = O
Exemplo 3.16
{
Considere o sistema de equações não lineares:
sen(x) + y = O
x 2 + y2 =0-1
{
lineares com duas equações e duas incógnitas:
f1 (x, y) = O
f2 ( X , y) = Ü
em que F(x, y) =
[ ]
Ou seja, buscamos determinar o vetor solução (x, y) tal que F(x, y) = O,
f1 (x, y)
f2 (x, y) ·
Seja (Xo, y0) uma aproximação inicial para a solução (x, y). Expandindo
f1 (x, y) e f2 (x, y) por série de Taylor em tomo do ponto (Xo, y0) até a derivada de
1ª ordem e igualando a zero a série truncada, temos:
Solução Numérica de Equações 107
Definindo-se J(XQ, y0), a matriz Jacobiana avaliada no ponto (Xo, y0), temos:
(xo ,yo )
J(xo , yo ) ( ]( ]
X 1 - Xo
Y1 - yo
=
-f1 ( Xo , yo )
-f2 ( Xo , Yo )
Denotando r = (x - x0 ) e s = (y - y0 ), o sistema linear escreve-se como:
J(xu yJ
(xi+l - xi ) = (-f1 (xi , Yi )) � Processo iterativo de Newton
f.
Yi+l - yi - 2 ( X u Yi )
108 Cálculo Numérico
a�
ax ay az ( Xi , Yi , ..., zi )
Ainda,
onde J(xi, yi, ... , zi) é a matriz jacobiana avaliada no ponto (xi, yi, ... , zJ
Denotando li = xi+I - xi si = yi+I -yi ... ti = zi+I -zi , temos o sistema
de equações lineares para ser resolvido, como segue:
=
Solução Numérica de Equações 109
Convergência
Condições para convergência do método de Newton:
a) As função � (x, y, ... , z) i = l, . . , n contínuas e as derivadas até or
dem contínuas e li�itadas nu.ma vizinhança da raiz (x, y, ... , z).
. 2"'
c) A solução inicial (x0 , y0 , , z0 ) deve ser próxima da raiz (x, y, ... , z).
b) Det U (xi,yi, ... , zi)] � O.
•••
Observação
A seqüência gerada pelo método de Newton (xu yi , ... , zJ, a partir de uma
Algoritmo 3.5
1. Considere o sistema de equações não lineares
f1 (x, y, ... , z) = O
f2 (x, y, ... , z) = O
� (x, y, ... , z) = O
=
110 Cálculo Numérico
Senão i i + 1=
Observação
Para implementação deste algoritmo, não é necessário armazenar toda a se
qüência de soluções aproximadas. Basta armazenar dois vetores, x(O) e x( l l, e
caso o critério de parada não seja satisfeito, faça x( l ) x(ºl . =
Exemplo 3.17
Resolver o seguinte sistema de equações não lineares, usando o método de
Newton com E = 0.001.
{ x2 + y2 - l = O � f1 (x, y)
x2 - y = O � f2 (x, y)
Graficamente, podemos representar conforme a Figura 3.17:
f2(x,y)
Figura 3.1 7
Solução Numérica de Equações 111
Pela Figura 3.17 vemos que existem duas raízes que se encontram na
' intersecção dos gráficos de f1 (x,y) e f2 (x,y).
A matriz jacobiana é dada por:
[
l
2x 2y
J(x, y) =
2x -1
Tomando uma solução inicial (x0 , y0 ) = (0.5, 0.5), temos o processo ite
rativo de Newton como segue:
Fazendo r = (x1 - x0 ) e s = (y1 - y0 ), temos o seguinte sistema de equa
ções lineares nas variáveis r e s:
r
li
1 1
-1
] lr l rl ]
r
s
=
o.5
o.5
{ x1 = x0 + r = 0.8750
y1 = y0 + s = 0.6250
Critério de parada:
112 Cálculo Numérico
r
= 0.7907
�
y2 = 0.6180 I Y2 -Y1 I = 0.01 13 > E
I Y2 I
r = 0.7862
�
l x3 -x2 I
l x3 I
0.0057 > E
r = 0.7862
�
l x4 -x3 I
l x4 I
0.0000 < E
foi verificado.
Método de Newton-Bairstow
Seja P(x) um polinômio de grau n � 2. Para calcular as raízes complexas de
P(x), caso existam, consideramos que estas ocorrem aos pares, isto é, se ( a+bi)
for uma raiz, então ( a-bi) também será uma raiz de P(x).
Solução Numérica de Equações 113
= (x2 - ax - p) + R(x)
onde
D(x) = x2 - ax - P
Portanto,
= bo Xn + b1 Xn-1 + ... + bn-3X3 + bn-2 X2 - Clbo Xn-1 - Clb1 Xn-2 - . . . - Clbn-3X2 - Clbn-2 X +
114 Cálculo Numérico
ªº = bo bo = ªº
ª1 = b1 - abo b1 = ª1 + a bo
ªn - 2 = bn -2 - abn -3 - Pbn -4 bn -2 = ªn -2 + a bn -3 + p bn -4
ªn - 1 = bn - 1 - abn -2 - Pbn -3 bn - 1 = ªn -1 + a bn - 2 + p bn -3
ªn = bn - abn -1 - Pbn -2 bn = an + a bn-1 + P bn -2
{
De modo geral, temos:
b· = a· + ah 1 + ..,Ah 2
1 1 1- 1- i = O, l, ... , n - 1
b_1 = b_2 = 0
{
variáveis a e p :
bn -1 = ªn -1 + a bn -2 + p bn - 3 = o
bn = an + a b n -1 + P bn -2 =0
r-�(<X; ,�; )J
mas não lineares, visto neste capítulo, isto é
éH1
(ª - ª i ) =
af1
ªª ap
a f2 af2 P - Pi
(aj ,J}j )
- f2 (ai , pi )
ªª ap
ou, ainda,
R. )
( a-•+1 - a- ) = ( - ff1 (a(a"· ..,. )
J( a- P· ) ,
" ' Pi+1 -Pi - 2 u PJ
onde J( au PJ é a matriz jacobiana avaliada no ponto (ai , PJ .
Solução Numérica de Equações 115
é) b n-2 p --
é) bn-3
bn-2 + a -- +
é)a é)a
é) b
i+l i = O, l, , n
Denotando-se ci = � ... - 1 , temos:
Co = bo
c1 = b1 + a c0
C2 = b2 + a c1 + P co
{
Em geral, temos:
ê) bo
=0
ap
ab1
=O
ap
d b2
- bº
ap
d b3 a b2
= bi + a
ap ap
ê) bi+2
Denotando-se di = i = O, l, , n - 2
...
d0 = b0
d1 = b1 +ad0
d2 = b2 + ad1 + Pdo
Solução Numérica de Equações 117
{
De um modo geral, temos:
d·1 = b1 + a d1-1 + A..,,d 2 i = O, l, ... , n - 2
d_l = d-2 = 0
- .
1-
Entao, dn-3 = �
- abn-1 ab
e d n _2 = n .
aj3
Realizando uma comparação com os resultados obtidos em a) e b),
vemos que
ci = di i = O, 1, .. , n - 2 .
a bo
Assrm, c 0 _3 = �
. a b n-1
e c o -2 = a�
a bn a bn
ªª a13 s -bn
IX; ,l:\i )
{b
2.1 Para i = O, 1, ... , n, faça
1= a1. + \.A.) b1-1 + !-')
"' · A . b·
2 1-
b_1 = b_2 = o
{C·1 C· C·
2.2 Para i = O, ... , n-1, faça
= b1 + <X·J 1 -1 +A .
1-'J 1- 2
c_l = c_2 = o
118 Cálculo Numérico
3.2 Calcular ª i + l = a i + r e � i + l = �i + s
e
�j+ l - �j < E
---
�j
ou
l bn-1 l < E e l bn l < E, então faça:
a = ai+l e � = � j+l e determine as m raízes de
D(x) = x 2 - ax - � = O e vá para 4.
Senão j = j + 1 e volte em 3.
4. Para i = O, ... , n-m, faça:
Exemplo 3.18
Usando o método de Newton-Bairstow, determinar as raízes da equação
b0 = a0 = 1
b1 = a1 + ab0 = -3 + 1(0) = -3
b2 = a2 + ab1 + �b0 = 2.25 + 0( -3) + 0(1) = 2.25
b3 = a3 + ab2 + �b1 = --0.75 + 0(2.25) + 0(-3) = --0.75
b4 = a4 + ab3 + �b2 = 0.5 + 0(--0.75) + 0(2.25) = 0.5
c0 = b0 = 1
c1 = b1 + ac0 = -3 + 0(1) = -3
c2 = b2 + ac1 + �c0 = 2.25 + 0( -3) + 0(1) = 2.25
c3 = b3 + ac2 + �c1 = --0.75 + 0(2.25) + 0( -3) = --0.75
Solução Numérica de Equações 119
( )() ( )
Desta forma, temos o sistema de equações lineares:
2.25 -3 r 0.75
-0.75 2.25 s -0.5
{r
mento na diagonal, temos:
= 0.0667
s = -0.2000
{
Assim,
a1 = a0 + r = 0+ 0.0667 = 0.0667
P1 = Po + s = 0 - 0.2000 = - 0.2000
Critério de parada:
j=1
bo = ao = 1
b1 = a1 + ab0 = - 3 + 0.0667(1) = -2.9333
b2 = a2 + ab1 + Pbo = 2.25 + 0.0667( -2.9333) - 0.2000(1) = 1.8543
b3 = a3 + ab2 + Pb1 = - 0.75 + 0.0667(1.8543) - 0.2000( -2.9333) = -0.0397
b4 = a4 + ab3 + Pb2 = 0.5 + 0.0667(-0.0397) - 0.2000(1.8543) = 0.1265
c0 = b0 = 1
C1 = b1 + <XCo = -2.9333 + 0.0667(1) = -2.8666
c2 = b2 + ac1 + Pc0 = 1.8543 + 0.0667( -2.8666) - 0.2000(1) = 1.4631
c3 = b3 + ac2 + Pc1 = -0.0397 + 0.0667(1.4631) - 0.2000( -2.8666) = 0.6312
( ) (r) ( )
Temos o seguinte sistema de equações lineares:
{
Usando o método de Gauss com pivotamento na diagonal, temos:
r = -0.0771
S = - 0.0532
{ a2 = a1 +r = 0.0667 - 0.0771 = - 0.0104
P2 = P1 + s = --0 .2000-0.0532 = -0 .2532
Critério de parada:
j=2
b0 = a0 = 1
b1 = a1 + ab0 = - 3 + --0.0104(1) = -3.0104
b2 = a2 + ab1 + pb0 = 2.25 -0.0104(-3.0104)-0.2532(1) = 2.0281
b3 = a3 + ab2 + pb1 = - 0.75 - 0.0104(2.0281) - 0.2532(-3.0104) = --0.0089
b4 = a4 + ab3 +pb2 = 0.5 - 0.0104(--0.0089) - 0.2532(2.0281) = --0.0134
c0 = b0 = l
C1 = b1 + aco = - 3.0104 - 0.0104(1) = -3.0208
c2 = b2 + ac1 +�0 = 2.0281 - 0.0104(-3.0208) - 0.2532(1) = 1.8063
c3 = b3 + ac2 + Pc1 = - 0.0089 - 0.0104(1.8063) - 0.2532( -3.0208) = 0.7372
{
Usando o método de Gauss com pivotamento na diagonal, temos:
r = 0.0103
s = 0.0032
{ U3 = <X2 +r = -0.0104+0.0103 = - 0.0001
P3 = P2 + s = - 0.2532+0.0032 = - 0.2500
Solução Numérica de Equações 121
Critério de parada:
l b3 I = o.oo89 < E e l b4 I = o.Ol34 > E
j=3
b0 = a0 = 1
b1 = a1 + ab0 = - 3 + -0.0001(1) = -3.0001
b2 = a2 + ab1 + Pbo = 2.25-0.0001( -3.0001) - 0.2500(1) = 2.0003
b3 = a3 + ab2 + Pb1 = - 0.75 - 0.0001(2.0003) - 0.2500( -3.0001) = -0.0002
b4 = a4 + ab3 +Pb2 = 0.5 - 0.0001(-0.0002) -0.2500(2.0003) = -0.0001
Critério de parada:
l b3 I = o.ooo2 < E e l b4 I = o.oool < E
Como o critério de parada está satisfeito, podemos construir os polinô
mios D(x) e Q(x) da seguinte forma:
D(x) = x2 - ax - p = O
D(x) = x2 +0.000lx +0. 2500 = O, cujas raízes são complexas dadas por:
X1 = 0.00005 + 0.5 i e X2 = 0.00005 - 0.5 i
Q(x) = b0x2 + b1 x + b2 = O
Q(x) = x2 - 3.0001x + 2.0003 = 0, cujas raízes são reais dadas por:
X3 = 1.9999 e X4 = 1.0002
Modelo matemático
Como a peça tem o formato do arco de uma circunferência, podemos repre
sentá-la graficamente conforme a Figura 3.18 a) e b):
y
peça
LI:\
+----- 6 m -----+
X
a) b)
Figura 3. 1 8
sen(0) = 3 / r � r sen(0) = 3 i)
a) b)
e)
Figura 3.1 9
Observando a Figura 3.19 c), temos a raiz X: 1 .2757 com a precisão dese
=
r = 4/1.2757 = 3.1355
x = r cos(l.2757) = 0.9119
Portanto, h = r-x = 2.2236 será a altura máxima da peça.
Exercícios
1. Usando o software numérico, determine graficamente uma vizinhança
para as raízes das seguintes funções:
a) f(x) = x - ex
b) f(x) = sen(x) + x2 + 1
c) f(x) = sen(x) - x + 2
d) f(x) 2x - tg(x)
=
b) f(x) = sen(x) - x - 1 = O
c) f(x) = 2x - e-x = O
5. As raízes de f(x) = ln(x) - x + 2 podem ser determinadas usando o pro
cesso iterativo na forma xi+l = <!>(xd i = l, 2, ...
Considere os processos iterativos:
a) X ; +i = <l>(x ; ) 2 + ln( x ; )
=
j
12. Usando o método d e Newton, resolva os seguintes sistemas de equações
não lineares: com E = 0.01.
a)
{x2 + y2 = 1
b)
{ 2x3 - y = l
x 2 + y2 + z 2 = 2
c) x2 + y2 =1
3x2 + y2 = 1 x2 - y = 1
3x2 =1
13. Seja a equação polinomial P(x) = x3 + x + 1 = O. Determine uma raiz real
dessa equação usando duas iterações pelo método da bisseção e o mé
todo de Newton + Briot-Ruffini com E = 0.001.
14. Usando o método de Newton Bairstow, determine as raízes complexas
do polinô!Uio
a) P(x) = x4 + 3x2 + 1
b) P(x) = x4 + 2x2 + x + 1
15. Determinar todas as raízes da equação polinomial P(x) = x3 - x - 1 = O
usando o método de Newton + Briot-Ruffini com E = 0.0001.
Capítulo 4
Aproximação de Funções
Interpolação e Método dos Mínimos Quadrados
4.1 Introdução
Neste capítulo apresentamos a aproximação de uma função de uma variável
real por outras funções mais simples, de modo que operações em geral sejam
realizadas com mais facilidade. Esta aproximação possui várias aplicações
na resolução de problemas complexos, como integração de funções, equa
ções diferenciais, sistemas não lineares etc.
Esta situação pode ocorrer quaílkto trabalhamos com uma função f(x) e
esta apresenta um grau de dificuldade, por exemplo, para avaliar em pontos,
derivar ou ainda integrar, ou mesmo quando conhecemos esta função em
um número finito de pontos de um intervalo [a, b], sem o conhecimento de
sua forma analítica, geralmente obtida em experimentos.
Algumas funções são usadas neste tipo de aproximação, como poli
nômios, funções exponenciais, trigonométricas etc. Faremos a aproximação
de uma função f(x) inicialmente usando interpolação polinomial, seguido da
aproximação pelo método dos mínimos quadrados.
127
128 Cálculo Numérico
y f(x)
Yn -----------------------------------
Yt - - - - - - - - - �-=-=-=---- -----
Yo
XQ = a Xn = b X
Figura 4.1
Seja f(x) definida em XQ, xv ..., Xn (n + 1) pontos distintos de um intervalo [a, b],
Existência e Unicidade
então existe um único polinômio P(x) de grau menor ou igual a n tal que
P(xi) = f(xi) = Yi i = 1, ... , n.
Prova:
Considere o polinômio de grau n, P(x) = an xn + an_1 xn-l + ... + a1x + a0 tal que
P(xi) = f(xi) = Yi i = O, 1, . .. , n.
Desta forma, temos:
Aproximação de Funções 129
xô Xon-1 Xo 1
x
A= r X1n-1 X1 1
menor ou igual a n, que coincide com a função nos pontos xi i = 1, ... , n, isto é,
P(xi) = f(xi) = Yi i = l, ... , n.
Representamos graficamente, conforme Figura 4.2:
f(x) f(x)
f(xn)
P(x)
f(Xo)
Xo = a X1 X0 = b X
Figura 4.2
f(x)
---------------------------------------------------------
f(xn)
{ p(x) -
-
-- -- - - �-- - - - - - - - - - - - - - - - - - - -
f(x 1 ) - - - - - - - - - - - - - - - -
-- ---
E(X) f(x) --
- ----
----- --�------------------------------
'
1
1
1
1
1
:xo = a
Xn = b X
Figura 4.3
i=O
Prova:
Considere x E [x0 , Xn ].
i) Se x xi i O, l, . , n, então 'Jl(Xi) O e, portanto, temos f(xi) P(xi)
= = . . = =
1 1 l 'lf(X) 1 M
1 E(x) 1 = (n'!'+(X)l) ! f( n+l l (Ç) = l(n'lf+(X)l) !l 1 f( n+l l (Ç) 1 � (n
+ l) !
1 E(x) I � l 'l'(x)l)I! M
(n +
Observação
Podemos calcular uma estimativa para o erro somente quando tivermos a
expressão analítica da função f(x), pois, de acordo com a fórmula do limitante
superior para o erro, devemos dispor da (n + 1)-ésima derivada dessa função.
Nos casos em que tivermos apenas a função tabelada em um número
finito de pontos, sabemos que estamos cometendo um erro no ponto a ser
avaliado, mas não é possível estimá-lo.
A seguir, embora a resolução do sistema linear obtido na prova do Teo
rema 4.1 forneça uma maneira para determinar o polinómio interpolador de
uma função, apresentamos, também neste capítulo, outras fórmulas interpo
latórias para determinar o mesmo polinómio interpolador, uma vez que este
é único, porém com uma maior facilidade nos cálculos: Lagrange, Newton e
Newton-Gregory .
{
Para que P(xi) Yi i O, ... , n, é suficiente que:
= =
o 0.5 1.0
1 .3 2.5 0.9
Assim,
[ 2
0.5
] [ ]2
--0 .25
[ 2
P(x) = (1.3) x - 1.5x+0.5 + (2.5) x -x +(0.9) x -0.5x =
0.5
]
= -5.6x2 + 5.2x +1.3
Portanto, temos:
P(x) = - 5.6x2 + 5.2x+ 1.3 e f(0.8) = P(0.8) = 1.8760
Neste caso, temos um erro cometido na aproximação da função e, conse
qüentemente, no valor de f(0.8), mas não podemos estimá-lo, pois não temos
a forma analítica da função f(x).
Exemplo 4.2
Considere a função f(x) = < 3 + x) definida nos pontos conforme, tabela:
(l + x)
[ 2
] [
2
]
P(x) = (2.82) x -0. 6x +0. 08 + (2.67) x -0. 5x +0.04 +
0.03 --0.02
[ 2
]
+(2.43) x - 0.3x +0.02 = x2 - l.8x + 2.99
0.06
Aproximação de Funções 135
Portanto, temos:
P(x) = x2 -1 .8 x+2.99 e f(0.25) = P(0.25) = 2.6025
Limitante superior para o erro
A partir da fórmula do limitante superior para o erro:
para n = 2 temos:
u= ou amda x = x0 + uh
h
Desta forma, temos a seguinte correspondência dos valores da variável
x com a nova variável u, conforme Figura 4.4.
136 Cálculo Numérico
h h h
,----J'-.., ,----J'-..,
Xo X1 X2 Xn-1 Xn X
l h=l l l l l
o 1 2 n-1 n u
Figura 4.4
Prova:
Sabemos que x = x0 + uh e que Xr = Xo + rh, desta forma, temos:
= =
k=O
Note que .é'k(u) não depende dos pontos de interpolação originais e,
portanto, são os mesmos para qualquer cálculo de polinómios interpola
dores de grau � n.
Limitante superior para o erro para pontos eqüidistantes
Para pontos eqüidistantes, um limitante superior para o erro é dado, basea
do no seguinte resultado:
Teorema 4.3
Seja f(x) uma função definida e (n + 1) vezes diferenciável num intervalo [a, b]. Se
jam XcJ, xv ... , Xn, (n + 1) pontos distintos e eqüidistantes deste intervalo. Se P(x)
interpola f(x) nestes pontos, então o limitante superior para o erro é dado por:
hn+l
I E(x) I = l f(x) - P(x) I � M
onde, 4(n + 1)
M máx l f( n+t l (x) I x e [x0 , xn 1
=
( X - Xo ) _ (0.3 - 0.2)
U = = 0.5
h 0.2
hn + l
I E(x) I � 4(n + l) M = - M
h3
12
/
onde
Assim,
·2
I E(0.3) 1 � º12
3 (0.5646) = 0.0004
interpolação linear.
Considere uma f(x) definida em dois pontos Xo e x11 conforme Figura 4.5.
Aproximação de Funções 139
f(x)
f(x)
Xo X
Figura 4.5
onde
I E(x) I � i 'l'��)I M
M = máx
onde
{I f(2 l (x) � x E [x0 , xi ] }
e 'lf ( X ) = (x - x0 ) (x - x1 )
Podemos notar que a função 'lf (x) é uma parábola passando pelos pon
tos Xo e x1 e assume o máximo valor no ponto médio p (x0 + x1} /2. =
1 E(x) 1 � J
- h2 z
J M= h M
onde 8 8
M = máx { J f( 2 > (x) J x e [x0 , xd }
Exemplo 4.4
1
Considere uma função f(x) = -- tabelada nos pontos conforme segue:
(l + x)
1 2
1 /2 1 /3
l I
Logo,
2
M = máx J f( 2 > (x) J = máx = 1/4
(l + x)3
Assim:
h2
I E(x) I � M = _!:_ (l / 4) = 0.0313
8 8
Aproximação de Funções 141
h2
Assim, basta impor que M � 0.0001
8
2
Como a função f< 2 l (x) = é decrescente em módulo no intervalo
(1 + x)3
l 1
[0,2], o máximo valor que esta função assume no ponto x = O é dado por:
2
M = máx =2
(1 + x)3
Então temos:
h2
- (2) � 0.0001 � h � 0.02
8
Portanto, a amplitude do intervalo a ser tomado é de h � 0.02.
Diferenças divididas
Seja f(x) uma função contínua, (n + 1) vezes diferenciável e definida em
:xo, x1, ... , Xn (n + 1) pontos distintos de um intervalo [ a, b] .
Definição 4.2
Diferença dividida de ordem zero
Definimos diferença dividida de ordem zero de uma função f(x) definida nos
pontos xi i = O, 1, ... , n por:
f [xd = f(xi) i=O,l, ... , n
142 Cálculo Numérico
Definição 4.3
Diferença dividida de ordem n
Definimos diferença dividida de ordem n de uma função f(x) definida nos
pontos xi i = O, l, , n por:
...
f[x0]
X Ordem O Ordem 1 Ordem 2 Ordem 3
Xo
f[x0, x1]
f[x1] f[xo, xv x2]
f[xv Xz ] f[ XQ, X11 X21 X3)
X1
f[x3]
--
X3
Exemplo 4.6
Construir a tabela de diferenças divididas da função f(x) = 1 / x definida
sobre os pontos x0 1, x1 = 2, x2 = 4, x3 = 5.
=
f[x0 ] = f(x0 ) = 1
f[xi ] = f(x1 ) = 1 / 2
f[x2 ] = f(x2 ) = 1 / 4
f[x3 ] = f(x3 ) = 1 / 5
Aproximação de Funções 143
f[ X1 , X 2 , X3 ] =
f[x2 , x3 ] - f[x1 1 x2 ]
------
(-l / 20:t>l / 8) 12/ 160
( X3 - x i ) 3
1 1
-1 /2
2 1 /2 1 /8
-1 /8 -2/160
4 1 /4 12/160
-1 /20
5 1 /5
Teorema 4.4
Seja f(x) uma função contínua, (n + 1) vezes diferenciável no intervalo [a, b] .
Sejam XQ, x 11 , Xn (n + 1) pontos distintos de [a, b] . Então temos:
•••
Corolário 4.1
f [x0, x1 1 , xn J = f [xi0, Xjv ... , Xj n J , onde f o, j 11 , jn é qualquer permutação de
••• •••
O, l, ... , n.
Desta forma, podemos escrever as diferenças divididas em qualquer
ordem, como segue:
f[x0 , xi J = f[x1 1 xo ]
f[x0 , x1 , x2 ] = f[x1 , x0 , x2 ] = f[x1 1 x 2 1 x0 ] = ...
Segue destes resultados o seguinte corolário:
f [Xo , X1 1 , Xj-l i Xj+1 ' ···i Xn ) -f [Xo , X1 1 , Xk-l i Xk+1 ' ···i Xn ) .
Corolário 4.2
••• •••
Teorema 4.5
Seja f(x) uma função contínua e definida em XQ, x1 1 , Xn (n + 1) pontos distin
•••
Prova:
Inicialmente notamos que Pn(x) é um polinômio de grau � n, uma vez que o termo
de maior grau é obtido pelo produto de monômios: (x - x0 )(x - x1 ) ... (x - xn ).
Mostramos, agora, por indução finita sobre n, que Pn(xJ f(xJ i = O, l, ..., n.
=
Para x = Xw temos que R(xn ) = (Xn -xo )(xn - xi ) ... (xn -xn )f[xo , x1 , ... , Xn , Xn ] = O
Desta forma, podemos escrever:
f(xn ) = f( xo ) + (xn - x0 ) f[xa , xd + ( xn - xo )(xn - x1 ) f[x0 , xv x2 ] +
+ ... + (xn - x0 )(xn - xi ) ... (xn - Xn_i ) f[x0 , x1 , ... , xn 1
Assim, temos:
Pn(Xn) = f(xn)
Portanto, para todo i = O, 1, ... , n temos que P(xi) = f(xi), o que prova que
P(x) dado é um polinômio interpolador da função f(x).
Teorema 4.6
Seja f(x) uma função contínua e suficientemente diferenciável no intervalo
[a, b] e definida em XQ, x1 1 , Xn (n + 1) pontos deste intervalo. Então, para
•••
Prova:
f( n+l l (Ç)
Do Teorema 4.2, f(x) - P(x) = (x - x0 )(x - xi ) ... (x - xn ) .
- (n + l) !
Porém,
f(x) - P(x) = R(x) = (x -x0 )(x - xi ) ... (x - xn ) f[x0 , Xv ... , Xn , x]
Portanto, para x :;t: xi , temos:
f( n+l l (Ç)
f[x0 , x1 , ... , xn , X] = Ç e [a, b ]
(n + l) !
Assim, dados (n + 1) pontos distintos :xo, x11 , xn em um intervalo [a,b] e
•••
o 0.5 1.0
1 2.12 3.55
Assim, temos:
P(x) = 1 + (x-0)(2.24)+ (x-O)(x-0.5)(0.62) = 0.62 x2 + l.93x + 1
e, portanto,
f(0.7) :: P(0.7) = 2 . 6548
o 1 2
1.31 3.51 3.78
Usando interpolação inversa, determine x tal que f(x) 3.63. =
1
y, 1.31 3.51 3.78
o 1 2
Seja uma função f(x) contínua no intervalo [a, b ]. Sejam XQ, x11 , Xn (n + l) •••
pontos distintos deste intervalo [a, b] tais que xi+t -xi = h i = O, 1, ... , n- 1, isto é,
os pontos são eqüidistantes.
Definição 4.4
Diferença finita de ordem zero
A diferença finita de ordem zero de uma função f(x) definida nos pontos
x E [a, b] é dada por:
õºf(x) = f(x)
Definição 4.5
Diferença finita de ordem r
A diferença div�da de ordem r de uma função f(x) definida nos pontos
x E [ a , b] é dada por:
r
()
. r
�r f(xi ) = _L (-1)1 1 f(xj +r-d
i=O
.
r
()
. r
�r � = _L (-1)1 � +r-i
i=O
·
1
Aproximação de Funções 151
Exemplo 4.9
Considere uma função tabelada nos pontos como segue:
Aº f A1 f A2 f A3 f
0.5 5.8
2.10
0.7 7.9 0.10
2.20 --0.10
0.9 10.1 0.00
2.20
1.1 12.3
Prova:
Por indução finita temos:
a) Para n = l, x1 = x0 + h, temos que:
A0f(x0 + h) - Aº f(x0 ) 1
f1 [x0 ' x1 ] = fo [xi ] - fo [x0 ] = = Alf(x01 )
(x1 - x0 ) l ! h1 !h
e, portanto, a relação do teorema é válida.
b) Suponha que é válida para n-1, isto é:
An-l f(xo )
�-1 [ Xo , Xv · · 1 Xn ] -
(n - l)! hn-l
e mostremos que é válida para n, isto é:
�-1 [X1 1 ··· 1 Xn ] - �-1 [ Xo , ··· 1 Xn-1 1
' [Xo , X1 , ... , Xn ]
'n
(xn - Xo )
��������-
An-1 f(x1 ) An-l f(xo )
(n - l) ! hn-l (n - l ) ! hn-l
=
[ ]
(nh)
l A n-1 f(x0 + h) - An-l f(x0 ) An f(xo )
= -- =
(n h) (n - l)! hn-l n ! hn
Portanto, podemos concluir que o resultado é válido para todo n.
A partir deste resultado, que relaciona as diferenças divididas com as
diferenças finitas, podemos enunciar uma nova fórmula interpolatória, cha
mada de fórmula de Newton-Gregory.
A1 f(x0 ) A2 f(Xo )
P(x) = A0 f(x0 ) + (x - x0 ) + (x - x0 )(x - x 1 ) + ... +
l ! h1 2 !h2
An f(xo )
+ (x - x0 )(x - xi ) ... (x - xn_1 ) -___n_
n! h
154 Cálculo Numérico
Exemplo 4.11
Considere a função f(x) = -1- tabelada nos pontos como segue:
(x +l)
Aproximação de Funções 155
o 1 2
1 1/2 2/3
o 1
-1 /2
1 1/2 2/3
1/6
2 2/3
Assim, temos:
P(x) = l + (x -0) -1/2 + (x-O)(x -1) 2/3 = -1 x - -5 x+l
-- -
2
1 2 3 6
Portanto, temos:
P(x) = ..!. x2 - � x+ 1 e f(l.3) = P(l.3) = 0.5850
·
3 6
Limitante superior para o erro:
Assim,
1 E(l .3) 1 � (1.3 - 0)(l. �� l)(l .3 - 2) (6) = 0.2730
(x - xr) (u - r)h
=
�º f �l f
0.1 1.01
0.04
0.2 1 .05 0.03
0.07 0.0 1
0.3 1 .12 0.04
0. 11
0.4 1 .23
Assim, temos:
P(u) = l.Ol + u(0.04) + u(u -1) 0.03 + u(u - l) (u-2) O.Ol =
2 6
3
=0.00017u +0.0099u2 + 0.0284u + l.Ol
f(0.35) :: Pu (2.50) = 1. 1 694
4.8 Aproximação de funções - o método dos mínimos
quadrados
O estudo do tópico interpolação polinomial neste capítulo, Seção 4.2, fornece
uma maneira de aproximarmos uma função por um polinômio, com a carac
terística que este coincida com o valor da função em alguns pontos, isto é,
P(xJ = f(xJ i = O, l, ... , n, e dizemos que P(x) interpola a função f(x) nos pon
tos XQ, xv ... , Xn. Assim, P(x) é uma aproximação para a função f(x).
Apresentamos, nesta seção, uma forma alternativa para aproximar uma
função f(x) usando o método dos mínimos quadrados, o qual consiste em,
conhecidos os valores de f(x) em m pontos, determinar uma função g(x) que
158 Cálculo Numérico
f(x)
Graficamente, temos a disposição dos pontos obtidos no experimento
na Figura 4.6:
· /
j�
f(x) /
.
g (x)
:/. .
.
V
. V.-- /'
. . /
1
.
. ·/� · !
1
1
.
•
V. 1
. --:º /
.
V
. /
1 ...
�
X
>1 >2 "3 X
;n
- -
Figura 4.6
Observando a disposição dos pontos (xi, f(xi)) i = l, ..., m na Figura 4.6, ve
mos que g(x) possui o comportamento de wna reta, isto é, um polinômio de grau 1:
g(x) = a1 g1 (x)+a2 g2 (x) = a1 x + a2
com g1(x) = x e g2(x) = 1. Assim, escolhemos uma farru1ia de funções as quais
dependem dos parâmetros a1 e a2.
Aproximação de Funções 159
mação de uma função f(x) por uma função g(x), nos pontos xi i 1, ... , m.
=
Desta forma, desejamos determinar uma função g(x) de modo que nos
pontos xi i 1, ..., m os desvios sejam "pequenos". Neste caso, é tentador desejar
=
m
que a soma dos erros seja mínima, isto é, que L e(xi ) seja mínima. Entretanto,
i=l
este fato não traduz que g(x) seja uma "boa" aproximação para a função f(x), como
podemos observar na Figura 4.7, em que a função g(x) que melhor se aproxima
2
de f(x) é a reta rv que passa pelos pontos dados e L e(xi ) = O.
i=l 2
No entanto, quando tomamos a reta r2, temos também que L e(xi ) = O
i=l
e esta reta não é uma "boa" aproximação para a função f(x), embora a soma
dos erros seja zero, o que não significa que os erros sejam nulos, pois soma
mos grandezas numéricas com sinais opostos, podemos notar que e(x1) > O e
e(x2) < O para a reta r2 .
f(x)
Figura 4.7
160 Cálculo Numérico
i=l
dificuldades de resolução, pois a função valor absoluto não é diferenciável
na origem.
Uma maneira para contornar esses problemas consiste em considerar
·
i=l i=l
Assim, considerando o exemplo da Figura 4.6, desejamos encontrar uma
função g(x) = a1x+a2 que melhor se aproxime da função f(x), de forma que
E(al t a2 ) = L (e(xJ)2 seja mínimo. Do cálculo diferencial, se a função E(al t a2 )
m
=L 2(a1 xi + a2 -f(xJ)xi =
m
i=l
Assim, temos:
i=l
= L 2(a1 xi + a2 -f(xJ) =
Aproximação de Funções 161
Assim, temos:
(i +' + m a2 i f(x; ) �
x
Exemplo 4.13
Seja f( ) tabelada como segue:
o 1 2 3 4
0.98 -3.01 -6.99 -11.01 -15
162 Cálculo Numérico
f(x)
5
2 3 4 5 X
-
-3.01
-5
-6.99
-10
-15 ----------
g(x)
Figura 4.8
aos dados.
5 5 5
I x i 2 I xi ª1 L f(xJxi
k=l k=l k=l
=
5 5
I xi 5 ª2 I f(xJ
k=l k=l
Aproximação de Funções 163
2 -6.99 4 -13.98
3 -1 1 . 0 1 9 -33 .03
I
4 -15.00 16 -60 .00
10 -35 . 03 30 -11 0 . 02
[ ] [ªª1] [ ]
Assim, temos o seguinte sistema de equações lineares:
2
30 10 -110.02 =
10 5 -35.03
{ª1ª2
Usando o método de eliminação de Gauss, temos:
= -3 . 9960
= 0 . 9860
Cálculo do erro:
e(x1 )2 (f(O)-g(O) )2
= = 0.0000
e(x2 )2 (f(l}-g(l})2
= = 0.0000
e(x3 )2 (f(2)-g(2))2
= = 0.0003
e(x4 )2 (f(3)-g(3))2
= = 0.0001
e(xs )2 (f(4)-g(4))2
= = 0.0000
5
Portanto, L e(xi )2 0.0004 e qualquer outra reta possui a soma dos
=
i =l
quadrados dos erros superior a este valor obtido.
Podemos ter dados experimentais onde seja necessário aproximar a
função f(x) por um polinómio de grau 2, isto é, uma parábola:
g(x) a1 g1 (x) + a2 g2 (x) + a3 g3 (x) a1 x2 + a2 x + a3
=
= =
m m
i=l i=l
m m
(L g1 (x; )g1 (x; ))a1 +(L g2(xi )g1 (x; ))a2 + ... + L gn (x; )g1 (x; ))an L f (x; )g1 (x; )
=
i=l i=l i=l i=l
m m m m
(L g1 (x; )gz(x; ))a1 +(L gz( x; )gz (xi ) )az + ... + (L gn ( x i )g2(x; ))an L f (xi )g2( x i )
=
i=l i=l i=l i=l
•
m m m m
(L g1 (xi )gn (xi ))a1 +(L g2( xi )gn (x; ))a2 + ... + (L gn ( x ; )gn (xi ))an L f (x; )gn (x i )
=
i=l i=l i=l i=l
Exemplo 4.14
Considere uma função f(x) definida conforme tabela:
X -2 -1 o 1 2 3
f(x) 19.01 3.99 -1 .00 4.01 18.99 45.00
g(x)
f(x) 45
-2 1 2 3 X
-3 -1 o
Figura 4.9
I
3 9 27 81 45.00 135.00 405.00
3 19 27 115.00 90.00 134.98 565.00
{ª1
1 9 3 6 a3 90.00
Usando o método de eliminação de Gauss, temos:
= 5.0893
ª2 = 0.05 1 5
a3 = -1.1 403
Portanto, g(x ) = 5.0893x2 + 0.05 1 5 -1.1 403.
Cálculo do erro:
e(xi )2 = (f(x1 ) - g(x1 ))2 = 0.0 1 08
e(x2 )2 = (f(x2 ) - g(x2 ))2 = 0.0086
e(x3 )2 = (f(x3 ) - g(x3 ))2 = 0.0 1 97
e(x4 )2 = (f(x4 ) - g(x4 ))2 = 0.000 1
e(xs )2 = (f(x5 ) - g(x5 ))2 = 0. 1 088
e(x6 )2 = (f(x6 ) - g(x6 ))2 = 0.0332
Aproximação de Funções 167
6
Portanto, L e(xi )2 = 0.1812 e qualquer outra parábola possui a soma
i= l
dos quadrados dos erros superior a este valor obtido.
Exemplo 4.15
Considere a função f(x) tabelada como segue:
f(x)
2 f(x)
- - - - - - - - - - - -1 - - -
1 - - - - - - - - - - - - � - - - r
,
1
1
X
-1 1 2 3 4 5
-1
Figura 4.1 0
Note que a função g(x) não é linear nos parâmetros, pois o parâmetro
a é um argumento da função cos(x). Entretanto, observando os pontos na Fi
gura 4.10 vemos que há uma oscilação de período igual a 2 (pontos de máximo
168 Cálculo Numérico
[ ][ ] [ ]
Assim, podemos escrever:
7 1.5000 2.0192 ª1 36.7500
=
2.0192 5.0001 ª2 3.5096
Usando o método de eliminação de Gauss, temos:
{ ª1 = 0.4999
ª2 = 0.5000
Aproximação de Funções 169
Portanto:
g(x) = 0.4999 x + 0.5000 cos(3.14 x)
e o erro dos mínimos quadrados é dado por:
11
L e(xJ2 = 0.0001.
i=l
ou seja,
Jb
aE m
-
a ai
= -2 (f(x)-
ª
L ªkgdx)gi (x))dx = O 1� i �m
Denotando o produto escalar de funções por ( f,g ) = r f(x)g(x)dx, temos
i=O
( g1 , g i ) ( g1 , g z ) ( gi ,gm ) ª1
( g2 ' gi ) ( g2 ' g z ) ( gz ,gm ) ª2 =
170 Cálculo Numérico
[ l[ ] [ 1
Portanto, o sistema de equações normais é dado por:
1 4 ª1 0 .3181
-
4 8.6667 ª2 0.5366
Aproximação de Funções 171
= =
1 !
.. •
i
f(x)
1!o
---+---+-�-;.-- -+--.--.,--+---··-·-- -
. .
. . . . . ,
i
1----
-t---+- ---+---t--+-- + . -+-
Figura 4.1 1
i=l
i=l
1 1
g(x) f(x)
Da tabela inicialmente dada, construímos uma nova tabela da se
guinte forma:
Aproximação de Funções 173
i=l
-3 -2 -1 --0.5 --0.4
--0.13 --0.20 --0.49 -2.01 -4.99
petermine uma função g(x) que melhor se ajuste aos dados da tabela e
6
calcule L e(xi )2 .
i=l
Temos a disposição dos pontos da função f(x) num gráfico, confor-
me Figura 4.12, a qual sugere um comportamento de uma função do tipo
g(x) = a1 1 a
--
x+ 2
174 Cálculo Numérico
f(x)
-3 -2 -1 -0.5 o
1 X
- -:- - --0. 49
1
- - -
2 01
.
- - -4 . 99
Figura 4.1 2
xi -3 -2 -1 -0.5 -0.4
l/f(xi) -7.6923 -5.000 -2.0408 -0.4975 -0.2004
Aproximação de Funções 175
f(x)
Figura 4.1 3
i=l
176 Cálculo Numérico
Xj xt 1/f(xt)
-3 9 -7. 6923 23.0769
-2 4 -5 10
-1 1 -2 . 0408 2 . 0408
-0 .5 0 . 25 -0.4975 0 . 2488
-0.4 0.16 -0. 2004 0 .0802
-6. 9 14.41 -15.43 1 0 35.4467
Erro cometido:
e(xi )2 = (f(x1 )-g(x1 ))2 = 0.0000
e(x2 )2 = (f(x2 )-g(x2 ))2 = 0.0000
e(x3 )2 = (f(x3 )-g(x3 ))2 = 0.0002
e(x4 )2 = (f(x4 )-g(x4 ))2 = 0.0232
e(x5 )2 = (f(x5 )-g(x5))2 = 0.9423
Portanto, temos:
5
:L e(xJ2 = 0.9657
i=l
b) Ajuste exponencial
Podemos obter dados experimentais dispostos conforme ilustrado na Figura
4.14, a qual sugere que devemos aproximar a função observada por uma
função g(x) da forma g(x) = a(b)x com os parâmetros a e b positivos.
Aproximação de Funções 177
!
---� I
1 •
1
1
f(x)
i ' i
/·
'
'
'
. '
: :•
1 A
1
1 .
.
··-· ·---··---
�-+--· ··-·
/
' y i
.
. ·
·
i . .Y.
v.�
. . 1
.
�
.
--
. .
___,�
.
. . ----
.
.
1 �
!
1 ! i
o X
l Xt Xz Xm
1
1
1 i
Figura 4.1 4
Minimizar L (f(xJ-g(xJ)2
m
i=l
temos que h(x) é uma combinação linear das funções g1 (x) = x e g2 (x) = 1,
isto é, h(x) = a1g1 (x)+a2 g2 (x).
Assim, se a função g(x) aproxima a função f(x), então a função h(x)
aproxima ln(f(x)).
178 Cálculo Numérico
Esquematicamente:
g(x) "" f(x)
ln(g(x)) "" ln(f(x))
Desta forma, construímos a seguinte tabela:
X1 X2 ... Xn
ln(f(x1)) ln(f(x2)) ... ln(f(xn))
( L xi2 )a1 + =
ma2 L ln(f(xJ) =
i=l
Os parâmetros a1 e a2 obtidos na resolução do sistema linear de equa
ções resolvem o problema:
m
Minimizar L ln(f(xJ)-h(xJ)2
i=l
e fornecem uma solução aproximada para o problema original dado.
Observação
Caso o leitor deseje resolver o problema proposto sem usar o fato da lineari
zação, temos de resolver um sistema de equações não-lineares, descrito neste
livro no Capítulo 3.
Exemplo 4.18
Considere uma função tabelada nos pontos como segue:
Xj -1 -0.9 -0.8 o 1 2
f(xi) 6.01 5.39 4.80 2.01 0.65 0.21
Determine uma função g(x) que melhor se ajuste aos dados da tabela de
6
f(x) e calcule L e(xi )2 .
i=l
Aproximação de Funções 179
O < b < l.
7
f(x)
o 2 X
-1 1
Figura 4.1 5
Xj -1 -0.9 -0.8 o 1 2
ln(f(xi)) 1.79 1.68 1.57 0.70 -0.43 -1.56
f(x)
2
- - - - - - -
f i'9
.
- - - -i-_57
o X
-1 -0.8
-0.43
-1
- - - - - - - - - - - - - - - - - - - - - -
-1 . 56
-2
Figura 4.1 6
i=l
o o 0 . 70 0 .000
1 1 -0.43 -0.430
I
2 4 -1 .56 -3 . 120
0.3 7.45 3 . 75 -8 . 1 08
Aproximação de Funções 181
[ ][ ] [ ]
sistema de equações normais:
7.45 0.3 ª1 -8.108
=
0.3 6 ª2 3.75
Usando o método de eliminação de Gauss, obtemos:
a2 = 0.6808 � a = eª2 = 1.9755
a1 = -1.1157 � b = eª1 = 0.3277
Portanto, a função que melhor se ajusta aos dados tabelados, no sentido
dos mínimos quadrados, é dada por:
g(x) = (1.9755)(0.3377)X
Erro total cometido:
e(xi )2 = (f(x1 )-g(x1 ))2 = 0.0256
e(x2 )2 = (f(x2 )-g(x2 ))2 = 0.0201
e(x3 )2 = (f(x3 )-g(x3 ))2 = 0.0084
e(x4 )2 = (f(x4 )-g(x4 ))2 = 0.0012
e(x5 )2 = (f(x5)-g(x5 ))2 = 0.0003
e(x6 )2 = (f(x6 )-g(x6 ))2 = 0.0002
6
Portanto, temos: L e(xi )2 = 0.0558
i=l
Observação
Podemos, ainda, fazer outros ajustes, por exemplo, usando a função geométrica
g(x) = a1xª2, e fazer a linearização dos parâmetros a1 e a2 como anteriormente.
Considerações finais sobre aproximação de funções
De uma maneira geral, além das considerações apresentadas sobre como
aproximar uma função conhecida em determinados pontos por uma outra
função, é necessário observar quando podemos utilizar a interpolação poli
nomial ou o método dos mínimos quadrados.
a) Quando temos um experimento com muitos dados coletados, que
descrevem um fenômeno observado, a aproximação usando o
método dos mínimos quadrados deve ser considerada, uma vez
182 Cálculo Numérico
f(x)
7 .89
�
�
- - - - - - - - - - - - - - - - - - - - - - - -:..:-�-.--.---
�
�
5.67 �
---------------------------------------------�
1
4
�
�
�
·�
�
4 16 X
Figura 4.1 7
onde,
a � ângulo com a horizontal
v0 � velocidade inicial
Usando o Software Numérico, vamos determinar o polinômio interpo
lador e avaliar a altitude do projétil a 12.5 metros do lançamento.
o usuário deve selecionar a opção aproximação de funções, seguida
mente de interpolação, entrar com os pontos e os correspondentes valores
de f(x) do problema e pode selecionar polinômio interpolador, fórmula de
Newton e avaliar o valor da altitude do projétil a 12.5 metros do lançamento,
conforme resultados da Figura 4.18 a) e b).
184 Cálculo Numérico
OJQI) IU.WAI
8.lml 7.SfOI
16.cm> 5.6llll
a) b)
Figura 4.1 8
Exemplo 4.20
Em um experimento de laboratório, observa-se o crescimento de uma po
pulação de um tipo de larva, em um tanque, de dois em dois dias, durante
um período de tempo de 12 dias (número de larvas por cm3), conforme a
seguinte tabela:
Dias o 2 4 6 8 10 12
Larva (cm3) 17 25 34 43 56 65 78
a) b)
e)
Figura 4.1 9
2. Considere a função f(x) e-x definida no intervalo [O, 3]. Usando o polinô
=
prever f(4) e compare com o valor já observado f(4) 10.2. Qual das duas
=
Integração Numérica
5.1 Introdução
Neste capítulo, apresentamos algtms métodos numéricos para calcular aproxi
madamente a integral de uma função com uma variável real definida num
intervalo [a, b].
De uma maneira geral, temos:
1 J f(x) dx
b
a
abscissas, conforme Figura 5.1 :
189
190 Cálculo Numérico
f(x)
f(b ) - - - - - - - - -
f(x)
f(a ) - - - - - - -
- - - - - - - - - - - - - - - -
a b X
Figura 5.1
Exemplo 5.1
o
J 4 4
x3 dx = F(2)-F(O) = (2) - (0) = 4
4 4
Entretanto, nem sempre é possível determinar a função primitiva F(x);
em algumas situações, mesmo conseguindo determinar F(x), seu tratamento
pode tomar-se complexo e trabalhoso. Podemos, ainda, desconhecer explici
tamente a função f(x) quando, em experimentos, obtemos os valores de f(x)
em pontos xi do intervalo de integração [a, b] sem, no entanto, ter o conhe
cimento da expressão analítica da função que necessitamos integrar. Nestes
o valor da integral definida 1.
casos, métodos numéricos são desenvolvidos para obter aproximações para
Estas aproximações podem ser obtidas a partir da integração do poli
nômio interpolador da função f(x), em pontos eqüidistantes do intervalo [a, b].
Este processo é conhecido como fórmulas de quadratura de Newton-Cotes.
Existem também outras fórmulas aproximadas para integração numé
rica conhecidas como fórmulas de quadratura de Gauss.
Assim, de um modo geral, fórmulas de integração numérica podem ser
obtidas pela integração do polinômio interpolador Pn(x) de uma função f(x)
definida em pontos distintos XQ, x11 , Xn do intervalo [a, b].
•••
Assim, temos:
J f(x) dx = J Pn (x) d x
Xn Xn
Xo
I ntegração Numérica 191
Xn=b X
Figura 5.2
Assim,
J f (x) d x = J Pn (x) d x
Xn Xn
J En (x)dx
xo
192 Cálculo Numérico
2! n!
Xo
(n+ l ) !
hn+2
En =
0
Xo �� xn
Integração Numérica 193
º
P1 (x)= Liº f(xo )+(x -xo ) Li f(xl0 )
l!h
e
1
J f(x)dx = J P1 (x)dx = h J P1 (u)du
� �
� � o
f(x)
Figura 5.3
194 Cálculo Numérico
Portanto, temos:
J f(x)dx = 2"h [f(x0 )+f(x1 )]
x,
><o
mada entre o polinômio interpolador P1(x) e o eixo das abscissas, conforme Fi-
gura 5.3, justificando, assim: a denominação regra dos trapézios.
5.4. 1 Erro na regra dos trapézios
Neste caso, o intervalo de integração n = 1 é ímpar e, portanto, pela parte (a)
do Teorema 5.1, temos:
E1 = h3 f ( 2 ) (Ç)
1
2!
J (u) (u-l) du x0 $ Ç $ x1
o
1
I E1 1 = - �� f<2l(Ç) 1 = 1 - �� l i f<2> (Ç) I ÇE[x0 ,xi ]
Como i f < 2> (Ç) I � máx {i f< 2>(x) I , xE[x0 ,xi J }, temos que:
Exemplo 5.2
0,5
X 0.5 1
f(x) --0.1931 1.0000
Como a função f(x) (2) = --1 , então i f< 2 >(0.5) l = máx { l f< 2 >(x) l 1 0.S � x � l } = 4,
X2
pois a função l f< 2 >(x) I = 1z é decrescente no intervalo [0.5, 1].
X
Desta forma, temos:
3
I E1 1 � (0.5)
12 (4) 0.0417 =
196 Cálculo Numérico
f(x)
f(x)
h h h
Figura 5.4
i =l
Assim, a expressão para o erro na regra dos trapézios generalizada
toma-se:
Et - - h2 (x - X ) f((2)Ç) ÇE [X , X ]
12 n o
= o n
Limitante superior para o erro
Como o argumento Ç não é conhecido, não podemos determinar o erro exa
tamente, mas podemos calcular um limitante superior para o erro.
2
I E1 1 � h12 (xn - x0 ) máx { l f (2>(x) I , x0 � x � xn }
Exemplo 5.3
1
generalizada para 2, 4 e 6 subintervalos e um limitante superior para o erro.
a) Solução para 2 subintervalos
Neste caso, h é determinado por:
X 1 2.5 4
f( x ) 1.000 1.5811 2.000
Assim,
f "rx
4
1
198 Cálculo Numérico
Portanto,
J JX dx
4
= 4.6217
1
Como a função Ú�) = -± x-312 , então i f < 2> (l)I = máx { l f< 2 > (x) l x E [l, 41 } = 0.25,
1
Assim,
J JX dx
4
= 4.6551
1
Integração Numérica 199
Como a função f(x) (2) = - 1 x-3/2 , então i f< 2>(1) I = máx i f<2 >(x) I , xe[l, 4] } = 0.25,
4 {
pois l f( 2 )(x) I é decrescente no intervalo [l, 4].
Assim, temos:
I E1 1 � (0.75 ) (4 - 1 ) (0.25) = 0.0352
2
12
e)Solução para 6 subintervalos
Neste caso, o espaçamento h é determinado por:
h = (xn n- Xo ) = 4 6-1 � = h = 0.5
Tabelando a função f(x) com h=0.5, temos:
1
= 0.5 [1+2(1.2247+ 1 .41 42 + 1 .5811 + 1.7321 + 1 .8708) + 2] = 4.6615
2
Portanto,
J JX dx = 4.6615
4
{l }
O valor de máx f < 2 l(x) , x0 :5: x :5: xn = 0.25 como nos casos anteriores e,
I
portanto, temos:
2
j E , j :5: (0.5) (4 - 1 ) (0.25) = 0 .0 1 56
12
Apresentamos a seguir a Tabela 5. 1 , com os resultados obtidos pela regra
dos trapézios com 2, 4 e 6 subintervalos e um limitante superior para o erro
em cada caso.
Tabela 5.1
Assim,
2
f f(x) dx = f P2 (x) dx = hf P2 (u) du
� �
� � o
(x - x0 ) (x - x0 )
onde u = com h = n ---
h ' n
Integração Numérica 201
f(x)
f(x)
:xo = a X
Figura 5.5
Assim,
Assim, temos:
Xo
3
202 Cálculo Numérico
(4)
E2 = 4 ! J (u - l)(u)(u - l)(u - 2) d u
h5 f(Ç) 2
o
J
2 4
o
Como (u - l)(u)(u - 2) du = - -, temos:
15
, Xo $ x $ X2
(4 )
h5 f ( Ç )
E2 = -
90
Tomando em módulo a expressão anterior temos que:
l �� l l f(4l(Ç) I Ç e [x0 , x2 ]
J E2 J = -
Desta forma, podemos escrever o limitante superior para o erro como:
J E2 J $ 90 $ x $ x2 }
h5
{ máx 1 f( 4 l(x ) I , x 0
Exemplo 5.4
Portanto,
f cos(x) dx
1 .5
= 0.5183
0.5
Como a função f( 4 l (x ) = cos(x), então J f ( 4 l(O.S)j = máx {J f< 4 l (x) J } = 0.8776, pois a
função l f<4 > (x) I é decrescente no intervalo [0.5, 1.5].
Assim,
(0 .8776) = 0.0003
5
1 E2 I ::;; (0.5)
90
f(x)
2
P (x)
j
f(x)
h
Xn-2 Xn-1 Xn = b X
Figura 5.6
(4)
2-
E _ _
h5 f( Çd x2i-2 � Çi � x2i i = 1, 2, ... , n/2
90
Desta forma, o erro total cometido na regra 1 /3 de Simpson generali
zada é obtido a partir da soma dos erros cometidos a cada aplicação da regra
1 /3 de Simpson a cada dois subintervalos subseqüentes, isto é:
= L --
n/2
hS f((4) ) X2 2 � � X2
E1
90 Ç i- Çi i
i i = 1, 2, ... , n/2
i=l
Integração Numérica 205
I f ( çi > /2 (4)
n/2 (4)
=
� f(Ç)
i=l 2
(4)
4
h
E1 = - - (xn - Xo ) f ( Ç )
180
Exemplo 5.5
J
3
(xn - Xo )
h = = 1.5
n
X o 1 .5 3.0
f(x) 1 .0000 7.7225 61.2566
206 Cálculo Numérico
Assim,
3
f (xex + 1) dx = -h [f(x0 )+ 4f(x1 )+ f(x2 )] = -
1 ·5
(1+ 4(7.7225)+ 61.2566) = 46.5733
o 3 3
Portanto, temos:
3
f (xex + 1) dx = 46.5733
o
Assim,
J (xex + 1) dx = -h3 [f(x0 ) + 4(f(xi )+ f(x3 )) + 2f(x2 ) + f(x4 )]
3
Portanto, temos:
J (xex + 1) d x
3
= 44.3606
o
. \
h (xn - xo )
= = 0.5
n
Assim,
J (xex + 1) dx -3 [ f (x0 ) + 4 (f (x1 ) + f (x3 ) + f (x5 ))+ 2(f (x2 ) + f (x4 ) ) + f (x6 ) ] =
3 h
=
o
0.5
= [ 1 + 4 (1 .8244 + 7.7225 + 31 .4562) + 2(3.7183 + 15.7781) +
3
+ 61 .2566 ] = 44.2103
Portanto,
J (xex
3
+ 1) dx = 44.2103
o
208 Cálculo Numérico
Como f (4)(x) = ex (4 + x) e i f(4 l(3)l = máx { l f(4 >(x) 1 1 x e [O, 31} = 140.5988, como
nos casos anteriores, temos:
4
I Et 1 � (0.5) (3-0) (140.5988) = 0. 1 465
1 80
Tabela 5.2
Observação
Pode-se notar que, na medida em que diminuímos o espaçamento h entre
os pontos, o limitante superior para o erro decresce, indicando valores mais
próximos do valor exato da integral.
5.6 Regra 3/8 de Simpson
Considere uma função f(x) definida em XQ, xv x2, x3 quatro pontos distintos e
eqüidistantes de um intervalo [a, b]. Neste intervalo, considere o polinómio
interpolador de Newton-Gregory da função f(x), de grau n = 3, com Xo a e =
x3 = b, isto é,
o
1 0) �2 f(x0 ) +
P3 (x) = �ºf(Y� ) + (x -xo ) � f(x + (x -x )(x -x 1 )
''IJ
l ! hl 2 ! h2
3 o)
+ (x -x0 )(x -xi )(x-x2 ) �3 f(x
! h3
Integração Numérica 209
e, portanto,
3
J f(x) dx :: J P3 (x) dx J P3 (u) du
X3 X3
=h
"o "o o
com h = Xn - Xo .
(x - x0 )
onde u =
h n
Representamos graficamente conforme Figura 5.7:
f(x)
Figura 5.7
Assim,
Assim, temos:
Xo
J0 u (u - l )(u - 2) . . . (u - n) du
h n+2 (n+l ) 0
E0 = -
r,- f(Ç) Ç e [x0 , x3 ]
,n + l) !
logo,
h
E3 = -
5 (4 ) 3
f(Ç)
4!
J u(u - l )(u - 2)(u - 3) du Ç e [x0 , x3 ]
o
I E3 1 $ :o h5 máx { l f (4>(x) l , x0 $ x $ x3 }
Exemplo 5.6
J
1 .2
Solução:
Temos h =
(xn - xo )
= 0.3
n
Assim,
J
1 .2
3
)+f(x2 ))+f(x3 )]
0. 3
f(x)dx =
B h[f(x0)+3(f(x1
3
= - (0.3) [2.8499 + 3 (4. 822 1 + 6.9596) + 9 . 320 1 ]
8
Portanto temos:
1 .2
(4)
Neste caso, f ( x ) =eX, é uma função crescente em módulo no intervalo
[x0, x3] logo,
Portanto,
f(x)
h h h h h h
Assim,
f f(x) dx 3 3
�
XQ
=-
8 h[f(x0)+3f(x1 )+3f(x2 )+f(x3 )]+-h[f(x
8 3 )+3f(x4 )+3f(x5 )+f(x6 )]+...+
+ S3 h[f(xn-3 )+3f(xn_2 )+3f(xn_1 )+f(xn )] =
=
3
s h[f(x0 )+3(f(x1 )+f(x2 )+f(x4 )+f(x5 )+... +f(xn_2 )+f(xn_1 ))+
+2 (f(x3 )+f(x6 )+...+f(xn-3 ))+f(xn )]
L -- h5 f ( ÇJ
i=l
3 (4)
1, 2, ... , n /3
n/3
Et = i =
80
Integração Numérica 213
No entanto, como f4) (x) é contínua por hipótese e Çi E [x3 i_3 , x3 d então
existe Ç E [ x0 , Xn ], tal que:
I f(4) ( ÇJ = n3 f<4) ( Çç )
n/3
-
i=I
Portanto,
= - - hs - f( ..,� )
3 n <4 l
E
t 80 3
(xn Xo )
Como o número de subintervalos é dado por n = � , temos:
- (xn - X0 ) f(Ç)
h4 (4)
E1 = X0 � Ç � x n
80
Exemplo 5.7
7
Calcule o valor aproximado da J in (x + 9) dx usando a regra 3/8 de Simpson
1
para 3, 6 e 9 subintervalos e um limitante superior para o erro.
a) Solução para 3 subintervalos
Neste caso, o espaçamento h é dado por:
X 1 3 5 7
f(x) 2.3026 2.4849 2.6391 2.7726
Assim,
Portanto, temos
J ln(x +9) dx
7
= 15.3354
1
(4)
-
Como f ( x )
6 é uma função decrescente em módulo, no
(x+9)4
=
Portanto,
X 1 2 3 4 5 6 7
f(x) 2.3026 2.3979 2.4849 2.5649 2.6391 2.7081 2.7726
Assim,
J ln (x + 9)dx
7
=
3(l) [2.3026+3(2.3979+2.4849+ 2.6391 + 2.7081) +
8
+ 2 (2.5649) + 2.7726] 15.3356 =
Integração Numérica 215
Portanto, temos:
f ln (x +9) dx
7
= 15.3356
1
Como
h = (xn n- Xo ) = 3_
3
X 1 5/3 7/3 3 11/3 13/3 5 17/3 19/3 7
f(x) 2.3026 2.3671 2.4277 2.4849 2.5390 2.5909 2.6391 2.6856 2.7300 2.7726
Assim,
7
J ln (x + 9 ) dx = 38 h [f(x0 )+3(f(x 1 )+f(x 2 )+f(x4 )+ f(x 5 )+ f(x7 )+ f(x 8 ))+
-
1
+2(f(x 3 )+f(x6 ))+f(x9 )] = 3 (2 !3) [2.3026+3( 2.3671 +2.4277 +2.5390+
8
+ 2.5909+2.6856+2.7300) + 2 ( 2.4849+2.6391)+2.7726] = 15.3360
Portanto, temos:
f ln(x+9) dx
7
= 15.3360
1
216 Cálculo Numérico
1 E1 1 :5; (2/3)
80 4 ( - ) (0.0006)
7 1 = 0.000089
Tabela 5.3
a
Integração Numérica 217
1
a
forma a obter a melhor precisão possível. Note que nesta expressão temos
2n + 2 incógnitas, isto é, A0, Ai, ... , An, x0, ... , Xn .
Podemos esperar que seja possível encontrar valores que integrem exa
tamente polinômios de grau � 2n + 1, uma vez que estes são definidos por
2n + 2 parâmetros.
Fazemos inicialmente o desenvolvimento para dois pontos:
a -1 -1
Onde
1 - a) f(-(b
F(t) = -(b 1 - a)t + -(b
1 + a))
2 2 2
I>essa forma, construímos uma fórmula de integração da seguinte maneira:
1=
1
f F(t) dt ::: A0 F( t0) + A 1 F( t1 )
-1
exigir que seja exata para os polinômios F0( t) = l, F1 (t) = t, F2(t) = t 2 e F3 (t) = t 3 ,
pois qualquer outro polinômio de grau � 3 pode ser escrito como:
Assim, se tivermos
1
J Fk (t) dt = A0 Fk (t0) + A 1 Fk (t 1 ) k = O, 1, 2, 3
-1
isto é, a fórmula é exata para estes polinômios, então:
1 1 1 1 1
J P3 (t) dt = a0 J F0( t)dt + a 1 J F1 (t)dt + a2 J F2(t)dt + a 3 J F3 (t)dt =
� � � � �
dada por:
-t0 = t 1 = J3
- = 0.577350
3
Assim, podemos escrever:
Portanto,
l
f F(t ) dt = !Gauss = F(- -)
J3 + F(-)
J3
�
3 3
-1
220 Cálculo Numérico
Ou seja,
1
Para k = O � J t º dt = A0 t� + A 1 t� + A 2 t �
-1
1
Para k = 1 � J t 1 dt = A0 t� + A 1 t� + A 1 t ;
-1
1
Para k = 2 � J t 2 dt = A0 t� + A 1 t; + A 2 t;
-1
1
Para k = 3 � J t 3 dt = A0 t� + A 1 ti + A 2 t�
-1
1
Para k = 4 � J t 4 dt = A0 t� + A 1 t : + A 2 t�
-1
1
Para k = 5 � J t 5 dt = A0 t� + A 1 t i + A 2 t;
-1
Como as integrais que aparecem neste sistema são facilmente calcu
ladas, temos um sistema de equações não-lineares:
A0 + A 1 + A 2 = 2
A 0 t0 + A 1 t 1 + A 2 t 2 = O
A0 t� + A 1 ti + A1t ; = 2 / 3
A 0 t� + A 1 t ; + A 2 t ; = O
A0 t� + A 1 t � + A 2 t� = 2 / 5
A0 t� + A 1 t ; + A1t; = O
simetria nos pontos to, t1 e t2 (propriedade que pode ser mostrada em geral):
A solução deste sistema não-linear pode ser obtida facilmente por considerar
uma
to = -t2, t 1 e t1 = O
função qualquer, exata para polinômios de graus :5: 5, por construção, é dada por:
!Gauss = � F(-./f) + � F(O) + � F(./f)
9 9 9
Portanto,
J F(t) dt = � F(-J-f)+ � F(O)+ � F( J-f)
1
: !Gauss
-1
9 9 9
Para mais detalhes sobre este assunto, veja Conte, S. D.; Boor, C.
Exemplo 5.8
3
Calcule 1 = J 3exdx, usando a quadratura gaussiana para n 2 pontos. =
1
Solução
Fazendo mudança de variável na função f(x) = 3 ex no intervalo [l, 3] para o
intervalo [-1, 1], temos:
x = -1 (b-a)t+ -1 (b+a)= t + 2 e F( t)= 3e( 1+2>
2 2
Assim,
3
f f(x) dx = f F( t)dt = A0 F( t0 ) + A 1 F( t1 )
1
1 -1
com
A0 = A1 = 1
J3 = -0. 5 77 3 5
t0 = - -
3
t.
J3 = 0.57735
=-
3
Logo,
J3 ) = 3e -3
lcauss = Ao F(to )+A1F(t1 ) = F( -J3
( J3 +2 )
=:
1
222 Cálculo Numérico
Exemplo 5.9
3
Calcule 1 = J 3ex dx, usando a quadratura gaussiana para n = 3 pontos.
1
Solução:
Fazendo mudança de variável na função f(x) = 3 ex no intervalo [l, 3] para o
intervalo [-1, 1] temos:
x = -1 (b-a)t+-(b+a)=
1 t + 2 e F(t) = 3e(t+Z)
2 2
Assim,
3
f f(x) dx = f F(t)dt = A0 F(t0 ) + A 1 F(t1 ) + A 2 F(t2 ) =
1
1 -1
Logo,
3J 3exdx :: ! auss = 52.1004
1 G
Tabela 5.4
Integração Numérica 223
Observações
Analisando os resultados obtidos na Tabela 5.4, podemos concluir que:
1 . As fórmulas de quadratura de Gauss produzem resultados melho
res com menor esforço computacional do que as regras de Simpson,
no sentido que, com menos avaliações da função é possível obter
resultados melhores. Entretanto, nem sempre a expressão da função
a ser integrada é disponível, podendo ser conhecida em pontos defi
nidos por experimento. Neste caso, as fórmulas de quadratura de
Gauss não podem ser usadas.
2. Quando aumentamos o número de pontos, ambas as fórmulas me
lhoram a precisão, como o esperado.
I= JJ f(x, y ) dy dx,
b d
a�x�b e c�y�d
a e
a e
Considere F(x) =
1= J F(x) dx
b
I=
a
onde
i = O , ... , n
a e
J F(x)dx
b
h
I= = 3 [F(x0 )+4(F(x 1 )+ F(x 3 )+ ...+ F(x 0_1 }}+2(F(x2)+ F(x 4 )+ ... +
a
i = O, ... , n
a e
Integração Numérica 225
Exemplo 5.10
1 .0 0 .5
Calcule o valor da integral dupla J J
ln(x + y ) dy dx.
0. 1 0 . 1
Seja F(x) = J ln(x + y ) dy, então 1 = J F(x) dx.
M 1�
0. 1 0. 1
Para calcular 1 = J F(x) dx, usaremos a regra dos trapézios generalizada
1 .0
0. 1
para h = 0.3 com os pontos x0 = 0.1, x1 = 0.4, x2 = 0.7 e x3 = 1 .0.
Temos:
1 .0
o3
I = J F(x)dx :: -'- [F(x 0 ) + 2(F(x 1 ) + F(x 2 )) + F(x 3 )]
0. 1 2
Assim, temos:
0.3
= [-0.3874 + 2(-0.1490 - 0.0030) + 0.1032] -0.0882
=
2
Portanto,
1 .0 0.5
J J ln(x + y) dy dx = -0.0882.
0.1 0. 1
Exemplo 5.11
1
J J cos(x + y) dy dx.
2
Calcule o valor da integral dupla
o o
1 2
Seja F(x) = J cos(x + y)dy, então I = J F(x) dx.
o o
o
de Simpson generalizada com h = 0.2 e os pontos y 3 = 0.6, y 4 = 0.8 e y 5 = 1 .0,
y0 = O, y = 0.2, y 2 = 0.4, conforme segue:
1
o2
F(x 0 ) = F(O) = J cos(O + y) dy = -·-[cos(O) + 4(cos(0.2) + cos(0.6)) +
1
o 3
+ 2(cos(0.4) + cos(0.8)) + cos(l.O)] = 0.7998
1
o2
F(x 1 ) = F(0.5) J cos(0.5 + y) dy = -·- [cos(0.5) + 4(cos(0.7) + cos(l.1)) +
=
o 3
+ 2(cos(0.9) + cos(l.3)) + cos(l .5)] = 0.5067
Integração Numérica 227
f
1
o2
F(x2 ) = F(l .O) = cos(l .O + y) d y = -·- [cos(l .O) + 4(cos(l .2) + cos(l .6)) +
o 3
f
1
02
F(x3 ) = F(l .5) = cos(l .5 + y) d y = -·- [cos(l .5) + 4(cos(l .7) + cos(2. l)) +
o 3
f
1
02
F(x4 ) = F(2.0) = cos( 2 .0 + y) d y = -·- [co s( 2.0 ) + 4(cos(2. 2 ) + cos(2.6)) +
o 3
Assim, ternos:
1 = F(x) dx =
2
J o º 5 [F(x0 ) + 4(F(x ) + F(x
--
3
1 3 )) + 2(F(x 2 )) + F(x 4 )] =
o
05
= · [(0.7998) + 4(0.5067 - 0.3496) + 2(0.0229) + (-0.7031)] = - 0.1285
3
Portanto,
21
J J cos(x + y)dy dx = -0.1285
00
Tempo (horas) o 1 2 3 4 5 6 7 8 9 10
Vel. (km/hora) o 50.4 53.7 67.5 74.3 84.6 92. 1 98.3 100 105 110
Solução:
10
O cálculo da distância percorrida é J f(x) dx.
o
10
0.0000 0.0000
1.0000 50.4000
2.0000
3.0000
4.. 0000
a) b)
Regra 1 13 de Sillpson
e) d)
Figura 5.9
Integração Numérica 229
Exercícios
1. Usando a regra dos trapézios generalizada, calcule o valor aproximado
da J (cos (x) + x) dx, usando 6 pontos e um limitante superior para o erro.
6
o
a)
Regra dos trapézios generalizada, com h = 1 /5.
b)
Regra 1 /3 de Simpson generalizada, com h = 1 /6.
c)
Regra 3/8 de Simpson generalizada, com h = 1 /6.
d)
Usando o Software Numérico, calcule a integral acima e compare com
os resultados obtidos.
Para cada caso, calcule um limitante superior para o erro.
2
3. Calcule o valor aproximado da J e 2 x dx usando:
1
X o 10 20 30 50
y(M1) 50.8 86.2 136 72.8 51
y(M2) 113.6 144.5 185 171 .2 95.3
J (ln (x + 8) - 2x) dx
5.6
6. Calcule o valor aproximado da usando a regra 1 /3
1.6
de Simpson generalizada com 6 subintervalos e um limitante superior
para o erro.
7. Calcule o valor aproximado da integral do exercício 6) usando a regra
3/8 de Simpson generalizada com 10 pontos e um limitante superior
para o erro.
8. Determine o menor número de subintervalos em que podemos dividir
1.8
o intervalo [0.2; 1 .8 ] para calcular J (x2 + sen(x)+ 3) dx com um erro
0.2
0.0001 usando:
a) Regra 1 /3 de Simpson generalizada.
b) Regra 3/8 de Simpson generalizada.
c) Usando o Software Numérico, calcule a integral acima e compare com
os resultados obtidos.
9. Considere a função f(x) dada através da seguinte tabela:
X o 1 2 3 4 5 6
f(x) 0.21 0.32 0.42 0.51 0.82 0.91 1 .12
6
a) Usando a regra dos trapézios generalizada, calcule o valor da J f(x) dx.
o
o intervalo [0.1; 0.7] para calcular I J (e -3x + 7x) dx usando a regra dos
0.7
=
0.1
2
11. Calcule J cos(x)
--
(1 + x)
.
dx usando 6 submtervalos:
1
0.5
Usando a regra 1 /3 de Simpson e a regra dos trapézios, calcule J f(x) dx.
0.1
J J e<x+y) dy dx usando:
1 0.5
14. Calcule
o o
· o
o
5 pontos.
c) Comparar os resultados obtidos em a) e b). Comente.
Capítulo 6
6.1 Introdução
A importância do estudo das equações diferenciais ordinárias justifica-se
pelo fato de ocorrerem com muita freqüência na modelagem matemática de
diferentes situações práticas, principalmente nas áreas de engenharia, física,
biologia, economia, biomedicina etc.
Métodos numéricos para resolução dessas equações diferenciais ordiná
rias são fundamentais, pois com freqüência soluções exatas não são possíveis,
ou muito difícil de serem determinadas.
Tipicamente, problemas que envolvem uma variável e suas derivadas
levam a uma equação diferencial ordinária.
A seguir, apresentamos um problema simplificado para ilustrar uma
equação diferencial ordinária.
Exemplo 6.1
Sabemos que, em condições normais, uma população de uma certa localidade
cresce a uma taxa proporcional ao número de indivíduos. Sabendo-se que após
dois anos a população é o dobro da população inicial e após três anos é de vinte
mil indivíduos, qual é o número de indivíduos da população dessa localidade?
Solução:
Consideremos:
N = N(t) � número de indivíduos no instante (t)
N0 = N(to) � número de indivíduos no instante (to)
Como a taxa de variação da população é proporcional ao número de indiví
duos, temos a seguinte equação:
dN
= KN
dt
onde K é uma constante de proporcionalidade.
233
234 Cálculo Numérico
Como a população dobra em 2 anos, segue que, para t = 2, N(2) = 2N0 e, subs
Cálculo de (K):
Nem sempre podemos ter uma solução analítica para uma equação
diferencial, como no exemplo dado. Entretanto, devemos saber avaliar
Definição 6.1
Uma equação diferencial ordinária de ordem n é uma equação da se
guinte forma:
F (x, y (x), y ' (x), y " (x), ... , y (nl (x) ) = O
onde estão envolvidas a função incógnita y = y(x) e suas derivadas até ordem n,
sendo x a variável independente.
A notação yG> representa a derivada de ordem j da função incógnita y em
dj y .
d xl
relação à variável independente x e pode também ser representada por
Exemplo 6.2
--
As equações a seguir podem ser escritas conforme a Definição 6.1 e são equações
, . onde y ' =
. . dy d2 y
1 erencia1s ord"manas,
d"f , y" = 2 .
dx dx
dy
( )2
a) = 3x - 1 � ordem 1
dx
b) e Y ____I.2 + 2 _r = 1 � ordem 2
d2 d
dx dx
Exemplo 6.3
-
As equações seguintes são equações diferenciais parciais:
y = y ( x ) = c e kx
Vimos também que a solução para esta equação diferencial é dada por:
y(x)
-------- -
X
Figu ra 6.1
�o
Tal solução é obtida quando usamos a solução da equação diferencial
no ponto x = Xo e obtemos o valor para constante c, isto é, c = .
e ><o
Definição 6.2
Um Problema de Valor Inicial (PVI) de primeira ordem consiste de uma equa
ção diferencial y ' = f (x, y), x � x 0 , e uma condição inicial y(Xo) = y0, onde y0 é
um valor dado, chamado de valor inicial.
{
Neste caso, podemos escrever o PVI da seguinte forma:
y ' = f (x, y )
(1)
y (x o ) = Yo
Uma condição que garante a existência e a unicidade da solução do PVI
é dada pelo seguinte teorema:
Teorema 6.1
finitos e - oo < y < + oo Se existe uma constante L tal que para todo x e [ a , b ] e
Considere uma função real f(x, y) contínua no intervalo a $ x $ b, com a e b
.
dy m
= Í,,, ( X , Yu Y2 1 ··· 1 Ym )
dx
com valores iniciais:
Y1 (X o ) = ªu Y2 ( Xo ) = ª2 1 ... , Ym ( X o ) = a m
onde f11 f2, ... , frn são funções dadas e a11 a2, ... , Um são valores dados.
238 Cálculo Numérico
f.n (x,
Y u Y2 1 ... , Ym )
{ !:
Assim, o sistema pode ser escrito da seguinte maneira:
= F (x, Y)
Y(x0 ) = Yo
Exemplo 6.4
Considere o sistema de equações de primeira ordem dado por:
d yl
=
d x Y2
d y2
= 4yi
dx
com valores iniciais:
y 1 (0) = l, y 2 ( 0 ) = 2 , para x e [ a, b ]
[ l [
Podemos escrever o sistema dado na forma matricial conforme segue:
Y =
y 1 (x)
Y2 (x)
F (x, Y) = j [1 ]
f1 (x, y 1 1 Y2 )
f2 (x, Y1 1 Y2 )
e Y0 =
2
onde f1 (x, y 1 , y 2 ) = Y2 e f2 (x, Y1 1 Y2 ) = 4yi .
Podemos, ainda, na modelagem matemática de um problema, obter
uma equação diferencial de ordem m, isto é,
Y 1 rn-1 = Yrn
e as condições iniciais:
Y1 ( X o ) = CX.1 , Yz (X o ) = CX.z , y 3 ( Xo ) = CX. 3 , ..., yrn (Xo ) = CX. m
Usando a notação matricial, temos:
{ !� = F(x, Y)
Y (x0 ) = Y0
em que,
y2 CX.1
y3 CX.2
F (x, Y) = e Y0 =
Exemplo 6.5
Considere a seguinte equação diferencial de quarta ordem dada por:
y( 4 l = y( 3 > - 2 y + 3x
com valores iniciais:
y (x0 ) = 1, y'(x0 ) = 2, y " (x0) = 3, y "'(x0) = 4
Considere as seguintes variáveis:
Y1 = Y
Y2 = Y 'i = y '
y3 = y '2 = y "
Y4 = y '3 = y "'
Podemos escrever a equação diferencial de 4i ordem equivalente ao se-
guinte sistema de primeira ordem:
y '1 = Y2
Y '2 = Y3
y '3 = Y 4
y '4 = y4 - 2 y1 + 3x
f ::
ou, ainda, em notação matricial:
= F (x, Y)
Y (x0 ) = Y0
em que
Y2 Y1 1
Y3 Y2 2
F (x, Y) = Y= Yo =
Y4 Y3 3
y4 - 2y 1 + 3 x Y4 4
Solução Numérica de Equações Diferenciais Ordinárias 241
y (x)
Solução exata
YN
Yn-1
Y1
Yo
X
o
Figura 6.2
(p + 1)!
{
Retomemos ao PVI:
y ' = f(x, y)
y (x o ) = Yo
Solução Numérica de Equações Diferenciais Ordinárias 243
a partir de:
Ou, ainda,
Solução Numérica de Equações Diferenciais Ordinárias 245
Assim, o ponto (x11 y1) pertence a esta reta tangente, e o mesmo raciocí
nio para os demais pontos discretizados, conforme ilustramos na Figura 6.3.
y(x) y(x)
y(x 1 ) = Yt ------------------------
Yo
X
o
Figura 6.3
Erro de truncamento
Estimativa para o erro
No método de Euler, truncamos a série de Taylor em p = 1, uma estimativa
para o erro é dada por:
M h2
E= --
2!
onde
M máx { I y "(x) j , x E [a, b] }
=
1. Declare:
a) Função f(x, y).
b) Condições iniciais: y(Xo) = yo).
(b - ª) .
c) Intervalo [a, b], onde a = Xo·
d) Número de subintervalos N e calcule: h =
N
2. Para n = O, ... , (N - 1), faça:
Calcule:
início
= Xn +h
Yn+l = Yn + hf(x n ' Y n )
Xn+l
fim
Exemplo 6.6
Usando o método de Euler, calcule a solução aproximada do seguinte PVI e
{
uma estimativa para o erro:
y' = f(x, y) = y -x
y (x0 ) = y(O) = 2
a = Xo
Do método de Euler:
Yn+l = Yn + h f ( Xn , Yn )
Cálculo de Y1
Para n·= O, temos a condição inicial y(x0 ) = y(O) = 2, então:
Y1 = Yo + h f ( x o , Yo ) = Yo + i [ Yo - Xo ] = 2.5000
Cálculo de Y2
Para n = l, temos:
Cálculo de y3
Para n = 2, temos:
YJ = Y2 + hf (x2 , Y2 ) = Y 2 + H Y2 - X2 ] = 3.7031
Cálculo de y4
Para n = 3, temos:
h2
E= T máx { J y " (x) J , x E [0, 11 }
E = (l / 4 )2 (2.7182) = 0.0849
2
Na Tabela 6.1 são apresentados os valores exatos, a partir de y(x) = ex + x + 1
(exata), a solução numérica encontrada pelo método de Euler e com os res
pectivos erros locais, nos pontos x0 = O, x 1 = t, x 2 = i, X 3 = t, x0 = 1 .
248 Cálculo Numérico
2 2/4 3 . 1487 1
1
3 .0625 0 .0862
3 3 /4 3 . 8670
1 3 . 7031 0 . 1 639
Tabela 6.1
Yn+l = Yn + h Yn' + 2! Y n
h2 li
onde
Exemplo 6.4
Usando o método de Série de Taylor, de ordem p = 2, calcule a solução do
{
PVI definido por:
y ' = f( X , y) = X - y + 2
y (x0 ) = y(O) = 2
Para x E [a, b] = [O, 1] e usando uma discretização em 5 subinter
valos, temos:
h = (b - a) = 0 2 .
N
Solução Numérica de Equações Diferenciais Ordinárias 249
Logo,
Método de Taylor de ordem 2:
h2
Yn+1 = Yn + hy� + 2! y� n = O, l, 2, ... , 5
onde
y� = f(x n , Yn ) = X n -y n + 2
y�1 = fx (X n , Yn )+fy ( X n , Yn ) Y� = 1 +(-l)(X n -y n + 2) = -X n +y n - l
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) = y(O) 2, então:=
h21 li
Y1 = Yo + h Yo + -2! Y
o
Assim,
h2 (-x
Y1 = yo + h(xo - Yo + 2) + -
2 0 + y0 - 1) = 2.0200
Cálculo de Y2
Para n = 1, temos:
h2
Y2 = y1 + h (x1 - Y1 + 2) + - (-x1 + y1 - 1 ) = 2.0724
2
Cálculo de y3
Para n = 2, temos:
h2 (-x
y3 = y2 + h(x2 - Y2 + 2) + -
2 2 + y2 - 1 ) = 2.1514
Cálculo de Y4
Para n = 3, temos:
Cálculo de y5
Para n = 4, temos:
h2
Ys = y4 + h(x4 - y4 + 2) + -( -x4 + y4 - 1 ) = 2.3707
2
250 Cálculo Numérico
Exemplo 6.5
Usando o método de Euler de ordem p = 1, calcule a solução do PVI do
exemplo anterior.
Método de Euler: y n+i = y n + hf(x n , y n )
Assim, temos:
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) y(O) 2, então:
= =
logo,
Y1 = yo + h(xo -y0 +2) = 2.0000
Cálculo de y2
Para n 1, temos:
=
Cálculo de y3
Para n 2, temos:
=
Cálculo de y4
Para n 3, temos:
=
Cálculo de Ys
Para n 4, temos:
=
Tabela 6.2
Observações
a) Os dados da Tabela 6.2 foram calculados usando quatro casas deci
mais e arredondamento.
aproximada usando os método de Taylor de ordem p = 1 e p 2.
b) O erro absoluto calculado se refere à diferença entre a solução exata e a
=
{
Considere o PVI:
y '(x) f (x, y)
y(x o ) Y o
=
Definição 6.3
Para o PVI dado, o método geral de Runge-Kutta de R-estágios é definido por:
Y n+l Y n + h cl>R (x n , Y n 1 h)
=
252 Cálculo Numérico
onde
<l>R (x n , Y n 1 h) = c1k1 + c2 k 2 + ... +c Rk R
C1 + c2 + ...+ CR = l
com
k 1 = f(x n , Yn )
k 2 = f(x n + ha 2 , y n + h(b21k1 )) ª2 = h21
k 3 = f(x n + ha 3 , y n + h (b31k1 + b32 k 2 )) a 3 = b 31 + b 32
k 4 = f(x n + ha 4 , y n + h(b 41k1 + b42 k 2 + b 43 k 3 )) a 4 = b4 1 + b 42 + b43
volver k2 por Taylor, em torno do ponto (X.V y0) até ordem 2, de modo a expressar
Para determinar os parâmetros c11 c21 a2 {b21 é igual a a2), podemos desen
o método na seguinte forma:
Y n+l = Y n + ( ... ) h + ( ... )h +O(h )
2 3
Assim, substituindo:
C 1 = f(x 0 , y0 ) k l = f(x 0 , 2y 0 ), k2 = f(x 0 , y 0 )+fx (X 0 , y0 )(ha 2 )+
+fy (x 0 , y0 )(ha 2k 1 )+ O(h ) na fórmula de Runge-Kutta 2-está
gios, segue:
o seguinte método:
2 2
.!.
decorre da solução particular do sistema: c 1 = , c 2 = .!. e a 2 = 1, o que fornece
onde
k 1 = f(x 0 , y 0 )
k2 = f(X0 + h, Y n + h k1 )
o qual é conhecido como método de Euler aperfeiçoado.
254 Cálculo Numérico
y(x)
Y�+1 = Yn+ h y�
Yn+l
Yn
Figura 6.4
Algoritmo 6.2
Considere o PVI:
{ y '(x) = f (x, y)
y (x o ) = Yo
1. Declare:
a) Função f(x,y).
b) Condições iniciais: y(xo) = Yo·
c) Intervalo [ a, b ], onde a = Xo ·
d) Número de subintervalos N e
- a)
Calcule h = (b .
N
2. Para n = O, l, 2, 3, .. . , (N - 1)
Calcule:
início
Xn + l = Xn + h
k l = f (x n , Y n )
k2 = f (x n+l l Y n + hk1 )
h
Y n + l = Yn + (k1 + k 2 )
Z
fim
Exemplo 6.9
{
Usando o método de Euler aperfeiçoado, calcule a solução do PVI definido por:
y ' = f (x, y ) = X - y + 2
x e [a, b] = [ O , 1 ] eN=5
y (x0 ) = y (O) = 2
Temos:
(b - a) = 0.2
h=
N
Logo,
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) = y(O) = 2, então:
k1 = f (x0 , y0 ) � k 1 = (x 0 - Yo + 2) = O
k2 = f (x 0 + h, Yo + hk 1 ) � k2 = X0 + h - y0 + 2 = 0.2
256 Cálculo Numérico
Y1 = Yo + 2 ( k1 + kz )= 2.0200
h
-
Para n = l,
Cálculo de Y2
k 1 = f(x 1 1 y 1 ) � k 1 = (x 1 - y 1 + 2) = 0.18
k2 = f(x 1 + h, y 1 + h k 1 ) � k2 = x 1 + h - (y 1 + h k1 ) + 2 = 0.344
h
Y 2 = Y1 + 2 (k1 + k2 ) = 2.0724
-
Cálculo de y3
Para n = 2,
k 1 = f (x 2 , Y 2 ) � k1 = (x 2 - y 2 + 2) = 0.3276
k2 = f (x 2 + h, y 2 + h k1 ) � k 2 = x 2 + h - (y 2 + h k 1 ) + 2 = 0.4621
y3 = Y 2 + - (k 1 + k2 ) = 2.1514
h
2
Cálculo de y4
Para n 3,
=
k1 = f( X3 , y 3 ) � k 1 = (X 3 - y 3 + 2) = 0.4486
kz = f(X3 + h, y 3 + h k1 ) � k2 = X 3 + h - (y 3 + h k 1 ) + 2 = 0.5589
Y 4 = Y 3 + 2 (k1 + k2 ) = 2.2521
h
Cálculo de ys
Para n 4,
=
.!.
c 1 = 0, c 2 = 1 e a 2 = , que nos fornece o método:
2
h h
Yn+1 = Yn + hf(x n + - , Yn + -k ), com k1 = f(xw Yn)
2 2 i
o qual é conhecido por método de Euler modificado.
Algoritmo 6.3
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
a) Função f(x, y).
b) Condições iniciais: y(x 0) = y0 •
c) Intervalo [a, b], onde a= Xo·
d) Número de subintervalos N e
Calcule h =
(b - a)
.
N
2. Para n = O, l, 2, 3, .. . , (N - 1),
Calcule:
início
h h
Yn + l = Yn + hf(X n + 2 ' Yn + 2 k1 )
fim
Exemplo 6.10
{
Usando o método de Euler modificado, calcule a solução do PVI definido por:
y' = f ( X , y) = X - y + 2
x e [a,b] = [0,1] e h = 0.2
y (x0 ) = y (O) = 2
258 Cálculo Numérico
Temos:
N
(b-a ) =
5
h
Logo:
Cálculo de y1
Para n = O, temos a condição inicial y(Xo) = y(O) = 2, então:
h h
Y1 = Yo + hf(xo + -2 , Yo + -2 k 1 )
h h
Y1 = Y o + hf(x o + -2 , Yo + -2 ( Xo - Yo + 2)
Cálculo de y2
Para n = 1, temos:
[
Y2 = Y1 + h <x 1 + � y 1 + 2) = 2.0760
- ]
Cálculo de y3
Para n = 2, temos:
h h
Y 3 = Y 2 + hf (X 2 + -2 Y 2 + -2 k 1 )
/
[
Y 3 = y 2 + h X 2 + � - (y 2 + � k1 ) + 2 = 2.1543]
Solução Numérica de Equações Diferenciais Ordinárias 259
Cálculo de y4
Para n 3, temos:
=
Y4 [
= y 3 + h X3 + � - (y3 + � ki ) + 2] = 2.2545
Cálculo de Ys
Para n = 4, temos:
Ys [
= Y 4 + h X4 + � - (y + � ki ) + 2] = 2.3727
4
Tabela 6.3
260 Cálculo Numérico
Observações
a) Os dados da tabela foram calculados usando quatro casas decimais
e arredondamento.
b) Os valores aproximados obtidos pelos métodos de Euler modificado,
aperfeiçoado e pelo método de Taylor de ordem 2 são de mesma
k i = f(x n , Y n )
k 2 = f(x n + ha 2 , Yn + h (b 21 k 1 )) ª2 = b21
k 3 = f(x n + ha 3 , Y n + h (b 3 1 k 1 + b32 k 2 )) a 3 = b31 + b 32
Para determinar os parâmetros: Cv C2, C3, a2 (b2 1 é igual a a2), a3, b3 1 e b321
podemos desenvolver k2 e k3 em série de Taylor, em tomo do ponto (xrv Yn)
até ordem 3, de modo a expressar o método na seguinte forma:
+ ( ... ) h + ( ... ) h 2 + ( . . . ) h + O ( h 4 )
3
Y n +l = Yn ·
1
=
6
C1 = - C2 = - C3 =
2 3 4
-
9 9 9
ª 2 = - b21 = -
1 1
2 2
a3 =
3 b = a b = O b = -3
3 3 - 32 32
4 1
-
4
o que nos fornece o seguinte método:
h
Y n+I
=
Yn + - (2k 1 + 3k 2 + 4k 3 )
9
com
k 1 = f(x 0 , y 0 }
1 1
k 2 = f(x 0 + - h, Yn + -hk 1 }
2 2
3 3
k 3 = f(x 0 + - h, Yn + - hk 2 }
4 4
o qual é um método de Runge-Kutta de ordem 3.
Outras fórmulas de Runge-Kutta de ordem 3 podem ser obtidas por
soluções alternativas do sistema não-linear anterior.
Algoritmo 6.4
Considere o PVI:
{ y '(x) = f (x , y)
y (xo ) = Yo
1 . Declare:
a) Função f(x,y).
b) Condições iniciais: y(Xo) = Yo ·
c) Intervalo [a, b], onde a = Xo ·
a) .
d) Número de subintervalos N e
(b -
Calcule h =
N
262 Cálculo Numérico
2. Para n = O, 1, 2, 3, ... , (N - 1)
Calcule:
início
Xn +l = Xn + h
k 1 = f (x n , Y n }
1 1
k 2 = f (x n + - h, Yn + - hk 1 }
2 2
3 3
k 3 = f (x n + - h, Yn + - hk 2 }
4 4
fim
Exemplo 6.11
Usando o método de Runge-Kutta de ordem 3, calcule a solução do PVI
{
definido por:
X E [ a , b] = [ O , 1 ] e h = 0.2
y' = f(x, y) = X - y + 2
y ( x0 ) = y ( O ) = 2
Temos:
(b - a)
N= =5
h
Logo,
Cálculo de Y1
Para n = O, temos a condição inicial y(x0} = y(O) = 2, então:
k 1 = f (x 0 , y 0 ) � k 1 = (x 0 - y 0 + 2) = O
1 1
k 2 = f(x 0 + - h, Y o + -hk 1 ) = 0.1
2 2
3 3
k 3 = f(x 0 + - h, Yo + - hk 2 ) = 0.1350
4 4
Portanto, temos:
h
Y1 = Y o + ( 2k1 + 3k 2 + 4k 3 ) = 2.0187
-
9
Solução Numérica de Equações Diferenciais Ordinárias 263
Cálculo de Y2
Para n = 1, temos:
k 2 = f(x1 + 2 h , y1 + "2 h k 1 )
1 1 = 0.2632
k 3 = f(x1 + 4 h , y1 + 4" h k 2)
3 3 = 0.2918
Cálculo de y3
Para n 2, temos:
=
k i = f (x 2 , Y2 ) � k 1 = (x 2 - y 2 + 2) = 0.3298
k 2 = f (x 2 + 2 h , y1 + "2 h k 1 ) = 0.3968
1 1
k 3 = f (x 2 + - h , y1 + - h k 2 ) = 0.4203
3 3
4 4
Portanto, temos que:
Cálculo de y4
Para n 3, temos:
=
k1 = f (x 3 , y3 ) � k1 = (x 3 - y 3 + 2) = 0.4513
k 2 = f (x 3 + - h , y1 + - h k 1 ) = 0.4836
1 1
2 2
k 3 f (X3 + 43 h, Y1 + 43 h k 2) 0.5288
= =
y3 +
h ( 2k1 + 3k + 4k )
Y4 = -
9 2 3 2.2480
=
264 Cálculo Numérico
Cálculo de ys
Para n 4, temos:
=
k 1 = f (x 4 + 21 h , y 1 + "21 hk 1 ) = 0.5692
Taylor
Métodos de Taylor p = 2, Euler, Euler modificado e Runge-Kutta p = 3
�ificado
Euler Runge-Kutta
º : ; · X1 Sol. exa� Euler ordem 2 de ordem 3
o o 2.0 2.0 2.0 2.0 2.0
Tabela 6.4
Observações
a) Os dados da tabela foram calculados usando quatro casas decimais
e arredondamentos.
b) A melhor precisão dos resultados obtida foi com o método de Runge
Kutta de ordem 3, como esperado, pois o erro é da ordem de h4, en
quanto para os demais possuem erros de ordem h2 e h3 •
Solução Numérica de Equações Diferenciais Ordinárias 265
= Yn
h
Y n +l + - (k 1 + 2k 2 + 2k3 + k 4 )
6
k 1 = f(x n , Yn )
1 1
k 2 = f(x n + -h, Yn + -k i )
2 2
1 1
k 3 = f(x n + -h, Yn + -k 2 )
2 2
k 4 = f(x n + h, y n + k 3 )
conhecido como método de Runge-Kutta de ordem 4.
266 Cálculo Numérico
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
a) Função f(x, y).
b) Condições iniciais: y(xo) = Yo ·
c) Intervalo [a, b], onde a = Xo ·
d) Número de subintervalos N e
Calcule h (b - a)
=
.
N
2. Para n = O, 1, 2, 3, . .. , (N - 1)
Calcule:
início
X n+l = X n + h
ki = f (x n , Y n )
k2 = f (x n + -, y n + - k1 )
h h
2 2
k3 = f (x n + -2 , Y n + -2 k i )
1 h
k4 = f (x n + h, Y n + hk3 )
h
Y n+l = Y n + - ( k1 + 2k2 + 2 k3 + k 4 )
6
fim
Exemplo 6.12
Usando o método de Runge-Kutta de ordem 4, calcule a solução do PVI
{
dado por:
y ' = f(x, y) = x - y + 2
para x e [ a , b ] = [ O , 1] e h =
O .2
y (x 0 ) = y (O) = 2
Solução Numérica de Equações Diferenciais Ordinárias 267
Temos:
Logo,
Cálculo de y1
Para n O temos a condição inicial y(Xo) y(O)
= , = = 2, então:
k 1 f (x 0 , y0 ) � k 1 (x 0 - Y o + 2) O
= = =
k2 X0 +
= � - ( y0 + � k1 ) + 2 = 0.1
h h
k3 X0 + - - (y 0 + - k2 ) + 2 0.0900
= =
2 2
k 4 X o + h - (y + hk3 ) + 2 0.1820
= o =
Cálculo de Y2
Para n = 1, temos:
k 1 f (x 1 , y1 ) � k 1
= = (x 1 - y 1 + 2) = 0.1812
k2 X 1 +
= � - ( y1 + � kl ) + 2 = 0.2631
h h
k3 X 1 + - - ( Y1 - - k2 ) + 2 0.2549
= =
2 2
k 4 X 1 + h - (yl + h k3 ) + 2 0.3302
= =
Assim,
Cálculo de y3
Para n 2, temos:
=
268 Cálculo Numérico
Observações
a) Os dados da tabela foram calculados usando quatro casas decimais
com arredondamento.
b) A melhor precisão dos resultados obtida foi com o método de Runge
Kutta de ordem 4 como esperado, pois o erro é da ordem de h5•
Comentários finais
Como pudemos observar, as fórmulas de Runge-Kutta têm a vantagem de
não necessitarem das derivadas de ordem superior da função f(x, y),
como nos métodos de Taylor, porém, obtendo as mesmas ordens dos erros
de truncamento.
Solução Numérica de Equações Diferenciais Ordinárias 269
J
Xn+l
(3)
J
Xn+l
e, como antes, com a notação para a aproximação de y(xn) dada por y n = y(x n ),
segue de (3):
J
Xn+l
h
f(x, y(x))dx = [f(x n , y(x n )) + f(x n+l l y(x n+I ))]
Xn
Z
270 Cálculo Numérico
(4)
O procedimento para calcular Yn+ i dado por (4) é chamado método dos
trapézios. Note, entretanto, que em (4), diferentemente dos métodos ante
riores (veja método de Euler, por exemplo), tem a incógnita y de forma
n+l '
implícita (em ambos os lados da equação em (4)). Por isto, tal método é cha
mado método implícito.
Os métodos anteriores, nos quais Yn+I é calculado explicitamente, são
chamados métodos explícitos. Um método explícito pode ser usado para obter
uma aproximação inicial de Yn+v como vemos a seguir, e é chamado previsor.
{
Para deixar mais claro ao leitor, consideramos o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
e queremos determinar a solução da equação diferencial y(x) numericamen
te, isto é, aproximações para y(x1), y(x2), , y(xN), as quais são denotadas por
•••
Cálculo de Y1
Para determinar a aproximação para y(x1) pelo método dos trapézios, faze
mos n 1 em (4) e temos,
=
(5)
pode ser resolvida pelo método das aproximações sucessivas xk+I <j>(xk), o qual
=
se Xo, dado inicialmente, for uma boa aproximação para x e 1 <j> '(x) l < l, para
todo X = X (uma vizinhança de x).
A Equação (5) pode ser escrita por (aqui y1 é a incógnita):
com
Solução Numérica de Equações Diferenciais Ordinárias 271
Podemos obter uma aproximação inicial para y11 a qual denotamos por
y� º l , usando um método explícito (previsor), por exemplo, o método de Euler.
Previsor:
l <1>'<Y > I =
h af(x, Y > < 1
2 ay
e, portanto,
Corretor:
(k+l) - h
Y2 - Y1 + - [f(X o , Yo ) + f(X u Y (k)
2 )]
2
, 1 y �k+l) - y �k) 1
ate que: 1 Y (2k+I l 1 < e .
Assim, sucessivamente, calculamos y3, y.., . , YN· . .
Algoritmo 6.6
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
a) Função f(x,y).
b) Condições iniciais: y(Xo) = Yo·
e) Número de subintervalos N e
(b - a)
Calcule h = .
N
2
1 Y<k+1i
n+l y<kn > I < E
_
1 y�_:i1 > 1
+
F aça: y = y k l
n+l n +l .
Exemplo 6.13
Usando o método dos trapézios, com o método de Euler como previsor, cal
{
cule a solução do PVI definido por:
y ' = - 2y + l
x E [ a, b ] = [O, l] e N = S
y(O) = 1
Solução Numérica de Equações Diferenciais Ordinárias 273
Observação
Neste caso, a equação anterior é bem simples, pois f(x, y) é uma função linear
na variável y, de modo que o método dos trapézios se reduz a:
1
2
Yn+ l = Yn + - h [ (-2yn +l} + (-2Yn+l + l}]
Portanto, é fácil determinar exatamente Yn+ l · Para ilustrar o método pre
ditor-corretor, fazemos a previsão e as correções.
Para Xo O, é dado o valor inicial: y(O) Yo 1.
= = =
Portanto,
y1 = 0.8320
Correção (Trapézios):
h 02
y �1 ) = y 2 + [f(x 2 1 y 2 )+ f(x 3 , y�º) )] = 0.7264 + · [(-2(0.7264)+ 1) + (-2(0.6358) +
2 2
+ 1)] = 0.6540
(1 ) - y3
Erro ·. 1 Y3 1 ) (0) 1 = O . 0278 > O . 01
IY� I
h 02
y�2) = y 2 + [f(x 2 1 y 2 )+ f(x3 , y�1 ) )] = 0.7264 + · [(-2(0.7264) + 1) + (-2(0.6540) +
2 2
+ 1)] = 0.6503
2
I Y � ) - y�l ) 1 -
Erro.. - 0.0057 < 0.01
I Y3< 2 l 1
Portanto,
y3 = 0.6 503
--t
Cálculo de y4 aproximação para y(0.8)
Previsão (Euler):
y�º l = y 3 + hf(x 3 , y 3 ) = 0.6503 + 0.2(-2(0.6503) + 1) = 0.5902 --t
aproximação
inicial para y4
Correção (Trapézios):
h 02
y � l = y 3 + [f(x 3 , y3 )+ f(x 4 , y�l )] = 0.6503 + · [(-2(0.6503) + 1) + (-2(0.5902) +
2 2
+ 1)] = 0.6022
(l) (O)
Erro: 1 Y 4 -( t )Y 4 1 0.0 1 98 > 0.01
1 Y4 1
h º2
y �l = y 3 + [f(x3 , y 3 )+ f(x4 , y � )] = 0.6503 + · [(-2(0.6503)+ 1) + (-2(0.6022) +
2 2
+ 1)] = 0.5998
2
y( ) - y( ) l
Erro: 1 4 2 4 1 = 0.0040 < 0.01
1 Y <4 l 1
276 Cálculo Numérico
Portanto,
y4 = 0.5998
(6)
previamente definida. Caso duas ou três iterações não sejam suficientes, deve-se
diminuir o valor de h.
Depois de calculado o valor de y21 calcula-se analogamente y3, , YN· •••
278 Cálculo Numérico
{
Algoritmo 6.7
Considere o PVI:
y ' (x) = f (x, y)
y (xo ) = Yo
1. Declare:
a) Função f(x, y).
b) Condições iniciais: y(Xo) = Yo·
y �:J > = y n + � [f(x n ' yn ) + 4f(xn+1 ' yn+l ) + f(xn+2 ' y�l2 )] até que:
<E
1 Y(k+l) (k)
n+2 - Yn+l 1
l y�:P 1
(k+l) ·
Faça.. Yn+2 -- Yn+2
{
Exemplo 6.14
Considere o PVI dado por:
y ' = - xy
y(O) = 1
Usando o método de Euler, a partir de Xo = O e h = 0.1, calcule x5 e um
limitante superior para o erro.
O usuário digita a expressão da equação, os dados iniciais, o valor do
espaçamento "h" e o valor desejado y(0.5), conforme Figura 6.5 a) e b ):
Solução Numérica de Equações Diferenciais Ordinárias 279
E Difetenciai1
a) b)
Figura 6.5
Escolha o lllt!todo
a) b)
N"° h PIU &!
Ul.
e)
Figura 6.6
280 Cálculo Numérico
\
)(
1
: .. . .
•
• YCX> portos
:- - - - - - - t - - - - - - -:- - - -- - - � - - - - - - - r - - - - - : - - - - - :- - � -� :
0..99: 1"' .. ... ... .. .. .. t .. .. .. .. .. . ..: . .. .. .. .. . . . . . • . . ... . .. .. :.. .. .. .. .. .. .. ! - - � . ... .. .. .. .. . .,, .. . - � .. . .. . . .. ... � .._ .. _ . .. .... .. :
• • " • • 1 ' • •
: - - - - - - -:- - - - - - , - - - !- - - - - - - - ; - - - - - - : - - - - - �- - - - - ;
! · - ! - - . - - - -� · 4· �
..
: · · ·:· - - · .. : : :; :
.
• • 1 • 1 1 i • i
0..95 :· .. .. . . .. : . .. .. ·:- -
- - - ,,� .. - - � - - .. .. .. .. .. .. .. .. .. - .. .. · - .. - - - - - - - - .. .. .. · - · .. .. .. . .. .. ·:
0.91 : - - ; - - - : - - . - - - � - - - - - -� - - - - :- - ; - - . - - - � - - - - - - �- - - • - - :
0 ..93 · · . - ..:- · - - · - - r - - - - - - ..: - , -- .. . �
f ,• • ,. � ... - - · . .... " ,
. .. .. .. . ..
. .. . . . .. . . .. .. ...
' . .
- ; - - - - - - -� - - - - - - � - - - - - - - : - - - -:
- - - - - - - - - - - · - - - - - - - •
: - - - · - : .. · - -� - .. .. - - � - - - - : - - - · - - :
- - - - - - - - - - - - - - - - - - - - - : - - . - -
0 .9 : - . - - - - - ! - - - - - - : - - - - - . � - - - - - - � - - - - - - -: -
- - - - - - - - -
o.89 : - - - - - - � -
- : - - · �- · - - · · - r -
- - . - - - - - - - - · - - - - - - - - - - - - -
. . . . . ' . . .
Figura 6.7
Exemplo 6.15
{
Considere o PVI dado por:
y ' = x y2 - y
y(O) = 1
Usando o método de Runge-Kutta de 4ª ordem, a partir de Xo = O e h = 0.1,
calcule o valor aproximado de y(0.7).
Solução:
O usuário digita a expressão da equação, os dados iniciais, o valor do espa
çamento "h" e o valor desejado y(0.7), seleciona o método de Runge-Kutta
de 4ª ordem, conforme Figura 6.8 a) e b):
Solução Numérica de Equações Diferenciais Ordinárias 281
a) b)
0.!5000
--tcl71iii1 -- il--
6 0.6000 0.5980
7- -
e)
d)
Figura 6.8
282 Cálculo Numérico
•
t":: c.,r cif h o dl fercnc l9I�
1 - y(!:g
cquc1c oes _ __ 1
-.
- - - - -
· eante•
- -- - - - - - -- - -
. -- - . . . -- - . . . .
-:- - - - - - - �- - - - - - � - - - - - -i
- - - - - - - - - - - - - -- ------ - - - - - - - - - - - - - - -- -- - - - - - - -
:: :: · · · · · · -:-·
• • • •
:
· · · · · �t · · · · · · · :; · · • ·:: · · · · · · !: · . . :: · . . :; . . :i-:
: - - -:- - - - : -
0.515 .
· · ·:
--
i ; ·; r �- -r
' • • • • • • 1 • • •
... ... .. .. .. ... .. .. - - ... - -
• 1 • .. f • • • •
- - - - - - �1 - .. - --r-
t · · -· - - - i - - - - -�
: · - - - - - - f - - ·.- · · -:- - · - - - - 1 - - - - - - - : - - .. - - - � :
- - - .. - - - - - - -; -
' '
o.as
i - - - - - - � - - - - - -r - - - - - �- t
... - - - - - - - - - - .. .. .. -
0.e �;
1
·
• • • •
· · -
•
· · · ·i· •
· · · ·
•
· · · ·
•
· · · ·
•
· ·
•
· · � .
r
- - -
· · · · · · · · ·
· · - -· - - - - - - - · · - - - - - -
-
0-75
t -7--- i- - � - - - - � - - - - - - -rç - - - - �- r -;
- - - - - - - - -
- - - -- -
•
- - - - - -
o
Figura 6.9
Exercícios
1. Usando o método de Euler de ordem p = 1 e o método de Taylor de ordem
l
p = 2, determine a solução aproximada do PVI dado por:
y
y' = f (x, y) = 2_2 - - y 2
x X X E [ a, b ] = [ l, 2 ]
y (x 0 ) = y (l) = - 1
a) Considerando h1 = 1 /5 e h2 = 1 / 10.
b) Sabendo-se que a solução analítica é dada por y ( x ) = .!_ , construa _
X
para cada caso uma tabela com os valores exatos e aproximados e
também o erro absoluto. Observe e faça comentários.
{
2. Usando o método de Euler, calcule a solução aproximada do seguinte PVI:
y' = f (x, y) = y - x
X E [ a, b] = (0, 1]
y (x0 ) = y (O) = 2
a) Considerando h1 = 1 /5 e h1 = 1 / 10.
b) Construa para cada caso uma tabela com os valores exatos e aproxi
mados e também um limitante superior para o erro. Observe e faça
comentários.
Solução Numérica de Equações Diferenciais Ordinárias 283
{
. Usando método de Euler modificado e o método de Euler aperfeiçoado,
calcule a solução aproximada do PVI definido por:
y' f (x, y) xy 1 1 3
= =
X E [a, b) [O, 2) =
y (x 0 ) y (O) 1
= =
a) Considerando N 1 5. =
b) Considerando N2 10. =
construa para cada caso uma tabela com os valores exatos e aproximados e
também o erro absoluto. Observe os resultados obtidos e faça comentários.
{
4. Usando o método de Euler, método de Euler aperfeiçoado e o método de
Euler modificado, calcule a solução aproximada do PVI definido por:
y ' f (x, y) y cos(x)
= =
X E [a, b) [0, 1) =
y (x 0 ) y (O) 1 = =
a) Considerando h1 = 1 /5.
b) Considerando h2 = 1 / 10.
3
{
5. Usando os métodos de Runge-Kutta de ordem , calcule a solução apro-
ximada do seguinte problema de valor inicial:
y' f (x, y) xy 1 1 3
= =
X E [a, b) [0, 2) =
y (x 0 ) y (O) 1 = =
a) Considerando N 1 5. =
b) Considerando N2 10. =
{
Kutta de ordem 4, calcule a solução aproximada do seguinte problema
de valor inicial:
y' f (x, y)
= xy 2 = -
X E [a, b) [l, 2) =
y (x 0 ) y (l) 2
= =
a) Considerando h1 1 /5. =
-3z,
b) Considerando h2 1 / 10. =
f
7. Usando os dois métodos de Runge-Kutta de ordem 4, calcule a solução
aproximada do seguinte problema de valor inicial:
1
y' = f (x, y) = + 0.4y 22
1 + 4x X E [0, 4]
y (x 0 ) = y (O) = 1
a) Considerando n 1 = 5.
b) Considerando n 2 = 10.
f
8. Usando todos os métodos de Runge-Kutta vistos neste capítulo, calcule
a solução aproximada com h = 0,01 do seguinte PVI:
y ' = f(x, y) = �
2
Y X E [a, b] = [0, 1]
·
y (x 0 ) = y (O) = 1
9. Usando o método dos trapézios, com o método de Euler como previsor,
{
calcule a solução do PVI definido por:
y' = 1 +
� x e [a, b] = [l, 2] e N = 5
y(l) = 2
Use no critério de parada do método das aproximações sucessivas E = 0.01.
10. Usando o método dos trapézios, com o método de Euler como previsor,
calcule a solução do PVI definido por:
a) y' = f (x, y) = - 2y + l
y(Xo) = y(O) = 1
Usando h = 0,1 calcule aproximadamente y(O, 3).
b) y' = f (x, y) = y
y(Xo) = y(O) = 1
Usando h = 0,1 calcule aproximadamente y(O, 3).
Capítulo 7
285
286 Cálculo Numérico
7.1 I ntrodução
Com a popularidade dos microcomputadores a partir de 1980, surge uma
nova ferramenta como apoio ao ensino e aprendizagem, tomando-se im
prescindível o desenvolvimento de "softwares" que ligassem a sala de aula
e o laboratório de informática .
E m 1991, no Departamento d e Matemática d a UFSCar, foram iniciados dois
projetos de monitoria da disciplina de Cálculo Numérico com objetivo de desen
volver programas computacionais que facilitassem a resolução de exercícios
propostos, porém reforçando os conceitos estudados em sala de aula .
A partir de 1996, com o envolvimento do Departamento de Matemática
no Projeto REENGE, foi possível retomar aquelas idéias.
O projeto Desenvolvimento de Software para o Ensino de Matemática
teve como objetivo a informatização de disciplinas dos cursos básicos das
áreas de ciências e tecnologia da UFSCar com conteúdos de matemática,
para que os alunos pudessem reforçar conceitos dados em sala de aula nos
laboratórios de informática.
O Software Numérico foi desenvolvido inicialmente neste projeto e poste
riormente finalizado depois de vários testes, feitos nas aulas de laboratório
da disciplina de Cálculo Numérico no Departamento de Matemática-Univer
sidade Federal de São Carlos (UFSCar) .
7 .2 Objetivos
O Software Numérico é um software interativo, de apoio ao ensino e apren
dizagem de tópicos de matemática, para ser usado em laboratório de com
putação, onde conceitos e resultados apresentados em sala de aula são refor
çados através de exercícios propostos.
É
minada Delphi, orientada a eventos e destinada ao ambiente Windows.
implementado usando o Delphi / Pascal 5.0, baseado na interface gráfica
do Windows, sendo compatível com os sistemas operacionais Windows 98
e Windows XP.
Estão disponíveis duas versões: professor e estudante. Na versão pro
fessor, um Arquivo de Correção contém o registro do nome e o número do
aluno (Registro Acadêmico-RA). Esse arquivo grava todos os trabalhos feitos
e deve ser usado apenas pelo professor, possibilitando que ele acompanhe
todos os passos realizados pelos alunos durante a execução do software,
Manual do Software Numérico 287
• '1
Métodos diretos
Método de decomposição LU
Método de decomposição de Cholesky
Método de eliminação de Gauss com pivotamento (diagonal, parcial
e total)
Método de eliminação de Gauss-Jordan
Métodos iterativos
Exemplo 7.1
Resolva o sistema de equações lineares usando o método de eliminação de
Gauss com pivotamento diagonal.
Neste caso, a condição é det A -:t:. O (det (A)<>O), conforme Figura 7.1 a).
XI X2 b
z 3 5
4 5 9(
... ... _.... -:li
- -·-
.
....li'
.. 'i.I - ·-
( Conlinum )
a)
)(1 )(2
1.D D l JIDOU
b)
Figura 7.1
Manual do Software Numérico 291
Exemplo 7.2
Resolva o sistema de equações lineares usando o método de decomposição LU.
1 1 3 [ =
[� : �i ::1 [!.s1
X3 2.5
posição LU,
No Software Numérico, o usuário seleciona a opção Método de Decom
digita o sistema dado no espaço reservado e seleciona as condi
ções corretas de aplicabilidade. Neste caso, os menores principais diferentes
de zero (<>0) e det A :;t: O (det(A)<>O), conforme Figura 7.2 a) e b).
1C' ia b
la
..
• 5 4j;
1
1 r:.st
a) b)
--�1
b)
Figura 7.2
a)
""1'eçilo Xl
30 Jl .OotO
:n 1 .CIDOI
»- 1i :lteoã
i
» 1
..0 1
DÕ
b)
Figura 7.3
294 Cálculo Numérico
X1 b
3 2 !i
.. !i 9
Figura 7.4
satisfeitas simultaneamente.
Manual do Software Numérico 295
Métodos diretos
Método de decomposição LU
L(Ux) = b
{Ly = b
Ux = y
Exemplo 7.2
Considere o sistema de equações lineares:
L= [ � � �j
1/2 1/2 1 U
=
r� � � l
o o 2
296 Cálculo Numérico
= (1, 1, Ir
Ux = y
Solução: X:
tiva, por uma matriz R1 = (ri;) i, j = 1, ... , n triangular inferior, tal que A=R1 R.
A resolução do sistema dado agora consiste na resolução de dois siste
mas triangulares (inferior e superior), respectivamente, isto é:
Ax = b A = R1 R
R1(Rx) = b
Portanto, deve-se resolver os dois sistemas triangulares (inferior e supe
rior) a seguir:
Exemplo 7.3
l j [XX21 j [ ]
Considere o seguinte sistema de equações lineares:
X3
1 1 Ü -2
1 5 Ü - -6
-
Ü Ü 1 -2
1 o
O O
f� � �
1
R' =
o o 1
R= 2
Manual do Software Numérico 297
Solução: y = ( 2, 2, 2Y
Ry = b
- - -
Rx = y
Solução: x = (-1, -l, -2)1
Condição
r � � � 1 r:: 1 r � 1
-3 1 3 X3
=
3
det(A) = 24 -:t:- O
Sistema triangular equivalente:
Solução do sistema:
x = (O, O, lY
298 Cálculo Numérico
Condição
det (A) :t:- O
O método de eliminação de Gauss com pivotamento parcial é uma modifi
cação da versão anterior do método de eliminação de Gauss, sendo que a cada
passo muda-se a estratégia de escolha dos elementos pivôs.
Estratégia na escolha dos pivôs
No k-ésimo passo do método, a escolha do pivô é feita através da seleção do
maior elemento em módulo (nos elementos da matriz A, abaixo da diagonal),
Exemplo 7.5
Considere o sistema de equações lineares:
Condição
det (A) = 30 :t:- O
Sistema triangular equivalente:
Solução do sistema:
x = (1, O, 0)1•
Manual do Software Numérico 299
Condição
Caso não seja encontrado nenhum elemento diferente de zero para ser
o pivô, concluímos que o det(A) = O.
O procedimento de pivotamento na matriz A será como no método de
eliminação de Gauss com pivotamento na diagonal.
Exemplo 7.6
Considere o sistema de equações lineares:
Condição
det(A) 44 :t:- O
=
Solução do sistema:
l� � �1 [::1 r � 1
o -l
/
11 6
/
X2
=
/
11 6
-l
/
x (O
= , l, Ot
300 Cálculo Numérico
Condição
det (A) -2 -:!- O
=
Sistema equivalente:
Solução do sistema:
x (2, O, 0)1•
=
Manual do Software Numérico 301
Métodos iterativos
Os métodos iterativos são aqueles que fornecem, a partir de uma solução ini
cial, uma seqüência de soluções aproximadas que deverá, sob determinadas
condições específicas, convergir para a solução do sistema.
{
x<k+I l = H x<kl + g k = 0,1, ...
onde
- aii
se i =t: j
�
H= a � matriz iterativa
b{ .
se i=j
ai
g= _1
Convergência
A matriz A = (aii )i, j = 1, ... , n deverá ser estritamente diagonalmente domi
nante, isto é:
l aii 1 > I l ai i 1
j=l i;tj
i = l, ... , n
ou
ou
l i i
n
(E suficientemente pequeno)
302 Cálculo Numérico
Exemplo 7.8
Considere o seguinte sistema de equações lineares:
Análise de convergência
[ ]�
A matriz A do sistema não é estritamente diagonalmente dominante.
Construção da matriz iterativa:
o o -1 / 3
H= O O - 1 2 � matriz iterativa
-2 / 3 -1 / 3
Cálculo das normas:
ii H ii� = 1
l i H 111 = 5 / 6 < 1 � convergência garantida
Assim, para a precisão E 0.01:=
se i>j
� matriz estritamente triangular inferior
se i ::;; j
se i 2'. j
� matriz estritamente triangular sup erior
se i<j
x(k+1 ) = H x<k> + g
Na forma equivalente, podemos escrever:
onde H = [ (I P) ]-1 Q -
g = [ (I P) ]-1 g -
Convergência
A matriz A do sistema deverá ser estritamente diagonalmente dominante.
ou
I 1 -aaii i 1 �i + Í. 1 -aai i 1
Critério de Sassenfeld satisfeito:
Exemplo 7.9
Considere o seguinte sistema de equações lineares:
Análise de convergência
A matriz A do sistema não é estritamente diagonalmente dominante.
Cálculo dos �i i = 1, , 3
Critério de Sassenfeld:
...
�l �2 1 1 2 � 3 1 1 2
Como máx �i = 1 / 2 < 1 � convergência garantida
= 1/2 = =
304 Cálculo Numérico
Critério de parada:
li x< 9 l _x (B ) I L
li x <9 l I L
= 0.0009 < E
Condicionamento de sistemas
Diz-se que um sistema de equações lineares Ax = b é mal condicionado
quando pequenas perturbações em alguns de seus coeficientes produzem
bruscas alterações em sua solução. Para verificar o mal condicionamento de
um sistema linear, deve-se calcular o Número de Condição da matriz dos
coeficientes do sistema, definido por:
Exemplo 7.10
[1 ] [XI] [ ]
Considere o sistema de equações lineares:
0.99 l .99
0.99 0.98 X2 - 1.97
Temos que,
Exemplo 7.11
de Gauss:
O usuário digita a matriz A dada, seleciona o método de eliminação
de Gauss, seleciona as condições de aplicabilidade do método, conforme
Figura 7.5 a) e b ).
a) b)
306 Cálculo Numérico
e)
Figura 7.5
Exemplo 7.12
r r 1
Calcule a inversa da seguinte matriz usando o método de eliminação de Gauss:
� � �i
Xn X12 X13
A= 1
A- = x21 x22 x23 � inversa de A
o 1 1 X31 X32 X33
=[ l
Manual do Software Numérico 307
[ ll = [ l l
Como A A-1
1 Ü Xu
Ü 1 2 X21 Ü
Ü Ü -1 X31 Ü
[� =
(x11 x 21 x31 j = (1, O, O) � primeira coluna da matriz inversa
� �1 r:�1 r � l
Ü Ü -1 X 32 -1
�
(x12 x22 x32 j ( -1, - 1, 1) � segunda coluna da matriz inversa
=
[ � � l [ ::1 [ � l
Ü Ü -1
(x13
X33 =
1
Portanto, temos:
A-1 = r� =� �1
o 1 -1
� inversa da matriz A
Figura 7.6
a)
Manual do Software Numérico 309
-
c:: ( ,r� l • l • U - _ _
� -
V
1 .6
1 .2
/
· 1 .B 5
·1 .6
b)
Figura 7.7
!::: 1 1 1t1 1 1 �
a) b)
310 Cálculo Numérico
1 2
l l(b)- -0.61 61
e)
Figura 7.8
OK
Sil
a) b)
Figura 7.9
Nove FW>Ç&>
a) b)
Figura 7. 1 0
Pergunta
Mio
a) b)
Ternos, neste momento, urna das raízes de f(x), conforme Figura 7.11 c),
dada por x = 1.4276.
Observação
Ao rolar a janela é possível visualizar todos os resultados aproximados obtidos.
e)
Figura 7. 1 1
a) b)
e)
Figura 7. 1 2
�--1t----1t--�b"--,.1"-�t--�t--�r--�-t--t:X
2.7 3.6 4.S 5.
-4,8
a)
Figura 7.1 3
Observação
Caso haja mais de 30 iterações sem passar pelo critério de parada, abrirá
uma janela com a mensagem perguntando se deseja visualizar mais itera
ções, dessa forma, o usuário poderá optar por visualizar até 70 iterações.
Método de Newton
Caso o usuário deseje resolver a equação anterior cos(x)-0.1 x=O usando o
método de Newton, deverá posicionar em métodos de resolução, e cli
cando em Newton, fornecer a derivada da função f(x), a solução inicial Xo = 0.5,
a precisão E 0.0001 .
=
Manual do Software Numérico 315
a) b)
e)
Figura 7.1 4
316 Cálculo Numérico
2 15685
3 1.m
U275
a) b)
DIC
e)
Figura 7.1 5
Manual do Software Numérico 317
Método da Bisseção
Seja f: 9t � 9t, contínua.
O método da bisseção consiste em determinar uma seqüência de inter
valos [rn, sn], em que a amplitude deste intervalo é a metade da amplitude
do intervalo anterior [rn-1 , Sn-i1 e que sempre contenha a raiz, a partir de um
intervalo inicial dado [ ro, s0].
Passos
1 . Dados E > O e um intervalo inicial [ a , b] que contenha uma raiz
para f(x).
Considerando r0=a e s0=b, determinar a seqüência de soluções
aproximadas:
xi = (Ii + sJ / 2 i = O, 1, ...
Se f(rJf(x J < O, então li+i = li e si+l = xi
Se f(rJf(x J > O, então li+i = xi e si+l = si
Sempre garantida, uma vez que partimos de um intervalo que contém a raiz.
Convergência
Exemplo 7.13
Resolva a equação x2 + ln(x) = O, usando o método da bisseção com E = 0.01 .
Considerando 1(i = 0.1 s0 = 1, para o qual verifica-se f(l(i )f(s 0 ) < 0, gera-se a
seqüência de soluções aproximadas:
X0 = (r0+ s0) / 2 0.5500
=
exemplo, multiplicando a equação f(x) O por uma função 8 (x): 9t � 9t, com
=
l x;+1 - x; I < E.
I X i+ I I
4. Critério de parada:
Manual do Software Numérico 319
Exemplo 7.14
Usando o método das aproximações sucessivas, determine uma raiz de
f(x) = cos(x)-x, com E = 0.01.
Depois de localizar uma vizinhança para a raiz de f(x), considera-se o
processo iterativo:
Método de Newton
No método das aproximações sucessivas transformamos a equação f(x) = O
na forma equivalente x = <l> (x), onde <l>(x) = x + 0 (x)f(x) .
Para que a convergência seja garantida, deve-se ter 1 <l> '(x) 1 < 1 para x
que <l>'(x) = O. Considerando <I> e <!>' contínuas, temos l <l> '(x) l < l para todo x
nas vizinhanças da raiz x.
Assim, temos:
<l>(x) = x + 0 (x)f(x)
<l> '(x) = 1 + 0'(x )f(x)+ f '( x )0 (x) = o
Dessa forma,
e (x) = - 1 1 f '(x)
Adotando-se então a escolha 0(x) = - 1 / f '(x), temos:
320 Cálculo Numérico
Assim,
f(x; )
x i +l = x i - i = O, 1 , . . . -7 método de Newton
f '(xi )
Passos
1. Seja f(x) uma função contínua e diferenciável e dados E > O e Xo uma
solução inicial.
2. Gerar uma seqüência de soluções aproximadas, através do processo
iterativo:
f(x; )
x i+ 1 = xi - i = O, 1, ...
f '(x; )
X i+ l = X i - :.��i» i = O, l, ...
1
Como f '(x) = -- , temos a seqüência de soluções aproximadas:
(x + l)
Xo = 1 .5 X1 = 2.7567 X2 = 2.9250 X3 = 2.9263 X 4 = 2.9263
Do método de Newton,
i = O, l, . . .
Assim,
(xi-l f(xi ) - xi f(xi-l ))
xi.+1 = i = O, l, ... � métodos das secantes
(f(xJ - f(xi_1 )
Passos
1. Seja f(x) contínua e dados € > O Xo e x1 soluções iniciais.
2 Gerar a seqüência de soluções aproximadas, através do processo
iterativo:
(xi_1 f(xJ - xJ(xi_1 ))
x1+. 1 = i = O ' 1 ' ..
(f(xJ - f(xi-1 )) .
Interpolação de funções
Caso o usuário escolha Interpolação de Funções com a opção Aproximação - Ta
bela de pontos, deverá fornecer a tabela de pontos a ser interpolada, especificando
os valores de xi e os correspondentes f(xi), clicando sempre em Confirme. Poderá,
ainda, Limpar pontos ou Limpar 1 ponto, conforme janelas da Figura 7.16 a) e b):
a) b)
Figura 7.1 6
a)
Manual do Software Numérico 323
b)
Figura 7.1 7
Caso o usuário deseje plotar polinômio, basta clicar neste botão e temos
uma janela com o gráfico do polinômio, pontos fornecidos e o ponto interpo
lado, conforme janela da Figura 7.18:
r r
- P61iít.t..., ln1•'111'6._.,r
. ,._..._. r�•
• Po.... ....... .wlA
· · r - · · · · - - · - - - - � - - - - - - - - - · - · - - - -- - - - · · - - - - - -
94 - - - - · - - · · - - · - - - - - - � - - · - - - - - - - - ;. - - - - - - - - - - · -r: - - - - - - - - - - - 1: - - - - - - -
� 2 ---- · - - · ·-------· r! :
···---··--·
.i: "
· - - - - - - - -
i ;
!
-�-----------·r··--· !
º - - - - - - - - - - ----- - - r - - · - - - - - · - r ·· · · - - - - · - r · - - · · -- · · r ···-·
· il :iil ---··· - - - - - - - - - - · · t · - - - - - - - - - - - r - - - - - - - - - - - 1- - - - - - - - - - - - 1 - - - - -
. ... 2 .... 2.8
Figura 7.1 8
324 Cálculo Numérico
E.nlre C011 a
a) b)
e)
Figura 7.1 9
Manual do Software Numérico 325
a)
- -
-
- - - -
. - - - - · �- - -
-- ------:--- : --
-
230 - · - - - -� - - - - - - - - -� - - - - - - - - - - - � - - - - - - - - - - � - - - - - - · · · - - 1 - - ---
-----� -
aoo - - - - - ·e · · - - · · . .:. . . . . . . . .. · c ···· ·-···· i ---· · · · · -·i· -·
ttlD - - -• •
-r - - . . . . . . - - ..z. • • • _ . • . _ _ _ -:- - - - - - • • • --�- • . _ _ _ . • . . - � ••--
, .º - - - - - - - - - - -� - - - - - - - - - - -� . - - - - - . - - - � - - - - - - - - - - - � - -- -
·� - -- - -� -- - - - - - . - - - - - - ;.. - - - - - - - - - �- - - - -- - - - - - -----
�� F E L ·:2.4 o ••
b)
Figura 7.20
"""
�l 1•11 1 : lntP Supenor p�a o crro
--------- - -
_
.
.
.
'
.
. . .
. . .
'
a) b)
e)
Figura 7.21
><
1• Ponloa 1ornecldoa 1
- - -
' . ' '
· - - - - - :- - - - - · : .. · - - - �- · · - -- - · - - -r · · · - - --- · - -1- · · ·· ·
' . . ' '
o ... - .. - .. .. - - - - - - - - -- - - - - - - - - - -
' . .
' . .
' . .
- .. .. .. - - - .. - - - - • �- -- - - • - - .. .. • i- .. .. .. - - - - - :. - - - - . . - - - .. - - - - � - - - - - - - - .
' . . '
.-6; - - - - - .. -:·- .. .. - - .. - -
a)
328 Cálculo Numérico
12 · · · · · · · · · · · · ·· · · · • • • • • • . ...... . . . . . . . ········· .
.
.. .. .. . .. . .:,. . . . .. .. • � . .. .. .. .. . . . - . .. .. ... .. -' · · .. ... . .. .. .. .. .. .. . _ .. ..;.. � �
! � l ! i
• . . .. . .. . .. .. ... .. .. .. . .. .. ... .. ... 4 .. .. ... .. ... .. ..
· ·
•
º --- ---
. .
1 .oe 1 .44 1 .e
b)
e)
Figura 7.23
Seja f(x) definida em :xo, x11 , Xn (n + 1) pontos distintos de um intervalo [a, b].
Interpolação de funções
•••
Existência e Unicidade
Seja f(x) definida em Xo, x1, ... , Xn (n + 1) pontos distintos de um intervalo [a, b],
então existe um único polinómio Pn(x) de grau menor ou igual a n, tal que
P n (x; ) = f(x; ) i = O, l, ... , n.
Utiliza-se neste trabalho três fórmulas interpolatórias: Lagrange, Newton
e Newton-Gregory.
Seja f(x) definida em Xo, x1, . .., Xn (n + 1) pontos distintos de um intervalo [a, b].
Fórmula de Lagrange
o o 3
1 3.0 7 4
2 10.0
i=l
Portanto, para determinar os parâmetros ai i l, ... , n, temos de resol-
=
i=l i=l
i=l i=l
i=l
332 Cálculo Numérico
Assim, temos:
m m m m
(L, g1 (x; )g1 (x; ))a1 +(L,g2 (x; )g1 (x; ))a2 + ... + (L, gn (x; )g1 (x; ))an = L, f(x; )g1 (x; )
i=l i=l i=l i=l
m m m m
(L, g1 (x; )g2 (x; ))a1 + (L,g2 (x; )g2 (x; ))a2 + ... + (L, gn (x; )g2 (x; )) an = L, f(x; )g2 (x; )
i=l i=l i=l i=l
m m m m
(L g1 (x; )gn (x; ))a1 +(L, g2 (x; )gn (x; ))a2 + ... + (L, gn (x; )gn (x; ))an = L, f(x; )gn (x; )
i=l i=l i=l i=l
Exemplo 7.18
Seja f(x) tabelada como segue:
o
2.1
4.9
1 2
8.2
3
1 0. 3 44 5
1 16.8
I, x;2 I, x; I, f(x; ) x;
6 6 6
r::i
k=l k=l k=l
=
I, x; I, f(x; )
6 6
6
ª
k=l k=l
9rl56.491
Assim, temos o seguinte sistema de equações lineares:
r55 51 rª2l l
1
=
15 6
{ ª1
Usando o método de eliminação de Gauss, temos:
ª2 = 2.9571
= 2.0905
Manual do Software Numérico 333
Portanto, temos:
i=I
quadrados dos erros superior a este valor obtido.
Podemos, ainda, obter outras aproximações, usando a função hiperbó
lica e a função exponencial da seguinte forma:
a) Caso hiperbólico
1
Considere a função g(x) = para ser ajustada aos dados do problema.
a1 x + a2
Neste caso, como a função g(x) não é linear nos parâmetros a 1 e a2, o
sistema obtido por:
( :L xn a1 + ( L xi )a2 = :L �
m m m
( L xJ a 1 + m(a2 ) :L
m
1 m
= -
b) Caso exponencial
Podemos considerar uma função na forma g(x) = a(bt com os parâmetros
"a" e "b" positivos, para ser ajustada aos dados do problema.
O método dos mínimos quadrados desenvolvido anteriormente pode
ser usado fazendo a seguinte transformação:
Definindo-se:
temos que h(x) é uma combinação linear das funções g1 (x) = x e g 2 (x) = l,
isto é, h(x) = a 1 g 1 (x) + a 2 g 2 (x).
Desta forma, obtemos o seguinte sistema de equações normais:
m(a2 ) = L ln(f(xJ)
m
i=l
Os parâmetros a 1 e a2 obtidos na resolução do sistema linear de equa
ções resolvem o problema
L
m
Neste módulo, o usuário tem à sua disposição métodos numéricos para inte
gração de funções. Nesta opção, estão disponíveis as regras de integração de
Newton-Cotes, ou seja: Regra dos Trapézios, Regra 1/3 de Simpson e Regra
3/8 de Simpson.
Caso a opção seja Pontos Eqüidistantes e Entrar com Pontos, temos uma
janela na qual o usuário deve fornecer os dados X; e os correspondentes f(xi ),
Limpar pontos ou ainda Limpar 1 ponto, conforme janelas da Figura 7.24 a) e b ):
Manual do Software Numérico 335
l ntegr
23.0000
54.0000
1 5. 0000
·5. 0000
a) b)
Figura 7.24
a) b)
Figura 7.25
336 Cálculo Numérico
Caso o usuário deseje a opção Regra 1/3 de Simpson, deve clicar no bo
tão disponível e, neste momento, terá uma janela Verifique as condições do
método, pois não é possível aplicar neste caso a Regra 1 /3 de Simpson, temos
apenas número ímpar de subintervalos, conforme janela da Figura 7.26 a):
a)
b)
Figura 7.26
-uxm
e) d)
e)
Figura 7.27
a)
1- ver r eat
7 .D21
• 1 • t t 1 '
. '
... - - - .- - - • - - -.- - - .- - - .. - - r -
- -
' '
5.81 7
• 1
5.81 7
• • • •
.. - -. - - .- - -
• • 1 • 1 1 •
. . .
• • 1 1 • • ' • • 1 1 1 1 t 1 • f '
' '
- -
'
-
' '
2' .SOS 2'.SOS
• - - ..1 - - - •
.. • - - - .-
.- - - � 1 - - .
• --� .- - - ..• -
- .. -•
·
' - ..� - - - ...
. . j 1 1 1 • • • • 1 1
-
' . ' .-
, • 1 f • •
1 t r 1 r
- - ... - - - .- - - . - - -....: - .- - - .. - - .- -
' .. ' . ' .
. ' .
: - - :- - - : - - � - - :
'
- - -· - - -- - - - -
. . . ' . . . . . . . . . . . . . .
t - - .:· - - : - - � - - : !---�-·� .. : :
1 .404 1 .404 - -
.. .. - - -
..O.S .0.6 -0..3 o 0.3 o.s 0.9 1 .2 1 .$ 1 .8 .o.a.o.6 .o.3 o 0.3 o.e o.9 1 .2 1 s 1 .s
(7.3891)
b)
e)
Figura 28
7.29 b) e c):
340 Cálculo Numérico
a) b)
·1 .GOllO Cl.8819
.0.&&81 1Jn34
-o.3333 j1.2165
,, .•
-
0.(111)
�3333 1.8&
e) d)
Manual do Software Numérico 341
M6todo
Regra 1 fJ de Silpson
e) f)
Figura 7.29
7 D21 t- -�- - - �
• '
- - �-
•
- -� .. -� - -.-:- -- �-- !- - -�
1 � • • •
• • • 1 1 • • •
' '
1 1 1 1 • j i 1 •
'
• • ' 1 ' • • •
'
'
41'3 ! · ·�- � · � · ·� - - � · =- · · : · .· · ·� ·
• • • 1 1
..
1 1 • 1 1 1 1 •
..
• • • • 1 ' ' • • • • 1 1 •
'
• • 1 • • • • 4
;- -+-- : -- �- -- :- - ; - - . � :
' '
- - !. - - -
. . . . . '
-
2.sae
• • • • 1 • • •
2.8118
�- -+--:--i-- -:·-�-- . - �--�--�-
• • f 1 . . . . . ..
1 1 1 1 1 • 1 t 1 1 1 1 t 1 t
'
' 1 '
. . . . . . . . .
'� !--� ; .. �
• •
...
•
.. .
•
. ·1_..; ; ... �,.--�·
1 •
....
• • �
1 .404 :' · ·�···�··
1 •
t·· •
·:• ··�""
•
? · · �-• - ·�• -
•
1 • • 1 t • • 1 • 1 1 1 t 1 • t
a) b)
e)
Figura 7.30
Aviso
a) b)
1 .5000
1.11000 34..0000
3.0CO> -10.�
e) d)
Figura 7.31
lntegreç&o
1 .0000
0.6687
jo.2857 -
3.0000 0. 3333
3.5000
a) b)
344 Cálculo Numérico
e)
Figura 7.32
a)
b)
� L i mi tante erro !
1 - Valor • 1 - m6iato da d811v-&t.la •
Supen or para o _
.. 1 1 •
. ' . . ' .
• 1 • 1
' .
0.781 • 1 1 •
0 .781 1 • • •
- - - - ... ... ... ... - - - -- - - ... ... ... ....... ... - - - - .... - - - - -
.. 1 1 •
• 1 • •
. . .
4 f 1 1 1 1 • 1
. .
.. •
.... ·� - - - · · -=- - -
0.586 . . ·:- . ·:· ·:· . .. . . . ...: - o ses • • · � • • • • · ·:· • · • • • -:· • • • • • <· • • • • •
1 t •
. . . .. . . .. . . . . . ... .
!
•
:
1 1
: :
' 1
'
'
'
•
.
•
.
0..391 .. . . .. -� · - - · · ·:
. '
. . . . . .. .. :.. . . .. - - ..! - - - .. .
.
.
º'.391 -- .. .. .. + - - - - · �- - - - - .
' ' . .
: ' . .
- - -� - - - - - �- - - - - - � - - - - - - -- -:- - - - - - - - - - -
' . . . . .
' .
' . .
1 .5 2 2.5 3 1 .5 2 2.5 3
e)
d)
Figura 7.33
J J Pn ( x ) d x
b b
f(x)dx =
a a
n! h"
Sabe-se, da interpolação polinomial, que,
onde
Manual do Software Numérico 347
� � o
Xo
i=I 12
Xo Xo o
E 2 = - h5 f ( Ç ) x0 :::; Ç :::; X2
(4)
90
{I I
s
}
h
I E2 I :::; 90 máx f ( x ) , x0 :::; x :::; x2
Assim:
Considere f(x) definida [a, b]. Neste intervalo, considere os pontos Xo, Xv x21 x3
eqüidistantes. O polinómio interpolador neste caso é de grau n 3. =
Assim:
3
J f(x) dx := J P3 (x) dx = hJ P3 (u) du
� �
� � o
temos:
3 (4)
E3 = -- h5 f (Ç)
80
J f(x) dx = -83 h [f(x0 ) + 3f(x1 ) + 3f(x2 ) + f(x3 ) ] + -83 h [f(x3 ) + 3f(x4 )+ 3f(x5 ) + f(x6 )] +
�
3 3
+...+ h [f(x0_3 ) + 3f(x0_2 ) + 3f(x0_1 )+ f(x0 )] = h [f(x0 )+ 3(f(x1 )+ f(x2 )+
B B
+ f(x 4 )+ ... + f(x0_2 ) + f(x 0_1 )) + 2(f(x3 )+ f(x6 ) + ... + f(x0_3 )) + f(x0 )]
Exemplo 7.19
o
de Simpson e regra 3/8 de Simpson e um limitante superior para o erro em
cada uma delas.
Tabelando a função com h 1 /6, temos:
=
JEr J S
{I I
h4 (4)
80 (xn - Xo ) máx f(x) ,
J E1 1 S 0.00003
7 5 6 Módulo equações diferenciais
. .
Neste módulo, o usuário tem a sua disposição métodos numéricos para reso
{
lução de equações diferenciais ordinárias de 1 ordem com valor inicial (PVI):
li
y ' = f(x, y)
y(x o ) = y 0 � valor inicial
O usuário pode, ainda, Limpar tudo, conforme pode ser observado nas
janelas da Figura 7.34 a) e b):
a) b)
Figura 7.34
a) b)
354 Cálculo Numérico
Temos o resultado desejado y("4) = y(0.4), conforme janela da Figura 7.35 c):
e)
)(
• Y()() • pinos
1 .45 - - - - - - - r - - - - - - � - - - - - - - • - - - - - - � -- - - -- - 1 - - - - - - {- - - - - - - t - - - - - - - r - - - - - - i - - - - - -
� ' • f t • ' • •
• 1 • • 1 t • 1 1 1
" '
• · • • �1
. ..
r: - - - :: - - - - - ·:-: - - :: - - :: - : - - - - := - - .. - ::
1 A
1 t • 1 t •
... .. .. .. ... .. .. "' ..
f 1 • •
- ... - - �1 - - - - · - - �• .. ... ... - - - -:• .. - - - - · t - - ·: - - - •: - - :.. -- - - .. - - �'
'
1 .SS. � -- - - - · - � - �- - ·---- · - - - -� -
'
� : :· : 1 : : ..•. . .r : : :
... - - - - - - -
13 · - -
:: - - - - - :- : - - - - - · :: - - - - - - ·r ...
12 .. - - - - - - - - - - - - - - r --- - - - : - - -- -
. .. 1 • • 1 • 1 • • • '
1 .1 5 � - - - - - ;. .. - - - - - �- - - - - - - r - - - - - - � - - - - - - - - - - - : - - - - - ·- i- - - -
'
... ... T - - - - - - - -� - - - - - - : - - - - - - �
: :
1 .1 � .. .. - - - - � .. .. . -
-
: : :
.. - :-
: -
: :
- - - · - .. :- - - .. - - - � - - .. .. - ... t - - - .. .. -!'-· .. - - - - + - - - - .. - - - -
::
- -
:
- - - - - - ! .. - - - - - -
::
1 • • • 1 • 1 • • •
1 1 1 Ir • • • 1 • ,. •
"
1 A)5; • • "' .. · � - 00:• "' '" - .. · ?" - · � � · · · · - -=- - -+ · · ·· ·:- · - - - � .. ... '"' "' :
o.'2
.. . .. .. ... .. .. .. .. . .. ... .. .. . . .. . . .. .. .. ... .. .. ... .. . ... .. .. ... ...
• • • • 1 • • 1 • • •
• • • • • • • 1 • • •
d)
Figura 7.35
a)
1 • • 1 • t 1 •
1 • • • 1 1 1 t
'
'
1 AS .... .. . .. .. .. · � · · · ·· -- � · • • 1! ,. 1 • • .,. - - - � • • • • ""!· • • · • - · t · ,. .. • ·� · · "• • '( • • • · -·
1 • • • 1 • •
, .. - - - .. .. .. -
1 ,4 : : ..;, . . . . .. . � .. . .. .. .. .. .. : .. · · · �· - · - · - - � - - - · ·� - · A- ,.
' '
• • • • • • 1
1 .35 ;- · - · - - -�- ---- -t- - - - - - 1 - · - - - - -r - - - - · - �- - - - - -- r - - - - - - �- - . - - � - - - - - - ·
'
.. ------
t .s - .. - - - .. - � - .. - -- - � - - - .. - �
. - - - - - - - -t -
- - : - - .. - .. - - t .. - - . - -
• • 1 • • • •
- • • • • • • • • • • • • • • • • • . - . • • . • . • • • • . . . • . • . • . • • • • • • • . • •
1 .1 !1 :- - - - - - - : - - - - - - �- - - · - - � - -
' ·1 ;·······;······:
' . .
• • • • • f '
..
o OJl4 O.D8 0.1:2 0.16 0.2 O.::M 0.28 0.32 D.316 0.4
b)
e)
356 Cálculo Numérico
1 .31 � f • 1 •
-
1 �S
t • •
t • 1 1
'
. . .
. . '
. . '
. . '
. . '
. . '
d)
OIC
e)
Figura 7.36
o o.mm 1 .cml
- --
1 0. 1 000 u reo
2 0. 2000 1 .221 0
-
3 '0. ml 1 . 3492
4 1 .4909
a)
b)
Figura 7.37
{
Considere a equação diferencial orctinária de 1 ª ordem com valor inicial (PVI):
y ' = f(x, y)
y(xo ) = yo
Resolver a equação diferencial consiste em determinar uma função y(x) que satis
faça a equação dada. Um método numérico para resolver esta equação consiste
em determinar aproximações Yn para y(xn) onde Xn = Xo + nh n = O, 1, 2, ...
358 Cálculo Numérico
Métodos de Runge-Kutta:
P ordem - método de Euler
O método de Euler consiste em determinarmos as aproximações Yn para y(xn)
da seguinte forma:
h
Yn+l = Yn + 2 (k1 + k2 }
com k 1 = f(x n , Y n }
k 2 = f(x 0 + h, Yn + hk1 }
k1 = f(X0 , Yn }
com
1 1
k2 = f(xn + - h, Yn +- hk1 }
2 2
k 3 = f(X0 + 4 h, Yn + 4 hk 2 }
3 3
4ª ordem
No método de Runge-Kutta de 4ª ordem, utilizamos a seguinte expressão:
Manual do Software Numérico 359
com
kl = f(xn , Yn )
1 h
k2 = f(xn + 2 h, Yn + 2 ki )
1 h
k3 = f(xn + - h, Yn + - k2 )
2 2
k4 = f(xn + h, Yn + hk3 )
Exemplo 7.20
{
Considere a equação diferencial de 1 il ordem com valor inicial:
y ' = - xy
y(O) = 1
y(0.2) = Y2 = 0.9900
y(0.1) = Y1 = 1 .000
y(0.4) = y4 = 0.9411
y(0.3) ::: y3 0.9702
=
y(0.5) = 0.9035
b) Método de Runge-Kutta de 4il ordem
y(O) 1
=
y(0.3) = y3 = 0.9560
y(0.2) = Y2 0.9802
=
Unicamp, 2000.
7. DAREZZO, A. F.; LAZARINI, C.; MILANI, D. M.; FERRARI, L. M.; ARE
NALES, S. H. V. Notas de Cálculo Numérico. Publicação do Departamento de
Matemática-UFSCar, 1992.
8. DEMIOOVICH, B. P.; MARON, 1. A. Computational Mathematics. Moscou:
Mir Publishers, 1976.
9. DURAND, E. Solutions Numériques Des Équations Algébriques - Vol. 1 .
Paris: Masson et Cie É diteurs, 1971 .
10. FORSYTHE, G. E.; MOLER, C. V. Computer Solution of Linear Algebraic.
Systems. Englewood Cliffs: Prentice Hall, 1967.
11. ISAACSON, E.; KELLER, H. B. Analysis ofNumerical Methods. Nova York:
John Wiley, 1966.
361
362 Cálculo Numérico
lodice Remissivo
A parcial, 38
Ajuste total, 41
exponencial, 176 Equações diferenciais (solução numérica)
hiperbólico, 171 método de Euler Aperfeiçoado, 253
polinomial (caso discreto), 158 método de Euler modificado, 257
trigonométrico, 167 método de Euler, 244
Aproximações Sucessivas (método), 80 método previsor-corretor, 269
métodos de Runge-Kutta, 251
B Equações normais (sistemas), 161
Binário (sistema), 2 Equações polinomiais, 96
Bisseção (método), 76 Erros
absoluto, 10
e arredondamento, 10
Cholesky (método), 30 Euler (método), 244
Critério de Sassenfeld, 60 Mínimos quadrados, 160
Critério de parada, 56 na integração numérica, 192
na interpolação, 130
D propagação de erros, 14
Determinante de Vandermonde, 129 relativo, 11
Diagonalmente dominante, 55 truncamento, 12
Descartes (regra de sinais), 100 Estimativa do número de iterações (método
Diferenças da Bisseção), 78
divididas (operador), 141 Estudo da convergência (sistemas lineares), 55
finitas (operador), 149
F
Descrição breve dos métodos (usados no
Software Numérico) Fórmulas de Newton-Cotes, 191
Módulo Aproximação de funções, 331 Fórmula de Lagrange, 132
Módulo Equações diferenciais Fórmula de Newton, 141
ordinárias, 357 Fórmula de Newton-Gregory, 153
Módulo Integração Numérica, 346
Módulo Inversa de matriz, 306 G
Módulo Raízes de funções, 317 Gauss (método de eliminação), 34
Módulo Sistemas lineares, 294 Gaussiana (quadratura), 216
Gauss-Seidel (método iterativo), 58
E
Eliminação de Gauss (método), 34 1
diagonal, 34 Integração Numérica
estratégias de pivotamento, 34 regra dos trapézios, 193
363
364 Cálculo Numérico