Você está na página 1de 64

Métodos Numéricos

Métodos Numéricos
com aplicações computacionais no
Matlab®

Profa. Patrícia Guimarães Abramof

Julho de 2007
MÉTODOS NUMÉRICOS

Apresentação do Curso

Objetivo
Estudar métodos numéricos seus fundamentos teóricos analisando suas vantagens e
desvantagens na resolução de problemas de aplicação da Matemática, Física e Engenharia.

Justificativa
Os métodos numéricos propostos para este curso auxiliam na resolução de
problemas de aplicação em engenharia como exemplo:
 Pesquisa Operacional
 Dimensionamento e Simulação de Sistemas
 Otimização de Sistemas
 Controle de Sistemas

Programa
Considerações Gerais sobre Métodos Numéricos
Erros e Aproximações Numéricas
Raízes de Funções Reais
Interpolação Numérica
Integração Numérica
Sistemas de Equações Lineares
Equações Diferenciais Ordinárias

Metodologia
Aulas de teoria
Aulas de exercícios
Aulas de aplicação

patricia.abramof@etep.edu.br
Critério de avaliação
Trabalhos da aplicação, exercícios e avaliações individuais.

Pontuação
Nas U1 e U2:
80% Avaliações
20% Exercícios

AD1 e AD2: Trabalho de aplicação

Bibliografia
RUGGIERO, Márcia A.G.; LOPES, Vera L.R. Cálculo Numérico: Aspectos Teóricos e
Computacionais. MAKRON Books do Brasil Editora Ltda, 1996.

patricia.abramof@etep.edu.br
ÍNDICE

AULA 1 ..................................................................................................................................6
INTRODUÇÃO ......................................................................................................................6
Métodos Numéricos ............................................................................................................6
Resolução de Problemas .....................................................................................................7
AULA 2 ..................................................................................................................................9
NOÇÕES SOBRE ERROS.....................................................................................................9
ERRO ABSOLUTO ( ( ) ) ..................................................................................................9
EA
ERROS DE TRUNCAMENTO............................................................................................10
EXERCÍCIOS .......................................................................................................................14
AULA 3 ................................................................................................................................15
DETERMINAÇÃO DE RAÍZES DE FUNÇÕES REAIS ...................................................15
Introdução .........................................................................................................................15
FASE 1: ISOLAMENTO DE RAÍZES.................................................................................15
FASE 2: REFINAMENTO ...................................................................................................18
MÉTODO DA BISSECÇÃO................................................................................................18
MÉTODO DE NEWTON-RAPHSON.................................................................................21
MÉTODO DA SECANTE....................................................................................................25
EXERCÍCIO .........................................................................................................................27
AULA 4 ................................................................................................................................28
INTERPOLAÇÃO ................................................................................................................28
O CONCEITO DE INTERPOLAÇÃO.................................................................................28
INTERPOLAÇÃO POLINOMIAL - POLINÔMIO DE LAGRANGE................................29
EXERCÍCIOS .......................................................................................................................33
FUNÇÃO SPLINE INTERPOLANTE.................................................................................34
SPLINE LINEAR INTERPOLANTE...................................................................................34
SPLINE CÚBICA INTERPOLANTE ..................................................................................36
Função de interpolação no Matlab ....................................................................................36
EXERCÍCIOS .......................................................................................................................38
AULA 5 ................................................................................................................................41
INTEGRAÇÃO NUMÉRICA ..............................................................................................41
REGRA DO TRAPÉZIO ......................................................................................................41
EXERCÍCIOS .......................................................................................................................44
REGRA DE SIMPSON ........................................................................................................44
EXERCÍCIOS .......................................................................................................................46
AULA 6 ................................................................................................................................47
RESOLUÇÃO DE SISTEMAS LINEARES........................................................................47
Introdução .........................................................................................................................47
MÉTODO ITERATIVO DE GAUSS-JACOBI E GAUSS-SEIDEL ...................................47
Critério de convergência ...................................................................................................49
Critério de parada..............................................................................................................49
Programa em Matlab para solução por Gaus-Jacobi.........................................................51

4 patricia.abramof@etep.edu.br
EXERCÍCIOS .......................................................................................................................52
AULA 7 ................................................................................................................................53
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS - EDO ........................................................53
PROBLEMA DE VALOR INICIAL – EDO DE PRIMEIRA ORDEM ..............................53
MÉTODO DE EULER .........................................................................................................53
EXERCÍCIOS .......................................................................................................................55
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS....................................................................56
MÉTODOS DE RUNGE-KUTTA .......................................................................................56
Métodos de Passo Simples................................................................................................56
PROBLEMA DE VALOR INICIAL – PVI..........................................................................56
MÉTODO DE RUNGE-KUTTA DE QUARTA ORDEM ..................................................56
EXERCÍCIOS .......................................................................................................................59
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS DE ORDEM SUPERIOR..........................60
MÉTODO DE RUNGE-KUTTA .........................................................................................60
Método de Quarta Ordem .................................................................................................60
Exemplo de aplicação - Vibração Forçada a Um Grau de Liberdade...............................61
BIBLIOGRAFIA...................................................................................................................64

5 patricia.abramof@etep.edu.br
AULA 1

INTRODUÇÃO

Considerações Históricas
Os métodos numéricos são antigos e têm um das primeiras exemplares anotações do
século 12a.c que tratam de métodos de contagem em base quinária.
Os babilônios sintetizaram um sistema eficaz de numeração baseado na mudança de
posição dos símbolos, além disso, por volta do séc 4a.c, desenvolveram complexos
processos algoritmos como, por exemplo, a extração de raiz quadrada, o que é atribuída a
homens que viveram bem mais tarde (veja BOYER, Carl; História da Matemática).
Os hindus ficam com a criação do sistema decimal e do zero já que os babilônios
não chegaram a uma definição sobre o mesmo.
Modernamente surgiram os matemáticos: Gauss, D’Lambert, Laplace, Lagrange,
Paschoal, Newton, Stiling e outros.
Atualmente, com a invenção e o aperfeiçoamento das máquinas de cálculo e dos
aplicativos e programas computacionais, os métodos numéricos são aplicados em várias
áreas, entre elas, a engenharia.
Assim, pode-se dizer que o cálculo numérico visa diretamente aplicações e contenta-se com
métodos, valores e resultados aproximados, que não é tão rigoroso em relação aos conceitos
como o cálculo ordinário e que comete corretamente o erro, pois se tem o conhecimento da
ordem de grandeza do erro cometido.
Métodos Numéricos
São o conjunto de processos que, isolados ou combinados, nos conduzem a soluções
particulares de um certo problema, e esse conjunto de soluções particulares deve levar a
uma solução geral. Os métodos numéricos têm aplicações em Matemática, Física, Biologia,
economia, engenharia, etc.
O cálculo numérico tem uma infinidade de métodos numéricos para a resolução de
um mesmo problema. Para a escolha do mais eficiente, deve-se obedecer a três seguintes
critérios:
 Previsão de resultados

6 patricia.abramof@etep.edu.br
 Capacidade de conduzir os resultados desejados
 Esforço de cálculo despendido para a obtenção dos resultados
Métodos numéricos de aparência inocente podem ser bem trabalhosos quando
executados manualmente. É aí que o computador se torna útil pela sua velocidade e pela sua
capacidade de executar automaticamente um conjunto de instruções chamado programa.
A qualidade dos resultados obtidos depende da capacidade e do bom senso de quem
utiliza os métodos. O acúmulo de erros de truncamento é agravado, geralmente, pelo
número elevado de operações, que pode chegar a inutilizar os resultados. Por isso se torna
imperativo a necessidade de criação de métodos cada vez mais eficientes.

Resolução de Problemas
A resolução de problemas utilizando métodos numéricos envolve várias fases que
podem ser assim estruturadas:

7 patricia.abramof@etep.edu.br
Observamos que não é raro acontecer que os resultados finais de um processo desse
tipo estejam distantes do que se esperaria obter ainda que todas as fases de resolução
tenham sido realizadas corretamente. Isto pode ocorrer devido a motivos anteriormente
abordados como, por exemplo:
 Precisão de dados de entrada
 Forma de como estes dados foram representados no computador
 Tipo e ordem das operações efetuadas
Por outro lado os métodos numéricos apresentam-se como ricos instrumentos de
resolução de problemas de diversas áreas como a física, a matemática pura ou aplicada,
engenharia, economia biologia, computação aplicada etc.

8 patricia.abramof@etep.edu.br
AULA 2

NOÇÕES SOBRE ERROS

Motivos que tornam o cálculo numérico aproximado


 Uso de dados provenientes de tabelas.
 Uso de dados inexatos pela própria natureza matemática dos mesmos, exemplo:

 números irracionais: 2, π
 números transcendentes: sin x , cos x , tan x
 dízimas periódicas: 0,4545....
 Uso de dados provenientes de medidas com erros devido à constituição do aparelho.
 Uso de dados inexatos pela supressão de algarismos.
 Métodos ou fórmulas aproximadas.
 Ordem de cálculo nas operações.
 Uso de rotinas não adequadas.

E( A )
ERRO ABSOLUTO ( )

O erro absoluto E para um valor aproximado A de um número A exato, será:

Se
E (A )〈 0 → A - A〈0 → A〈 A (erro por excesso)

Se
E (A )〉 0 → A - A 〉 0 → A〉 A (erro por falta)

Propriedade

Multiplicando-se ou dividindo-se o número aproximado A por um número inteiro, exato e diferente


de zero, o erro absoluto fica multiplicado ou dividido por este número.
A e B=KA

A e B = KA onde k é inteiro

E( B) = KA − KA = K( A − A )

A − A = E( A)
como então

9 patricia.abramof@etep.edu.br
E( B) = KE( A )

E R (A )
ERRO RELATIVO ( )

O erro relativo ER para um valor aproximado A de um número A exato, será:

( )
ER A =
( )
E A
A ou

A− A
ER (A ) =
A

Propriedade

Multiplicando-se ou dividindo-se o número aproximado A por um número inteiro, exato e diferente


de zero, o erro relativo fica inalterado.
A e B=KA

A e B = KA onde k é inteiro

A− A
ER (A ) =
como A então

KA − KA K .(A − A )
ER (B ) = =
A KA
A− A
E R (B ) =
Portanto: A .

ERROS DE TRUNCAMENTO
São erros provenientes de utilização de processos que deveriam ser infinitos ou
muito grandes para a determinação de um valor e que, por razões práticas, são truncados.
Estes processos infinitos são muito usados, por exemplo, na determinação de valores
para funções matemáticas, tais como, exponenciais, logarítmicas, trigonométricas e outras.
São exemplos de processos infinitos, as séries de potência utilizadas para calcular
valores de uma grande variedade de funções.
A série de Taylor consiste em expandir uma função f(x) em uma série de potência em (x-a)
dada pela forma:

10 patricia.abramof@etep.edu.br
f ′′(a ) f ′′′(a )
f ( x) = f (a ) + f ′(a ).( x − a ) + .( x − a ) 2 + .( x − a ) 3 + .........
2! 3!

Para que uma função seja representada pela série de Taylor é necessário que a
função e suas derivadas existam no ponto x=a .
A existência de tal função, no entanto, não assegura esta representação, é necessário que se
faça estudos de convergência da série para que o desenvolvimento da série seja garantido.
Para a=0 a série de Taylor transforma-se na série de McLaurin que é dada por:

f ′′( 0 ) 2 f ′′′( 0 ) 3
f ( x ) = f ( 0 ) + f ′( 0 ).x + .x + .x + .........
2! 3!

Em se tratando de obter valores, processos infinitos deverão ser interrompidos e


portanto tornarem-se finitos. Ao interromper o processo infinito introduz-se então o que
chamamos de erro de truncamento. De modo geral, pode-se dizer que o erro de truncamento
deve ser avaliado e controlado a partir de uma precisão prefixada.

Exemplo:
a) Obtenha a série de McLaurin para a f ( x) = e x .
b) Considerando o intervalo [-1,1], faça o gráfico das aproximações n=2, 3 e 12 usando
Matlab.
c) Calcule o valor da f(x) em x=0,5 nas aproximações propostas acima.
d) Quantos termos do desenvolvimento devem ser utilizados para que o cálculo da função
−8
com precisão ε ≤ 0 ,5 × 10 nos intervalos [0 , 1] e [1 , 10].
−8
e) Calcule o valor da f(x) em x=0,5 com precisão ε ≤ 0 ,5 × 10 .

Solução
a) Desenvolvendo a função em série de potência temos:

x2 x3
f ( x ) =1+ x + + +L - ∞ < x < +∞
2! 3!

11 patricia.abramof@etep.edu.br

x n −1
f(x)=∑ - ∞ < x < +∞
ou i =1 (n − 1)!

Para n=2 temos:


f ( x )≅1+ x

x2
f( x )≅1+ x +
Para n=3 temos: 2

x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 10 x 11
f ( x )≅1+ x + + + + + + + + + +
Para n=12 temos: 2! 3! 4! 5! 6! 2! 8! 9! 10! 11!

b) Programa em Matlab para produção gráfica

12 patricia.abramof@etep.edu.br
Funçao Exponencial
8

5 Funçao
n=2
n=3
4 n=12
y

0
-1 -0.5 0 0.5 1 1.5 2
x

Gráfico das aproximações n= 2, 3 e 12

c) Para n=2
f ( x ) ≅ 1 + x portanto f ( 0 ,5 ) ≅ 1,5

x2
f( x )≅1+ x +
Para n=3 2 portanto f ( x ) ≅ 1.64583333

x 2 x3 x 4 x 5 x 6 x 7 x8 x 9 x10 x11
f ( x ) ≅ 1+ x + + + + + + + + + +
Para n=12 2! 3! 4! 5! 6! 2! 8! 9! 10! 11! portanto
f ( x ) ≅ 1.64872127 .

d) A forma mais geral a série de Taylor para uma f(x) é dada por :
f ′′(a) f ′′′( a) f ( n)
(a + θ.( x − a)) 0 < θ < 1. O
f ( x) = f ( a) + f ′(a ).( x − a) + .( x − a) 2 + .( x − a ) 3 + L + .( x − a ) n onde
2! 3! n!
último termo da expressão é chamado de termo remanescente ou resto da série para f(x) quando aproximamos
a função por uma soma de finitos termos.

No caso da
f ( x ) = e x a expressão geral da série será:

x2 x3 x n−1 xn
f ( x) = 1 + x + + +L + + e θ. x - ∞ < x < +∞ e 0 < θ < 1
2! 3! (n − 1)! n!

x n θ .x xn x
e e
O resto será portanto n! . O limite superior no valor deste resto será com θ = 1 , isto é: n! , mas

13 patricia.abramof@etep.edu.br
 xn x   xn x 
   e 
 n! e   n! 
    xn
<ε < 0 ,5 × 10 −8
< 0 ,5 × 10 −8
queremos que
f ( x ) ou ex ou n! .

Para x < 1 temos: n=12.


Para x < 10 temos: n=41.

e) Para x=0.5, n=12 e


f ( x ) ≅ 1.64872127 .

EXERCÍCIOS
Dadas as funções:
1) f ( x) = sin x , [− 2π,2π] , x = π / 4

2) f ( x) = cos x , [− 2π,2π] , x = π / 4

3) f ( x) = sinh x , [− 2π,2π] , x = π / 4

4) f ( x) = cosh x , [− 5,5] , x = 0,5

5) f ( x) = 2 x , [− 5,5] , x = 0,5

6) f ( x) = 2 − x , [− 5,5] , x = 0,5

7) f ( x) = ln (x − 1) , [1,5 , 10] , x = 2

8) f ( x) = log( x + 1) , [− 0,5 , 10] , x = 2,5


Pede-se:
a) Obtenha a série de McLaurin em cada caso.
b) Faça o gráfico das aproximações n=2, 3 e 12 usando Matlab, no intervalo indicado.
c) Calcule o valor da f(x) nas aproximações propostas acima, nos pontos indicados.
c) Quantos termos do desenvolvimento devem ser utilizados para que o cálculo da função
com precisão ε ≤ 1,0 × 10 −9 .

d) Calcule o valor da f(x) com precisão ε ≤ 1,0 × 10 −9 no ponto indicado.

14 patricia.abramof@etep.edu.br
AULA 3

DETERMINAÇÃO DE RAÍZES DE FUNÇÕES REAIS

Introdução
Nas diversas áreas das ciências exatas ocorrem situações que envolvem a resolução de equações do
tipo f(x)=0.
Nosso objetivo será determinar as raízes reais da f(x), ou seja, determinar xi tal que f(xi)=0.

f(x) f(x)

a ξ b x a ξ b x

Para determinar estas raízes utilizaremos métodos numéricos que se apresentam em duas fases:
- Fase 1: isolamento de raízes

- Fase 2: determinação de raízes com ε precisão prefixada.

FASE 1: ISOLAMENTO DE RAÍZES


Esta fase consiste em localizar a raiz, isto é, obter o intervalo que a contém. Para esta fase
utilizaremos análise numérica e/ou análise gráfica da função.
ANÁLISE NUMÉRICA
Para fazer a análise numérica da função com o objetivo de isolar as raízes utiliza-se o
seguinte teorema:

TEOREMA
Seja f(x) uma função contínua num intervalo [a,b].

Se
f (a ). f (b) < 0 então existe um ponto
x = xi entre a e b que é raiz da função.

15 patricia.abramof@etep.edu.br
f(x)
f(a)<0
f(b)>0

⇒ f(a).f(b)<0
a ξ b x

f(x)
f(a)>0
f(b)<0

a ξ b x ⇒ f(a).f(b)<0

ANÁLISE GRÁFICA
A análise gráfica da f(x) é fundamental para obter boa aproximação. Nesta análise utilizaremos o
seguinte processo:
- A partir da equação f(x)=0, obtém-se a equação equivalente g(x)=h(x) dada f(x)=g(x)-h(x), Esboça-
se o gráfico da g(x) e da h(x) no mesmo eixo cartesiano e identifica-se o intervalo onde as duas funções se
interceptam, isto é, o zero da f(x).

EXEMPLO: Dada f ( x) = x 3 − 9 x + 3 determine os intervalos das raízes reais da função.


f ( x ) = g ( x ) − h( x )
f ( x) = x 3 − (9 x − 3)
para f ( x) = 0
x 3 − (9 x − 3) = 0
x3 = 9x − 3

16 patricia.abramof@etep.edu.br
Determinação dos intervalos das raízes pelo método numérico
-7 -277
-6 -159
-5 -77
-4 -25
-3 3 [-4,-3]
-2 13
-1 11
0 3
[0,1]
1 -5
2 -7
3 3
[2,3]
4 31
5 83
6 165
7 283
Determinação dos intervalos das raízes pelo método gráfico

17 patricia.abramof@etep.edu.br
FASE 2: REFINAMENTO
Para obter as raízes com aproximação prefixada ε , utilizaremos métodos numéricos iterativos:
Método da Bissecção, Método de Newton-Raphison e o Método da Secante.
Um método iterativo consiste em uma seqüência de instruções que são executadas passo a passo, algumas
repetidas em ciclos.

MÉTODO DA BISSECÇÃO
Seja a função f(x) contínua no intervalo [a,b] tal que f(a).f(b)<0 , e no intervalo [a,b] contenha apenas
uma única raiz da f(x).

O método consiste em aproximar para o valor da raiz xi pela bissecção do intervalo até que
f ( xi ) ≤ ε .
(Critério de Parada)
f(a)< 0
f (b) > 0
a 0 + b0
x0 =
2
f ( x0 ) < 0 a = x0 = a1 e b = b0
Se então

f ( a1 ) < 0
f (b) > 0
a1 + b0
x1 =
2
Se
f ( x1 ) > 0 então
a = a1 e b = x1 = b1

18 patricia.abramof@etep.edu.br
f ( a1 ) < 0
f ( b1 ) > 0
a1 + b1
x2 =
2
Se
f ( x2 ) > 0 então
a = a1 e b = x 2 = b2

f ( a1 ) < 0
f ( b2 ) > 0
a1 + b2
x3 =
2
f ( x3 ) < 0 a = x3 = a 2 e b = b2
Se então

f ( a2 ) < 0
f ( b2 ) > 0
a 2 + b2
x4 =
2
f ( x4 ) < 0 a = x 4 = a3 e b = b2
Se então

M
M
M
EXEMPLO

Determine as raízes da função pelo método da bissecção


f ( x ) = x 3 − 9 x + 3 com ε ≤ 10 −2

Solução:
Os intervalos das raízes já foram anteriormente determinados: [-4,-3], [0,1] e [2,3].

Raiz no intervalo [-4,-3]

f(ai)<0 e f(bi)>0 teste: f(a)*f(b)<0

i ai bi xi=(ai+bi)/2 f(xi)

1 -4 -3 -3,5 -8,375

19 patricia.abramof@etep.edu.br
2 -3,5 -3 -3,25 -2,078125

3 -3,25 -3 -3,125 0,607421875

4 -3,25 -3,125 -3,1875 -0,697998047

5 -3,1875 -3,125 -3,15625 -0,03604126

6 -3,15625 -3,125 -3,140625 0,28799057

7 -3,15625 -3,140625 -3,1484375 0,126551151

8 -3,15625 -3,1484375 -3,1523438 0,045399249

9 -3,15625 -3,1523438 -3,1542969 0,004715092

Raiz no intervalo [0,1]

f(ai)>0 e f(bi)<0 teste: f(a)*f(b)<0

i ai bi xi=(ai+bi)/2 f(xi)

1 0 1 0,5 -1,375

2 0 0,5 0,25 0,765625

3 0,25 0,5 0,375 -0,322265625

4 0,25 0,375 0,3125 0,218017578

5 0,3125 0,375 0,34375 -0,053131104

6 0,3125 0,34375 0,328125 0,082202911

7 0,328125 0,34375 0,3359375 0,014474392

8 0,3359375 0,34375 0,33984375 -0,019343913

9 0,3359375 0,3398438 0,33789063 -0,002438627

Raiz no intervalo [2,3]

f(ai)<0 e f(bi)>0 teste: f(a)*f(b)<0

i ai bi xi=(ai+bi)/2 f(xi)

1 2 3 2,5 -3,875

2 2,5 3 2,75 -0,953125

3 2,75 3 2,875 0,888671875

20 patricia.abramof@etep.edu.br
4 2,75 2,875 2,8125 -0,065185547

5 2,8125 2,875 2,84375 0,403411865

6 2,8125 2,84375 2,828125 0,167041779

7 2,8125 2,828125 2,8203125 0,050411701

8 2,8125 2,8203125 2,81640625 -0,007515848

Resposta: As raízes são -3,15±0,01 , 0,34±0,01 e 2,82±0,01

MÉTODO DE NEWTON-RAPHSON
Seja a função f(x) contínua no intervalo [a,b] tal que f(a).f(b)<0 , e no intervalo [a,b] contenha apenas
uma única raiz da f(x).
O método de Newton-Raphson consiste em escolher uma função iteração que acelere a convergência
na determinação das raízes da f(x).
O método de Newton-Raphson é mostrado geometricamente:

Dado ponto (xk,f(xk)) traçamos uma reta Lk(x) tangente à curva de f(x).

Neste caso Lk ( x) = ax + b onde a = f ′( xk )

então Lk ( x) = f ′( xk ) x + b substituindo (xk,f(xk))

teremos f ( xk ) = f ′( xk ) xk + b portanto b = f ( xk ) − f ′( xk ) xk .

A reta tangente será : Lk ( x) = f ′( xk ) x + f ( xk ) − f ′( xk ) xk isto é:

Lk ( x) = + f ( xk ) + f ′( xk )( x − xk ) .

Para determinar a raiz de


Lk (x) fazemos
Lk ( x ) = 0 teremos:

21 patricia.abramof@etep.edu.br
f ( xk )
x = xk −
f ′( x k ) onde x será a raiz de
Lk (x) .

f ( xk )
x k +1 = x k −
A seqüência numérica {xk} gerada pelo processo iterativo
f ′( x k ) converge
para a raiz da f(x) com aproximação prefixada ε .
RESUMO
Passo 1: Localizar os intervalos que contenham as raízes, uma a uma.
Passo 2: Determinar os valores dos extremos de cada intervalo [a,b], que contém uma única raiz.
Passo 3: Escolher um valor dentro do intervalo como o primeiro número da seqüência {xk}.

f ( xk )
Passo 4: Calcular xk +1 = xk − .
f ′( xk )

Passo 5: Verificar se
x k +1 está dentro do intervalo [a,b].

x k +1 − x k ≤ ε f ( x k +1 ) ≤ ε ε
Passo 6: Repetir o procedimento até que ou até que onde éa
tolerância.

EXEMPLO
Determine as raízes com aproximação prefixada ε pelo método de Newton-Raphson.

f ( x) = x 3 − 9 x + 3 com ε ≤ 10 −2

Solução:
Os intervalos das raízes já foram anteriormente determinados: [-4,-3], [0,1] e [2,3].

Raiz no intervalo [-4,-3]


x y erro
-3.00000000 3.00000000 3.0000e+000
-3.16666667 -0.25462963 2.5463e-001
-3.15458937 -0.00138392 1.3839e-003
Resposta: -3,15±0,01

22 patricia.abramof@etep.edu.br
Raiz no intervalo [0,1]
x y erro
0.00000000 3.00000000 3.0000e+000
0.33333333 0.03703704 3.7037e-002
0.33760684 0.00001834 1.8341e-005
Resposta: 0,34±0,01

Raiz no intervalo [2,3]


x y erro
2.00000000 -7.00000000 7.0000e+000
4.33333333 45.37037037 4.5370e+001
3.37480438 11.06343569 1.1063e+001
2.93521945 1.87144693 1.8714e+000
2.82413154 0.10729556 1.0730e-001
2.81694359 0.00043737 4.3737e-004
Resposta: 2,82±0,01

PROBLEMAS COM O MÉTODO DE NEWTON

O chute inicial deve estar suficientemente próximo da solução:

O processo iterativo passa por um ponto de máximo ou mínimo local:

23 patricia.abramof@etep.edu.br
O processo iterativo pode entrar em um ciclo que não converge:

Esses problemas podem ser resolvidos com um chute inicial perto da solução, com uma combinação de um
método com convergência global boa (mas lenta) com o método de Newton (convergência global ruim, mas
extremamente rápido quando perto da solução) ou ainda com a utilização de outro método.

24 patricia.abramof@etep.edu.br
MÉTODO DA SECANTE
Seja a função f(x) contínua no intervalo [a,b] tal que f(a).f(b)<0 , e no intervalo [a,b] contenha apenas
uma única raiz da f(x).
O método de Newton-Raphson apresenta uma grande desvantagem que é a necessidade de se obter a
derivada da função envolvida e calcular seu valor a cada iteração. O método da secante é uma modificação do
método de Newton com o propósito de contornar este problema.
O método da secante é mostrado geometricamente:

No método da secante a derivada é substituída pelo quociente das diferenças:

f ( x k ) − f ( x k −1 )
f ′( x k ) ≈
x k − x k −1

onde
x k e x k −1 são duas aproximações para a raiz.
Neste caso a função de iteração fica:

f ( xk )
x k +1 = x k − ( x k - x k −1 )
f ( x k ) − f ( x k −1 )
OBSERVAÇÃO

A partir das duas aproximações


x k e x k −1 o ponto x k +1 é obtido como sendo a abscissa do ponto de
intersecção do eixo x e da reta secante que passa por
( x k −1 , f ( x k −1 )) e ( x k , f ( x k )) .

RESUMO
Passo 1: Determinar os valores dos extremos de cada intervalo [a,b], que contém uma única raiz.
Passo 2: Escolher dois valores dentro do intervalo para as primeiras aproximações da seqüência {xk}..

f ( xk )
x k +1 = x k − ( x k - x k −1 )
Passo 3: Calcular
f ( x k ) − f ( x k −1 ) .

25 patricia.abramof@etep.edu.br
Passo 4: Verificar se
x k +1 está dentro do intervalo [a,b].

x k +1 − x k ≤ ε f ( x k +1 ) ≤ ε ε
Passo 5: Repetir o procedimento até que ou até que onde éa
tolerância.

EXEMPLO

Determine as raízes
f ( x ) = x 3 − 9 x + 3 com ε ≤ 10 −2 utilizando o método da secante.
Solução:
Os intervalos das raízes já foram anteriormente determinados: [-4,-3], [0,1] e [2,3].

Raiz no intervalo [-4,-3]


x y erro
-3.15864622 -0.08614245 8.6142e-002
-3.15441917 0.00216531 2.1653e-003
Resposta: -3,15±0,01

Raiz no intervalo [0,1]


x y erro
0.20508744 1.16283919 1.1628e+000
0.35111112 -0.11671544 1.1672e-001
0.33779147 -0.00158019 1.5802e-003
Resposta: 0,34±0,01
Raiz no intervalo [2,3]
x y erro
2.82466394 0.11524520 1.1525e-001
2.81726706 0.00522737 5.2274e-003
Resposta: 2,82±0,01

26 patricia.abramof@etep.edu.br
EXERCÍCIO
Dadas as funções:

f ( x ) = x − 5e − x com ε ≤ 10 −2

f ( x ) = x log x − 1 com ε ≤ 10 −2

f ( x ) = 0 ,4 x + 0 ,5 − cos 2 x com ε ≤ 10 −2

f ( x ) = 0 ,4 x + 0 ,5 − sen 2 x com ε ≤ 10 −2
2
f ( x ) = e − x − cos x com ε ≤ 10 − 2

f ( x ) = 4 sen x − e x com ε ≤ 10 −2
Pede-se:
a) Faça o gráfico da função.
b) Determine os intervalos de raízes pelos métodos gráfico e numérico.
c) Estime o valor das raízes com tolerância indicada em cada caso, pelos métodos da bissecção, Newton-
Raphson e secante.
d) Compare a resultado e comente.

27 patricia.abramof@etep.edu.br
AULA 4

INTERPOLAÇÃO
A tabela a seguir relaciona calor específico da água e temperatura

T [oC] 20 25 30 35 40 45 50
C 0,99907 0,99852 0,99826 0,99818 0,99828 0,99849 0,99878

Suponhamos que se queira calcular:


O calor específico da água à 32,5oC.
A temperatura para a qual o calor específico é 0,99837.

A interpolação nos ajuda a resolver problemas deste tipo.

INTERPOLAR uma função


f ( x ) consiste em aproximar essa função por uma outra função g ( x ) que será
usada em substituição.

O CONCEITO DE INTERPOLAÇÃO

Consideremos n + 1 pontos distintos x0 , x1 , x2 ,....., xn chamados NÓS DA INTERPOLAÇÃO e os valores


f ( x0 ), f ( x1 ), f ( x2 ),....., f ( xn )
da função nos pontos: .

A forma de interpolação da função


f ( x ) consiste em obter g ( x ) tal que:

g ( x0 ) = f ( x0 )
g ( x1 ) = f ( x1 )
g( x2 ) = f ( x2 )
M
g( xn ) = f ( xn )

28 patricia.abramof@etep.edu.br
4.5
4
3.5
3
2.5 f(x)
y
2 g(x)
1.5
1
0.5
0
0 1 2 3 4 5 6 7 8 9 10 11 12
x

Observação: A função escolhida pode ser uma função polinomial, racional, trigonométrica ou outra.

INTERPOLAÇÃO POLINOMIAL - POLINÔMIO DE LAGRANGE


Dados os pontos experimentais:

( x0 , f ( x0 )), ( x1 , f ( x1 )), ( x2 , f ( x 2 )),................., ( x n , f ( xn )) n + 1 pontos. Queremos


, portanto
f(x) p (x)
aproximar por um polinômio n . Para isso, determinaremos um polinômio que passe pelos
pontos dados, que funcionará como a função geradora dos dados.

pn ( x )
Seja o polinômio de grau menor ou igual a n. O polinômio poderá ser da forma:

p n ( x ) = y 0 L0 ( x ) + y1 L1 ( x ) + y 2 L2 ( x ) + ........ + y n Ln ( x )

Lk ( x )
onde: y0 = f ( x0 ) , y1 = f ( x1 ) , y 2 = f ( x2 ) ... e são de grau n e da forma:

( x − x0 )( x − x1 )( x − x2 )........( x − xn )
Lk ( x ) =
( xk − x0 )( xk − x1 )( xk − x2 )........( xk − xn )
Haverá sempre uma solução por xi tal que:

p n ( xi ) = y 0 L0 ( xi ) + y1 L1( xi ) + y 2 L2 ( xi ) + ........ + y n Ln ( xi ) = yi

29 patricia.abramof@etep.edu.br
FORMA RESUMIDA
n

∏ (x − x )
j =0
j
n
pn ( x) = ∑ y k Lk ( x)
j≠k
onde: Lk ( x) = n
k =0
∏ (x
j =0
k − xj)
j≠k

n
Solução: pn ( xi ) = ∑ y k Lk ( xi ) = yi
k =0

EXEMPLO

x -1 0 2
F(x) 4 1 -1

Como são n+1 pontos, então n=2.


Pela forma de LAGRANGE:

p 2 ( xi ) = y 0 L0 ( xi ) + y1 L1( xi ) + y 2 L2 ( xi )
onde:

( x − x1 )( x − x2 ) ( x − 0)( x − 2)
L0 ( x) = ⇒ L0 ( x) =
( x0 − x1 )( x0 − x2 ) (−1 − 0)(−1 − 2)
x2 − 2x
L0 ( x) =
3

( x − x0 )( x − x2 ) ( x + 1 )( x − 2 )
L1 ( x ) = ⇒ L0 ( x ) =
( x1 − x0 )( x1 − x 2 ) ( 0 + 1 )( 0 − 2 )
x2 − x − 2
L1 ( x ) =
−2

( x − x0 )( x − x1 ) ( x + 1 )( x − 0 )
L2 ( x ) = ⇒ L0 ( x ) =
( x 2 − x0 )( x 2 − x1 ) ( 2 + 1 )( 2 − 0 )
x2 + x
L2 ( x ) =
6

Sabendo que
y0 = 4 y1 = 1 e y 2 = −1 , então

p 2 ( xi ) = y 0 L0 ( xi ) + y1 L1( xi ) + y 2 L2 ( xi ) será:

30 patricia.abramof@etep.edu.br
 x2 − 2 x  x2 − x − 2 x2 + x
p2 ( x ) = 4 +
 −
 3  −2 6
7 2
⇒ p2 ( x ) = 1 − x + x 2
3 3
que é o polinômio interpolador.

Programa em Matlab
% interpolaçao por lagrange
clear
xe=[-1, 0, 2];
ye=[4, 1, -1];
n=3;

% calculo do denominador de L(x)


denLk(1:n)=ones;

for k=1:n
for j=1:n
if j~=k
denLk(k)=denLk(k)*(xe(k)-xe(j));
end;
end;
end;

% calculo de L(x) em cada intervalo


p=13; % partiçao+1 no intervalo entre xe(inicial) e xe(final)

for k=1:n
Lk(k,1:p)=ones;
for j=1:n
if j~=k
for i=1:p
x(i)=xe(1)+0.25*i-0.25;
Lk(k,i)=Lk(k,i)*(x(i)-xe(j));
end;

31 patricia.abramof@etep.edu.br
end;
end;
Lkfinal(k,:)=Lk(k,:)/denLk(k);
end;

y(1:p)=zeros;

for i=1:n
y=y+ye(i)*Lkfinal(i,:);
end;

yteo=(1-7*x/3+2*(x.^2)/3)

figure
plot(x,y,'mp',x,yteo,'bo',xe,ye,'k+')
legend('Lagrange', 'Polinomio', 'Dados Iniciais' )

32 patricia.abramof@etep.edu.br
OBSERVAÇÕES
Existem alguns métodos distintos para a determinação de polinômios interpoladores.
Existem casos em que o grau do polinômio que interpola os pontos tabelados pode levar a resultados
desastrosos.
Casos em que os valores tabelados de x aparecem igualmente espaçados podem levar a divergências quando
se utiliza polinômio interpolador de grau n.
Existem métodos de interpolação que utilizam interpolação polinomial de grau baixo utilizando grupo de
pontos x tabelados. São as Funções Spline de Interpolação.
Exemplo de interpolação polinomial utilizando n pontos que apresenta resultado com divergência:
1
f(x)=
O gráfico apresentado abaixo representa a curva de uma função do tipo: 1 + 25 x 2 , tabelada no
intervalo [-1,1] em 10 pontos igualmente espaçados.
O polinômio interpolador de grau 10 é representado na segunda curva.

EXERCÍCIOS
Determine o polinômio interpolador de Lagrange para os casos abaixo e faça o gráfico para a solução
utilizando o Matlab.
1)
X 0 1 2 3 5
y 4 1 0 1 4
2)

X 20 25 30 35 40 45 50
y 0.99907 0.99852 0.99826 0.9981 0.99828 0.99849 0.99878

33 patricia.abramof@etep.edu.br
FUNÇÃO SPLINE INTERPOLANTE

As funções spline utilizam grupos de pontos para realizar a interpolação polinomial por partes, de
acordo com as imposições para as funções interpolantes.

SPLINE LINEAR INTERPOLANTE

x0 , x1 , x2 ,...., xi
A função spline linear interpolante de f(x), nos nós pode ser escrita em cada intervalo
[ xi −1 , xi ], i = 1,2 ,..., n
como:

xi − x x − xi −1
s i ( x ) = f ( xi −1 ) + f ( xi ) , ∀ x ∈[x i -1 , xi ]
xi − xi −1 xi − xi −1

s (x) [ xi −1 , xi ]
onde: i é um polinômio de grau 1 em cada intervalo , por definição.

Exemplo:

Achar a função spline linear que interpola a função tabelada:


x1 x2 x3 x4

x 1 2 5 7
F(x) 1 2 3 2,5

De acordo com a definição,

x1 − x x − x0
s1 ( x ) = f ( x0 ) + f ( x1 )
x1 − x0 x1 − x0

2− x x −1
s1( x ) = 1 +2 = 2 − x + 2x − 2
2 −1 2 −1

s1( x ) = x se x ∈ [1,2]

x2 − x x − x1
s 2 ( x ) = f ( x1 ) + f ( x2 )
x2 − x1 x2 − x1

5− x x−2 2
s2 ( x ) = 2 +3 = (5 − x ) + x − 2
5−2 5−2 3

34 patricia.abramof@etep.edu.br
1
s2 ( x ) = (x + 4) se x ∈ [2,5]
3

x3 − x x − x2
s3 ( x ) = f ( x 2 ) + f ( x3 )
x3 − x2 x3 − x 2

7−x x−5
s3 ( x ) = 3 + 2 .5
7−5 7−5
1
s3 ( x ) = (− 0.5 x + 8.5) se x ∈ [5,7]
2

4,5
4
3,5
3
2,5 S3(x)
y
2
1,5 S1(x)
1
0,5 S2(x)
0
0 2 4 6 8
x

f(x) spline linear

A spline linear apresenta a seguinte desvantagem: ter a derivada primeira descontínua nos nós.
Uma alternativa seria utilizar polinômio interpolante spline de grau acima.

35 patricia.abramof@etep.edu.br
SPLINE CÚBICA INTERPOLANTE

x , x ,........., x ,x
n −1 n , S(x), é uma função polinomial
A função spline cúbica interpolante de f(x) nos nós 1 2
por partes, contínua, onde cada parte, si(x), é um polinômio de grau 3 no intervalo
[ xi , xi +1 ], i = 1,2 ,..., n − 1 n − 1 polinômios do tipo:
. No total serão gerados

si ( x ) = yi +1 + α i ( x − xi +1 ) + β i ( x − xi +1 ) + γ i ( x − xi +1 )
2 3
∀ x ∈[x i , xi +1 ]
onde:

yi +1 − yi φ i φ
αi = + hi + i +1 hi
hi 6 3
φ i +1
βi =
2
φ i +1 − φ i
γi =
6hi h = xi +1 − xi
onde i ,

e a sela para a spline cúbica natural onde


φ n = φ1 = 0 será:
2( h1 + h2 ) h2   φ 2   b2 − b1 
 h2 2( h2 + h3 ) h3   φ   b −b 
   3   3 2 
 h3 2( h3 + h4 ) h4  *  φ 4  =  b4 − b3 
     
 M   M   M 
 hn − 2 2( hn − 2 + hn −1 ) φ n −1  bn −1 − bn − 2 

 y − yi 
bi = 6 i +1 
onde:  hi 

A spline cúbica si(x) tem a primeira e a segunda derivada contínuas, o que faz com que a curva S(x) não tenha
picos e nem mude abruptamente de curvatura nos nós.

Função de interpolação no Matlab

INTERP1: Interpolação 1-D

Sintaxe: YI = INTERP1(X,Y,XI)
A função INTERP1 fornece os valores interpolados em YI dos valores da função Y nos
pontos do vetor XI. O vetor X especifica os pontos nos quais os valores de Y são
fornecidos.

36 patricia.abramof@etep.edu.br
YI = INTERP1(X,Y,XI,'method') especifica métodos alternativos de interpolação. O
método “default” é a interpolação linear. Os métodos disponíveis são:
'nearest' - interpolação pelos vizinhos mais próximos
'linear' - interpolação linear
'spline' - interpolação spline cúbica (SPLINE)
'pchip' - interpolação por polinômio de Hermite cúbico (piecewise cubic Hermite
interpolation - PCHIP)
'cubic' - o mesmo que 'pchip'

Exemplo 1:

>> x = 0:10; y = sin(x); xi = 0:.25:10;


>> yi = interp1(x,y,xi); plot(x,y,'o',xi,yi)

Exemplo 2:

>> x = 0:10;
>> y = sin(x);
>> xi = 0:.25:10;
>> yi = interp1(x,y,xi,'spline');
>> plot(x,y,'o',xi,yi)

Alternativamente para o polinômio spline pode ser usada a função SPLINE:

SPLINE: Interpolação por spline cúbica.


Sintaxe: YY = SPLINE(X,Y,XX)
A função SPLINE utiliza a interpolação por spline cúbica para calcular os valores
interpolados YY da função Y nos pontos contidos no vetor XX. O vetor X especifica os
pontos nos quais os valores de Y são dados.

Exemplo 3:

x = 0:10; y = sin(x);
xx = 0:.25:10;
yy = spline(x,y,xx);
plot(x,y,'o',xx,yy)

Exemplo 4:

>> x = -4:4; y = [0 .15 1.12 2.36 2.36 1.46 .49 .06 0];
>> cs = spline(x,[0 y 0]);
>> xx = linspace(-4,4,101);
>> plot(x,y,'o',xx,ppval(cs,xx),'-');

37 patricia.abramof@etep.edu.br
EXERCÍCIOS
x0 , x1 , x2 ,...., xi
1- Mostre que a função spline linear interpolante de f(x), nos nós pode ser escrita em cada
[ xi −1 , xi ], i = 1,2 ,..., n
intervalo como:

xi − x x − xi −1
s i ( x ) = f ( xi −1 ) + f ( xi ) , ∀ x ∈[x i -1 , xi ]
xi − xi −1 xi − xi −1

s (x) [ xi −1 , xi ]
onde: i é um polinômio de grau 1 em cada intervalo .

x , x ,...., x ,....., x
n −1 n , S(x), é uma ,x
2- Mostre que a função spline cúbica interpolante de f(x) nos nós 1 2 i
função polinomial por partes, contínua, onde cada parte, si(x), é um polinômio de grau 3 no intervalo
[ xi , xi +1 ], i = 1,2 ,..., n − 1 n −1
. No total serão gerados polinômios do tipo:

si ( x ) = yi +1 + α i ( x − xi +1 ) + β i ( x − xi +1 ) + γ i ( x − xi +1 )
2 3
∀ x ∈[x i , xi +1 ]
onde:

yi +1 − yi φ i φ
αi = + hi + i +1 hi
hi 6 3
φ i +1
βi =
2
φ i +1 − φ i
γi =
6hi h = xi +1 − xi
onde i ,

e a sela para a spline cúbica natural onde


φ n = φ1 = 0 será:
2( h1 + h2 ) h2   φ 2   b2 − b1 
 h2 2( h2 + h3 ) h3   φ   b −b 
   3   3 2 
 h3 2( h3 + h4 ) h4  *  φ 4  =  b4 − b3 
     
 M   M   M 
 hn − 2 2( hn − 2 + hn −1 ) φ n −1  bn −1 − bn − 2 

 y − yi 
bi = 6 i +1 
onde:  hi 
3- Problemas
3.1 Um veículo de fabricação nacional, após vários testes, apresentou os resultados abaixo, quando se
analisou o consumo de combustível de acordo com a velocidade média imposta ao veículo. Os testes foram
realizados em rodovia em operação normal de trafego, numa distancia de 72 Km.

38 patricia.abramof@etep.edu.br
VELOCIDADE CONSUMO
[Km/h] [Km/l]
55 14.08
70 13.56
85 13.28
100 12.27
120 11.3
140 10.4

Utilizando a interpolação Spline linear, verifique o consumo aproximado para o caso de ser desenvolvida uma
velocidade de 80Km/h.
O mesmo para o consumo aproximado no caso de ser desenvolvida uma velocidade de 108Km/h.

3.2- Uma corda foi tencionada sob a ação de pesos distintos, quando para os respectivos pesos foram
calculadas as devidas velocidades de propagação que estão indicadas baixo.
PESO [gf] VELOCIDADE [cm/s]

6.000 13728.13
6.500 14288.69
7.000 14828.07
7.500 15348.51
8.000 15851.87
8.500 16188.39

Calcular a velocidade de propagação quando a corda está tencionada sob a ação de um peso de 7.250gf.
Calcular a velocidade de propagação quando a corda está tencionada sob a ação de um peso de 7.210gf.

3.3- A tabela abaixo dá o volume de água num tanque elástico, usado para transporte de óleo, leite etc, para
várias cotas de água
X Y
[m] [m3]
0.1 1.1052
0.6 1.8221
1.1 3.0042
1.6 4.9530
2.1 8.1662

39 patricia.abramof@etep.edu.br
Calcular Y(0.12).
Calcular Y(1.21).

4- Encontrar os polinômios interpoladores de Lagrange para as seguintes funções e utilizar


interpolação no Matlab:
(a) sin(x), para os valores de x = [0, 1.2, 3, 4.2, 5]
(b) exp(x), para os valores de x = [0, 0.5, 2, 3]
(c) ln(x), para os valores de x = [1, 1.5, 2, 3.8, 4]

40 patricia.abramof@etep.edu.br
AULA 5

INTEGRAÇÃO NUMÉRICA

∫ f ( x )dx = F ( b ) − F ( a ) F ′( x ) = f ( x ) .
Integral definida: a , tal que
2
Para algumas funções como
f ( x ) = e− x
, pode não ser fácil expressar a função primitiva. Ainda existem
casos em que apenas os valores da f(x) são conhecidos para alguns pontos e a expressão analítica não é
conhecida.
Uma forma de obter uma aproximação para a integral, nestes casos, é através de métodos numéricos.
A idéia fundamental é que o polinômio de interpolação, ou aquele que aproxime da função passe por pontos
igualmente espaçados dentro do intervalo [a,b] de definição da função. Considerando a partição do intervalo
[a,b] em subintervalos de comprimento h, [xi,xi+1] i=0,1,2,...,n-1. Assim xi-xi+1=h ou seja h=(b-a)/n.
Nas fórmulas de Newton-Cotes, a integração definida da f(x) no intervalo [a,b] onde a=x0 e b=xn será:
b xn n

∫ f ( x )dx = ∫ f ( x )dx = A0 f ( x 0 ) + A1 f ( x1 ) + A2 f ( x 2 ) + L + An f ( x n ) = ∑ Ai f ( x i )
a x0 i =0

Onde: Ai são os coeficientes determinados de acordo com o grau do polinômio de aproximação.

REGRA DO TRAPÉZIO
Desenvolvendo as fórmulas de Newton-Cotes utilizando a=x0 e b=x1, e p1(x) o polinômio que
interpola f(x) em x0 e x1. Neste caso teremos:
b xn

∫ f ( x )dx = ∫ p1 ( x )dx
a x0
como p1(x) é dado por:

x − x1 x − x0
p1 ( x ) = f ( x0 ) + f ( x1 )
−h h onde: h=x1-x0.
x1 x1 x
x − x1 1
x − x0
∫ p1 ( x )dx = ∫ −h
f ( x 0 )dx + ∫
h
f ( x1 )dx
x0 x0 x 0
Então:
x1 x x
f ( x0 ) 1 f ( x1 ) 1
∫ ( ) (x − x 0 )dx
− h x∫ h x∫
p1 ( x )dx = x − x1 dx +
x0 0 0

x1 2 x1
f ( x 0 ) (x − x1 )2 f ( x1 ) ( x − x 0 )
x1

∫ p1 ( x )dx =
−h 2
+
h 2
x0 x0 x0

41 patricia.abramof@etep.edu.br
f ( x0 )  ( x0 − x1 )  f ( x1 )  ( x1 − x0 ) 
x1 2 2

∫ p1( x )dx = h  2  + h  2 
x0    
x1
h
∫ p1( x )dx = 2 ( f ( x0 ) + f ( x1 ))
x0
como h=x1-x0, temos:
Esta integral é a área do trapézio que aproxima a área sob o gráfico.

y f(x)
p1(x)

f(x1)
f(x0)

a=x0 b=x0 x

x1 - x0

O erro para o método do trapézio pode ser estimado por:

h3
ET = − f ′′(c ) h = x1 − x0 c ∈ ( x0 , x1 )
12
Considerando o erro cometido o valor da integral será:
x1 3
h
∫ f ( x )dx = ( f ( x0 ) + f ( x1 )) − h f ′′(c )
x0
2 12

A regra do trapézio para um grande intervalo de integração pode levar a resultados com grande erro em
relação ao resultado da integração exata. Para melhorar a aproximação será necessário, portanto, introduzir
uma partição no intervalo a, b e a integração passará para:
b m−1 m −1 3
h h
∫ f ( x )dx = ∑ ( f ( xi ) + f ( xi+1 )) − ∑ f ′′(ci )
i =0 2 i =1 12 ci ∈ ( xi , xi+1 )
a com , assim:
xm 3
h
∫ f ( x )dx = ( f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + L + 2 f ( xm−1 ) + f ( xm )) − m h f ′′(c )
2 12
x0

42 patricia.abramof@etep.edu.br
RESUMO
A valor da integral pelo método do trapézio será:

h
I TR = ( f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + L + 2 f ( xm−1 ) + f ( xm ))
2
E o erro será estimado por:
b−a 2
ETR ≤ h M2 M 2 = máx f ′′(c ) dado cε(a ,b )
12 com

Exemplo
1
I = ∫ e x dx
Dada a integral 0 , pede-se:
Calcule a aproximação para I usando 10 subintervalos para a regra dos trapézios repetidos.
Estime o erro cometido.
Determine o número mínimo de divisões para que o erro seja inferior a 10-3.

Solução

b−a
h=
Intervalo [0, 1], como m então h = 0.1 .
1

∫ e dx ≅
x
2
(
0 .1 0
e + 2e 0.1 + 2e 0.2 + 2e 0.3 + L + 2e 0.7 + 2e 0.8 + 2e 0.9 + e10 )
0

∫e dx ≅ 1,719713
x

b−a 2
ETR ≤ h M2 M 2 = máx f ′′(c )
Dado que o erro pode ser estimado por: 12 onde
1
ETR ≤ 0.12 e E ≤ 2.3 × 10 −3
M 2 = e dado c = 1 então 12 ou TR .
b−a 2
ETR ≤ 10 −3 h M 2 ≤ 10 −3
Para temos: 12 e h ≤ 0.066442 . Assim como m é o número de
b−a
m=
intervalos da partição h então m = 15 .

43 patricia.abramof@etep.edu.br
EXERCÍCIOS
1) Calcule as integrais pelo método dos trapézios usando 4 e 6 divisões. Estime o erro em cada caso.
2
I = ∫ e x dx
a) 1

4
I = ∫ x dx
b). 1

14
dx
I= ∫ x
c) 2

2) as integrais pelo método dos trapézios.


π
I = ∫ e sen x dx
a) 0 com ε ≤ 2 × 10 −2
π/ 2
I= ∫ sen x dx
b) 1 com ε ≤ 10 −4

REGRA DE SIMPSON

O princípio da aproximação para este método, tanto quanto a regra do trapézio, é a utilização de um
polinômio interpolador que possa por pontos igualmente espaçados, no entanto o polinômio utilizado pelo
método de Simpson é distinto daquele utilizado pelo método do trapézio. No caso do método de Simpson a
integral numérica será dada por:

h
I RS = ( f ( x0 ) + f ( xm ) + 4( f ( x1 ) + f ( x3 ) + L + f ( xm−1 )) +
3
+ 2( f ( x2 ) + f ( x4 ) + L + f ( xm−2 )))
b − a h5
ETR ≤ M4 M 4 = máx f ( IV ) (c ) dado cε(a ,b )
E o erro será estimado por: h 180 com

44 patricia.abramof@etep.edu.br
Exemplo
1
I = ∫ e x dx
Dada a integral 0 , pede-se:
Calcule a aproximação para I usando 10 subintervalos para a regra de Simpson.
Estime o erro cometido.
Determine o número mínimo de divisões para que o erro seja inferior a 10-3.

Solução

b−a
h=
Intervalo [0, 1], como m então h = 0.1 .
1

∫ e dx ≅
x 0 .1 0
3
( ( ) (
e + e1.0 + 4 e 0.1 + e 0.3 + e 0.5 + e 0.7 + e 0.9 + 2 e 0.2 + e 0.4 + e 0.6 + e 0.8 ))
0

∫e dx ≅ 1,71828278
x

b − a h5
ETR ≤ M4
Dado que o erro pode ser estimado por: h 180 com
M 4 = máx f ( IV ) (c ) dado cε(a ,b )

0.12
ETR ≤ 10 e −6
M 4 = e dado c = 1 então 180 ou ETR ≤ 1.5 × 10 .

b − a h5
ETR ≤ 10 −3 M 4 ≤ 10 −3
Para temos: h 180 e h ≤ 0.5 . Assim como m é o número de intervalos da
b−a
m=
partição h então m = 2 .

45 patricia.abramof@etep.edu.br
EXERCÍCIOS

Calcule o valor aproximado para I com ε ≤ 10 −3 usando a regra de Simpson


0.6
dx
I= ∫ 1+ x
0

4
( )
I = ∫ 3 x 3 − 3 x + 1 dx
Qual o erro cometido na aproximação no valor calculado para 0 pela regra de
Simpson com quatro subintervalos e pela regra dos trapézios?
Calcule I por Simpson nos casos:
π
I = ∫ e sen x dx
a) 0 com ε ≤ 2 × 10 −2
π/ 2
I= ∫ sen x dx
b) 1 com ε ≤ 10 −4
1
π dx
=∫
π 4 1 1 + x2 ε ≤ 10 −3 por Simpson.
Calcule a partir da relação com
1
2
I = ∫ e − x dx
Considere 0 .

Estime I pela regra de Simpson com h = 0.25 .


Determine o erro para este caso.

46 patricia.abramof@etep.edu.br
AULA 6

RESOLUÇÃO DE SISTEMAS LINEARES

Introdução
A solução de um sistema de equações é necessária em vários problemas de engenharia. Problemas de
interpolação e ajuste de curvas e na solução de equações diferenciais na simulação de problemas de
engenharia. Os métodos de solução de sistemas de equações lineares são chamados de:
Métodos diretos, quando a solução é exata (a menos de erros de truncamento do computador) e é determinada
após um número finito de operações. Esses tipo requer mais memória de armazenamento pois é mais robusto;
Métodos iterativos, quando fornece uma sequência de soluções aproximadas que convergem quando o número
de passos tende a infinito. Nesse caso, a necessidade de memória de armazenamento é menor e também os
problemas de convergência.

MÉTODO ITERATIVO DE GAUSS-JACOBI E GAUSS-SEIDEL


A forma como o método de Gauss-Jacobi e Gauss-Seidel transforma o sistema linear Ax = b em
sistema do tipo
x = Cx + g , é apresentado abaixo:

Dado o sistema linear com n equações e n variáveis:


Seja um sistema linear do tipo Ax = b :

a11 x1 + a12 x 2 + a13 x3 + L + a1n x n = b1


a x + a x + a x + L + a x = b
 21 1 22 2 23 3 2n n 2

a31 x1 + a32 x 2 + a33 x3 + L + a3n xn = b3



 M M M M M
 M M M M M

a n1 x1 + a n 2 x 2 + a n3 x3 + L + a nn x n = bn aij 1 ≤ i ≤ n, 1≤ j ≤ n
onde: são coeficientes

xj
são variáveis
j = 1,2 ,...., n

bi
são constantes i = 1,2 ,...., n
A matriz dos coeficientes A é uma matriz n × n , dada por:

 a11 a12 a13 L a1n 


 
 a 21 a 22 a 23 L a 2 n 
A =  a31 a32 a33 L a3n 
 
 M M M M 
 
 a n1 a n 2 a n3 L a nn 

47 patricia.abramof@etep.edu.br
 x1 
 
 x2 
x =  x3 
 
 M 
 
O vetor das variáveis x é um vetor n × 1 , dado por:  xn 

 b1 
 
 b2 
b =  b3 
 
 M 
 
O vetor dos termos constantes b é um vetor n × 1 , dado por:  bn 
As equações para determinação dos valores de x serão determinadas ao isolar x mediante separação diagonal,
assim temos:

 1
 x1 = (b1 − a12 x2 − a13 x3 − L − a1n xn )
a11

 1
 x 2 = a (b2 − a 21 x1 − a 23 x3 − L − a 2 n x n )
 22
 1
 x3 = a (b3 − a31 x1 − a 32 x 2 − L − a3n x n )
 33
 M M M M M

 M M M M M

 xn =
1
(bn − an1 x1 − an 2 x2 − L − an ,n−1 xn−1 )
 a nn
.
E a seqüência de aproximação será dada por:

 (k +1)
 x1 =
1
a11
( (k ) (k )
b1 − a12 x2 − a13 x3 − L − a1n xn
(k )
)

 (k +1)
 x2 =
1
a 22
( (k ) (k )
b2 − a 21 x1 − a 23 x3 − L − a 2 n x n
(k )
)

 (k +1)
 x3 =
1
a33
( (k ) (k )
b3 − a31 x1 − a32 x 2 − L − a3n x n
(k )
)

 M M M M M

 M M M M M
 (k +1)
 xn =
1
a nn
( (k ) (k )
bn − a n1 x1 − a n 2 x 2 − L − a n ,n−1 x n−1
(k )
)

48 patricia.abramof@etep.edu.br
 b1 / a11 
 
 b2 / a 22 
Obs: O vetor aproximação inicial x (0 ) é um vetor arbitrário e pode ser considerado como x (0 ) =  b3 / a33 
 
 M 
 bn / a nn 
para o método de Gauss-Jacobi e para a método de Gauss-Seidel a aproximação inicial pode ser considerada
 0
 
 0 (0 )
como x (0 ) =  0  . No entanto, a convergência independe do valor inicial escolhido par x .
 
M
 0
 

Critério de convergência
Apresentamos aqui um critério de convergência que estabelece condição suficiente para que o resultado
obtido pelo sistema iterativo seja convergente para a solução do sistema original.
n
∑ akj
j =1
j≠k
αk =
Ax = b a kk α = máx α k máx α k < 1
Dado o sistema linear e seja , se e então o método

iterativo gera uma seqüência


x { }
(k ) ( 0 )
convergente, independentemente do valor inicial x . No caso de
máx α k > 1
, pode-se procurar a convergência fazendo permutações entre as linhas para que o critério de
máx α k = 1
convergência seja alcançado. No caso , o critério não diz nada sobre a convergência do
sistema.

Critério de parada
Para determinar a solução aproximada, depois de verificada a convergência da solução, as equações do
processo iterativo deverão ser aplicada repetidamente até que x (k ) esteja suficientemente próximo de x (k −1) ,
(k )
assim a distância entre a última aproximação e a anterior, d , deve ser menor que a tolerância ε ,
d (k ) = máx x (k ) − x (k −1)
d (k ) < ε , onde: .

Exemplo:

10 x1 + 2 x 2 + x3 = 7

 x1 + 5 x2 + x3 = −8
2 x + 3 x + 10 x = 6
Resolva o sistema  1 2 3 por Gauss-Jacobi com ε < 0.05 .
Teste de convergência

49 patricia.abramof@etep.edu.br
10 2 1
A= 1 5 1

Dado que a matriz dos coeficientes é


2 3 10
, então
α1 = 0,3 , α 2 = 0,4 e α 2 = 0,5 .
máx α k = 0 ,5 < 1
Como então a solução é convergente.

Vetor aproximação inicial

 x1(0 )   b1 / a11   7 / 10 
     
(0 )  ( 0 ) 
x = x2 x (0 ) =  b2 / a 22  x (0 ) =  − 8 / 5 
 (0 )  b / a   6 / 10 
x
Dado  3  ou ainda  3 33  , então neste caso:  .

Equações iterativas para a aproximação

 (1)
 x1 =
1
( (0 )
b1 − a12 x 2 − a13 x3
(0 )
)  (1) 1
(
(0 ) (0 )
)
 a11  x1 = 10 7 − 2 x 2 − x3

 (1)
 x2 =
1
a 22
( (0 )
b2 − a 21 x1 − a 23 x3
(0 )
)  (1) 1
(
(0 )
 x 2 = − 8 − x1 − x3
(0 )
)
  5
 (1)
 x3 =
1
( (0 )
b3 − a31 x1 − a32 x 2
(0 )
)  (1) 1
(
(0 )
 x3 = 10 6 − 3 x1 − 2 x 2
(0 )
)
, ou seja, 
 a33

 (1) 1
 x1 = 10 (7 − 2(− 1.6 ) − 0.6 )

 (1) 1  x1(1) = 0.96
 x 2 = (− 8 − (0.7 ) − 0.6 )  (1)
 5
 x 2 = −1.86
 (1) 1
 x3 = 10 (6 − 3(− 1.6 ) − 2(0.7 ))
 (1)
x = 0.94
Na primeira iteração teremos  ou apenas  3
(1) (0 ) (1) (0 ) (1) (0 )
x1 − x1 = 0.26 x2 − x2 = 0.26 x3 − x3 = 0.34
Para fazer o teste de parada temos: , e .
(1) (1) (0 )
d = máx x −x = 0.34
Como e é maior que a tolerância então o processo deve ser repetido até que
 x1(3 ) = 0.9985
 (3 ) (3 ) (3 ) (2 )
o erro seja menor que 0.05. O resultado será:  x 2 = −1.9999 já que d = máx x − x = 0.0143 .
 (3 )
 x3 = 1.0003

x1 x2 x3 e1 e2 e3
0.9600 1.9120 0.9816 0.2600 0.3120 0.3816

50 patricia.abramof@etep.edu.br
0.9842 1.9932 1.0011 0.0242 0.0812 0.0195
0.9985 1.9999 1.0003 0.0143 0.0068 0.0008

Programa em Matlab para solução por Gaus-Jacobi

51 patricia.abramof@etep.edu.br
EXERCÍCIOS
Resolva o sistema pelos métodos iterativos de Gauss-Jacobi e Gauss-Seidel com ε < 0.05 .

 x1 + 0.5 x2 − 0.1x3 + 0.1x4 = 0.2


 x1 + 3 x2 + x3 = −2 0.2 x + x − 0.2 x − 0.1x = −2.6
 
a) 5 x1 + 2 x 2 + 2 x3 = 3 .
1 2 3 4
c) 
6 x + 8 x = −6 − 0.1x1 − 0.2 x2 + x3 + 0.2 x4 = 1.0
 2 3
0.1x1 + 0.3 x2 + 0.2 x3 + x4 = −2.5

5 x1 − 2 x2 + x3 + x4 = 7
 − 6 x + 9 x − x + x = −9 20 x1 + 7 x2 + 9 3 = 16
 
d) 7 x1 + 30 x2 + 8 x3 = 38
1 2 3 4
b) 
9 x1 − 6 x2 + 19 x3 + 4 x4 = 23 9 x + 8 x + 30 x = 30
6 x1 − 4 x2 − 4 x3 + 15 x4 = 11  1 2 3

52 patricia.abramof@etep.edu.br
AULA 7

EQUAÇÕES DIFERENCIAIS ORDINÁRIAS - EDO


Equações diferenciais ordinárias, EDO, ocorrem com muita freqüência na descrição de fenômenos da
natureza.
Há vários métodos que resolvem analiticamente uma EDO, mas nem sempre é possível obter a solução
analítica. Neste caso, a saída é encontrar uma solução aproximada utilizando métodos numéricos.

PROBLEMA DE VALOR INICIAL – EDO DE PRIMEIRA ORDEM


MÉTODO DE EULER

 y′ = f ( x, y )

Dado um PVI: 
 y( x ) = y onde y0 é dado
 0 0

O método consiste em calcular recursivamente a seqüência


{y } através das fórmulas:
j

y 0 = y( a )
eq.1
y j +1 = y j + h. f ( x j , y j )

onde:
y (a ) é dado inicial

b−a
h= m é a partição
m
j = 0,1,2,.........., m − 1
f ( x j , y j ) = y′
Os problemas com solução numérica sempre apresentam erros de truncamento, no caso das EDO chamamos
h2
εj = y ′′( ξ ), x j +1 < ξ < x j
de ELT ou erro local de truncamento, que para este método é dado por: 2!

EXEMPLO

53 patricia.abramof@etep.edu.br
y′ = x − y + 2
Achar as aproximações para a solução do PVI
y (0) = 2 na malha de [0,1] com h=0,1 e
determinar.
y (1) .

Solução:

y0 = y (a ) = η
y j +1 = y j + h. f ( x j , y j )
Usando as equações do método de Euler:

x j +1 = x0 + jh
Sabendo que

x0 = 0, y0 = 2
Como a=0 e b=1 teremos: e m=10, faremos as aproximações para j=0,1, 2, 3, 4, 5, 6, 7,
8,9.

j xj=x0+jh yj Yj+1=yj+h(xj-yj+2)
0 0 2 2
1 0,1 2 2,01
2 0,2 2,01 2,029
3 0,3 2,029 2,0561
4 0,4 2,0561 2,09049
5 0,5 2,09049 2,131441
6 0,6 2,131441 2,1782969
7 0,7 2,1782969 2,2304672
8 0,8 2,2304672 2,2874205
9 0,9 2,2874205 2,3486784
1,0 2,3486784 -

54 patricia.abramof@etep.edu.br
EXERCÍCIOS
ACHAR AS APROXIMAÇÕES PARA A SOLUÇÃO DO PVI E COMPARE COM A SOLUÇÃO
ANALÍTICA:

y′ = x − y + 2
a)
y( 0 ) = 2 na malha de [0,1] com h=0,05.

y′ = x − y + 2
b)
y( 0 ) = 2 na malha de [0,1] com h=0,01.

2x + 1
y′ =
c) y na malha de [0,1] com h=0,2.
y ( 0) = 1
1
y′ =
x
d)
y( 1 ) = 0 na malha de [1,2] com h=0,1.

55 patricia.abramof@etep.edu.br
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS

MÉTODOS DE RUNGE-KUTTA
Métodos de Passo Simples
Um método para resolver o PVI é considerado de passo simples se a aproximação yj+1 depende apenas do
resultado yj da etapa anterior.

Todos os métodos de passo simples são escritos na forma:

y j +1 = y j + h.φ( x j , y j ; h ), j = 0 ,1,2 ,....., m − 1

φ( x j , y j ; h)
onde é a função incremento e h o comprimento do passo.

PROBLEMA DE VALOR INICIAL – PVI


MÉTODO DE RUNGE-KUTTA DE QUARTA ORDEM

 y′ = f ( x , y )


 y( x ) = y
Dado um PVI:  0 0

O método consiste em calcular recursivamente a seqüência


{y } através das fórmulas:
j

x j = x0 + h. j j = 0,1,2 ,...., m − 1

b−a
m= onde m é a partição
h
1
y j +1 = y j + (K1 + 2 K 2 + 2 K 3 + K 4 ),
6

onde : j = 0,1,2,...., m − 1

K 1 = h. f ( x j , y j )
h K
K 2 = h. f ( x j + ,yj + 1 )
2 2

56 patricia.abramof@etep.edu.br
h K
K 3 = h. f ( x j + ,y j + 2 )
2 2
K 4 = h. f ( x j + h , y j + K 3 )

EXEMPLO

 2y
 y′ = + (x + 1)3
 x +1
 y( 0 ) = 3
Dado do PVI: com h=0,125.
Obtenha y(1) e y(2).

Solução:
Utilizando as equações do método de Runge–Kutta de quarta ordem:

x j = x0 + h. j j = 0,1,2 ,...., m − 1
b−a
m= onde m é a partição
h

1
y j +1 = y j + (K1 + 2 K 2 + 2K 3 + K 4 ),
6

onde : j = 0,1,2,....,m − 1

K 1 = h. f ( x j , y j )
h K
K 2 = h. f ( x j + , y j + 1 )
2 2
h K
K 3 = h. f ( x j + , y j + 2 )
2 2
K 4 = h. f ( x j + h, y j + K 3 )

x = 0, y0 = 3
Como a=0 e b=2 teremos: 0 e como h=0,125, ou seja, m=16, faremos as aproximações
para j=0,1, 2, 3, 4, 5, ........,14,15.

57 patricia.abramof@etep.edu.br
- Observe que
f ( x, y ) = y′

j xj=x0+jh yj 1
y j +1 = y j + (K1 + 2 K 2 + 2 K 3 + K 4 )
6
0 0 3 3,964937

1 0,125 3,9649 5,126895

2 0,25 5,1269 6,513705

3 0,375 6,5137 8,156127

4 0,5 8,1561 10,08785

5 0,625 10,088 12,34551

6 0,75 12,34551 14,96864

7 0,875 14,96864 17,99972

8 1 17,99972 21,48417

9 1,125 21,48417 25,47033

10 1,25 25,47033 30,00946

11 1,375 30,00946 35,15577

12 1,5 35,15577 40,96638

13 1,625 40,96638 47,50136

14 1,75 47,50136 54,82369

15 1,875 54,82369 62,99928

16 2 62,99928

58 patricia.abramof@etep.edu.br
EXERCÍCIOS
Dadas as equações diferenciais, achar as aproximações para a solução do pvi, pelo método de runge-kutta de
quarta ordem:

y 2 −1
y′ =
x2 +1
a)
y( 0 ) = 1 na malha de [0,1] com h=0,1.

2y + x +1
y′ =
x
b)
y( 1 ) = 0,5 na malha de [1,2] com h=0,1.

y ′ = yx 2 − y
c)
y( 0 ) = 1 na malha de [0,2] com h=0,2.

y ′ = cos x + 1
d)
y( 0 ) = −1 na malha de [0,2] com h=0,2.

59 patricia.abramof@etep.edu.br
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS DE ORDEM SUPERIOR

MÉTODO DE RUNGE-KUTTA
Método de Quarta Ordem
É comum encontrarmos equações diferenciais de ordem m escritas na forma:

y m = f ( x , y , y′, y′′,....., y m −1 )
Para aplicar o método de RUNGE-KUTTA é necessário transformar a equação diferencial em um sistema de
equações diferenciais de primeira ordem.
Aplicaremos o método para resolver EDO de segunda ordem. Dada a EDO de segunda ordem:

y′′ = f ( x , y , y′ )
As equações diferenciais de primeira ordem geradas para aplicação do método de RUNGE-KUTTA.

Fazendo
y1 = y

Teremos:
y1′ = y′ = y2 e
y2′ = y′′ = f ( x , y1 , y2 )

 y1′ = y2

Então o sistema de EDO será:
 y′2 = f ( x, y1 , y2 )
Para o caso de um sistema de duas equações diferenciais de primeira ordem consideraremos:

y1′ = g( x , y1 , y2 )
y2′ = f ( x , y1 , y2 )
Assim determinaremos uma seqüência numérica para y1 e uma seqüência para y2 da seguinte forma:
i +1 j 1
y = y + 6 ( k + 2k1 2
+ 2 k3 + k 4 )
1 1

j +1 j 1
y = y + 6 ( c + 2c1 2
+ 2c3 + c4 )
2 2

onde:
k1 = h g(x,y1 ,y2 ) c1 =h*f(x,y1 ,y2 )
k2 =h*g(x+h/2, y1 +k1/2, y2 +c1/2) c2 =h*f(x+h/2, y1 +k1/2, y2 +c1/2)
k3 =h*g(x+h/2, y1 +k2/2, y2 +c2/2) c3 =h*f(x+h/2, y1 +k2/2, y2 +c2/2)
k4 =h*g(x+h, y1 +k3, y2 +c3) c4 =h*f(x+h, y1 +k3, y2 +c3)

60 patricia.abramof@etep.edu.br
h: o passo é igual ao intervalo de solução dividido pelo número de divisões do intervalo.

Por exemplo: a variável independente x irá variar de zero á 1. Este intervalo será dividido em 100 partes
iguais; logo o passo h será de 0,01 unidades de x.

Para iniciar o cálculo precisaremos das condições iniciais que serão: x0 , y1(x0) e y2(x0).

Exemplo de aplicação - Vibração Forçada a Um Grau de Liberdade

A figura 1 representa um modelo de vibração forçada a um grau de liberdade. Considerando a força elástica
contrária e proporcional à deformação elástica, a força de amortecimento viscoso contrária e proporcional à
velocidade e ainda uma força de excitação dependente do tempo.

k: constante elástica.................................................................N/m
c: constante de amortecimento viscoso..................................N/(m/s)
F(t): força de excitação.................................................................N
x(t):deslocamento em torno da posição de equilíbrio.....................m
M:..............................................................................................kg

A equação diferencial do movimento é dada por:

F (t )
&x& + 2ζωN x& + ωN x =
2

M (1)
onde

k c
ωN =
2
ζ=
M cc cc = 2 MωN

ωΝ :freqüência angular natural................................rad/s


ζ: fração de amortecimento......................adimensional
cc : constante de amortecimento crítica...............N/(m/s)

Para aplicar o método de RUNGE-KUTTA, é necessário transformar a equação diferencial (1) num sistema de
equações diferenciais de primeira ordem.
Fazendo
F (t )
x&2 = &x& = − 2ζω N x2 − ωN x1
2

x1 =x
x2 = x& e M

61 patricia.abramof@etep.edu.br
 x&1 = x2

encontramos  F (t ) (2)
 x& 2 = M − 2ζω N x2 − ω N x1
2

que corresponde a um sistema de 2 equações diferenciais de primeira ordem.

Consideremos as seguintes constantes: Μ


 =1kg, ζ=0,2 e ω N = 10rad / s . Α força de excitação
F(t)=Focosωt, com Fo=50N, ω=2πf e f=10 Hz.

A solução numérica da equação diferencial (1), considerando os dados acima, foi obtida através do Método de
Runge Kutta, utilizando-se equações apresentadas a seguir.
Da equação (1) temos:

&x& + 2 * 0,1*10 * x& + 100* x = 50 * cos 20 * π * t

&x& + 2 x& + 100x = 50 cos 20πt

Fazendo

x1 =x
x2 = x& e
x&2 = &x& = 50 cos 20πt − 2 x2 − 100 x1
Montamos o sistema:

 x&1 = x2

 x&2 = 50 cos 20πt − 2 x2 − 100 x1
O que significa:

g (t , x1 , x2 ) = x&1 ⇒ g (t , x1 , x2 ) = x2
f (t , x1 , x2 ) = x&2 ⇒ f (t , x1 , x2 ) = 50 cos 20πt − 2 x2 − 100 x1
e
i +1 1
= x1 + (k1 + 2k2 + 2k3 + k4 )
j

x 1
6
j +1 1
= x2 + (c1 + 2c2 + 2c3 + c4 )
j

x 2
6
onde:
k1 =h*g(t,x1 ,x2 ) c1 =h*f(t,x1 ,x2 )
k2 =h*g(t+h/2, x1 +k1/2, x2 +c1/2) c2 =h*f(t+h/2, x1 +k1/2, x2 +c1/2)
k3 =h*g(t+h/2, x1 +k2/2, x2 +c2/2) c3 =h*f(t+h/2, x1 +k2/2, x2 +c2/2)
k4 =h*g(t+h, x1 +k3, x2 +c3) c4 =h*f(t+h, x1 +k3, x2 +c3)

62 patricia.abramof@etep.edu.br
Condições iniciais: t=0 , x1=0 e x2=0, isto é, no instante inicial t=0, o corpo de massa M sai da origem, x1=0,
com velocidade inicial nula, x2=0. O movimento inicial é devido à força de excitação F(t). O intervalo de
tempo: de 0 a 2 segundos.

A solução numérica pode ser apresentada na forma de tabelas ou ainda na forma de gráficos, tais como os da
figura abaixo, que mostra o comportamento dinâmico do sistema vibrante a 1 grau de Liberdade, devido a
uma excitação harmônica

Os gráficos mostram:
o comportamento no tempo da força de excitação F(t), gráfico (F X t)
o comportamento no tempo do deslocamento x=x1, gráfico (x1 X t)

comportamento no tempo da velocidade


x& = x2 , gráfico (x X t)
2

o comportamento da velocidade com o deslocamento, gráfico (x2 X x1)


Observação:
Para uma boa reprodução de uma curva periódica, o passo h deve ser aproximadamente um décimo do período
da componente de menor período, isto é, da componente de maior freqüência. Pode ser menor ainda, porém
com o custo de um maior tempo de processamento.

63 patricia.abramof@etep.edu.br
BIBLIOGRAFIA

1- RUGGIERO, Márcia A.G.; LOPES, Vera L.R. Cálculo Numérico: Aspectos Teóricos e
Computacionais, MAKRON Books do Brasil Editora Ltda, 1996.
2- BURDEN, R.L., FAIRES, J.D. Análise Numérica, Editora Pioneira. Tomson Learning, SP, 2003.
3- MATSUMOTO, ÉLIA Y., MATLAB 6 Fundamentos de Programação, Editora ÉRICA
Ltda,2001,SP
4- LITTLEFIELD, B. & HANSELMAN D., MATLAB 6: Curso Completo, Prentice Hall,
SP,2003.

64 patricia.abramof@etep.edu.br