APOSTILA

Cálculo Numérico

Universidade Federal de Viçosa

UFV

Professor: MehranSabeti,
Colaboradora: Valéria Martins da Costa Pena

1
 Sumário

1- Noções Básicas Sobre Erros

1.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 06

1.2.Erros na Fase de Modelagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 07

1.3. Erros na Fase de Resolução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07

1.4. Erro Absoluto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07

1.5. Erro Relativo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08

1.6. Erro de Truncamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09

1.7. Erro de Arredondamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10

1.8. Conversão de Base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.8.1. Conversão da Base β para a Decimal (β→10). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10

1.8.2. Conversão da BaseDecimal para aβ (10→ β) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.9. Pontos Flutuantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.10. Operações Aritméticas em Ponto Flutuante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2-Solução Numérica de Equações

2.1. INTRODUÇÃO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 23

2.2. MÉTODO DA BISSECÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25

2.2.1. Processo de Parada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2.2. Estimativa do número de iterações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.3. Método de Newton, Newton-Raphson (ou Método das Tangentes).. . . .. . . . . . . . . . . 28

2
2.3.1. Convergência do método Newton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30

2.3.2. Convergência quadrática. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .30

2.4. Método das Secantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32

2.5. Método da Falsa Posição. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35

Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3-Interpolação
3.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1.1. Conceito de interpolação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .40

3.2. Interpolação Polinomial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41

3.3. Fórmula Interpolatória de Lagrange. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .44

3.4. Interpolação Linear. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.5. Fórmula Interpolatória de Newton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51

Exercícios Complementares. . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . .56

4-Resolução de Sistemas Lineares

4.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.2. Classificação de um Sistema Linear. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .60

4.3. Solução de Sistemas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 62

4.3.1 Método de Eliminação de Gauss. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62

4.3.2 Decomposição LU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .65

4.3.3 Métodos Interativos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .70

4.3.3.1 Método de Gauss-Seidel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .71

4.3.4 Critério de Sassenfeld. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 72

Exercícios complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

3
5-Integração Numérica

5.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.2. Regra dos Trapézios. . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

5.2.1. InterpretaçãoGeométrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .79

5.2.2. Erro de Truncamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

5.2.3. Fórmula Composta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

5.2.4. Erro de Truncamento da Fórmula Composta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

5.3. Primeira Regra de Simpson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84

5.3.1. Obtenção da Fórmula. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

5.3.2. Interpretação Geométrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85

5.3.3. Erro de truncamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

5.3.4. Fórmula Composta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5.3.5. Erro de Truncamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 87

5.4. Segunda Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 90

5.4.1. Obtenção da Fórmula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

5.4.2. Erro de Truncamento da Fórmula Simples. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

5.4.3. Fórmula Composta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . .91

5.4.4. Erro de Truncamento da Fórmula Composta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91

Exercícios complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6-Solução Numérica de Equações Diferenciais Ordinárias

6.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . 94

6.2. Método de Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .96

6.3.Método de Taylor de Ordem 𝑃 = 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .99

6.4. Método de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101

4
6.4.1. Método de Runge-Kutta de ordem 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102

6.4.2. Método de Runge-Kutta de ordem 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102

6.4.2. Método de Runge-Kutta de ordem 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106

6.4.3. Método de Runge-Kutta de Ordem 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 112

7-Equações Diferenciais Parciais

7.1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

7.2. Classificação das Equações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

7.3. Equações Parabólicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .116

7.4. O Problema de Dirichlet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .120

7.5. Métodos de Diferenças Finitas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122

7.5.1. Método Explícito. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122

7.5.2. Método Implícito. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .125

7.6. Método de Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .127

7.7. Equações Elípticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .130

7.8. Método das Diferença Finita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131

Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

5
 CAPÍTULO 1
Noções Básicas Sobre Erros

1.1. INTRODUÇÃO

A obtenção de uma solução numérica para um problema físico por meio da aplicação de méto-
dos numéricos nem sempre fornece valores que se encaixam dentro de limites razoáveis. Essa
afirmação é verdadeira mesmo quando se aplica um método adequado e os cálculos são efetuados
de uma maneira correta.

Esta diferença é chamada de erro e é inerente ao processo, não podendo, em muitos dos casos,
ser evitada.

Para facilitar a apresentação das fontes de erros, o processo de solução de um problema físico,
por meio da aplicação de métodos numéricos, é representado abaixo de uma forma geral.

Duas fases podem ser identificadas no diagrama acima:

a) MODELAGEM: é a etapa de construção de um modelo matemático que descreve o

comportamento do problema em questão.

6
 b) RESOLUÇÃO: é a etapa de obtenção da solução do modelo matemático através da aplica-
ção de métodos numéricos.

1.2. ERROS NA FASE DE MODELAGEM

São erros decorrentes de simplificações, muitas vezes necessárias, para que o fenômeno da
natureza que estivermos observando possa ser representado por um modelo matemático e que tenha
condições de ser tratado com ferramentas matemáticas disponíveis.

1.3. ERROS NA FASE DE RESOLUÇÃO

São erros provenientes da utilização de algum equipamento, como, por exemplo, um

computador, para processarmos os cálculos necessários à obtenção de uma solução para o modelo
matemático. Tais erros ocorrem devido ao fato de os equipamentos terem capacidade limitada para
armazenar os dígitos significativos de valores numéricos utilizados nas operações elementares de
adição, subtração, multiplicação e divisão. Os erros nessa fase de resolução podem ser classificados
em erros na mudança de base e erros de representação.

1.4. ERRO ABSOLUTO

Definimos erro absoluto como

Eabs= |aex – aaprox|

Ondeaexé o valor exato da grandeza considerada e aaprox é o valor aproximado da mesma

grandeza.

Como na maioria das vezes o valor exato não é disponível, a definição anterior fica sem
sentido. Assim, é necessário trabalharmos como um limitante superior para o erro, isto é, escrevê-lo
na forma:

|aex – aaprox|≤ 𝜺

onde𝜺 é um limitante conhecido.

7
1.5. ERRO RELATIVO

Definimos erro relativo como:

|𝑬𝒂𝒃𝒔 | 𝒂𝒆𝒙 − 𝒂𝒂𝒑𝒓𝒐𝒙

𝑬𝒓𝒆𝒍 = =
𝒂𝒆𝒙 𝒂𝒆𝒙

Ondeaex é o valor exato da grandeza considerada e aaprox é o valor aproximado.

Como na maioria das vezes o valor exato não é disponível, a definição anterior fica sem
sentido. Dessa forma, é preciso trabalhar com um limitante superior para o erro:

𝜺
𝜹≤
𝒂𝒂𝒑𝒓𝒐𝒙

onde δ, é um limitante conhecido.

Podemos observar que o erro relativo nos fornece mais informações sobre a qualidade do erro
que estamos cometendo num cálculo, uma vez que no erro absoluto não é levada em consideração a
ordem de grandeza do valor calculado, enquanto no relativo esta ordem é contemplada.

Exemplo 1.1

a) Consideremos o valor exato aex = 2345.713 e o valor aproximado aaprox = 2345.000

Então,
Eabs= 0.713
Erel = 0.00030396
b) Consideremos o valor exato aex = 1.713 e o valor aproximado aaprox = 1.000
Então,
Eabs = 0.713
Erel = 0.416229

Observe que no exemplo anterior o erro absoluto é o mesmo para os dois itens “a” e “b”,
embora o erro cometido pela aproximação seja muito mais significativo no item “b”. No item “a”, o
erro relativo é da ordem de 0,03% e no item “b” é da ordem de 41,6%.

Exercício 1.1

Calcular os erros absoluto e relativo referente o valor exato (x) e o valor aproximado (y) em cada
item:
a) x =1,5 e y=1,49
b) x5,4 e y5,39

8
1.6. ERRO DE TRUNCAMENTO

Quando representamos uma função através de uma série infinita e, por limitações do sistema de
armazenamento de dados do equipamento, consideramos apenas um numero finito de termos,
dizemos que estamos cometendo um erro de truncamento. Considere o seguinte exemplo:

Exemplo1.2

a) Consideramos a representação de uma função 𝒇(𝒙) utilizando a série de Taylor, nas

vizinhanças do ponto 𝒙:
(𝑥 − 𝑥 ) (𝑥 − 𝑥 )2 (𝑥 − 𝑥)𝑛
𝑓 𝑥 = 𝑓 𝑥 + 𝑓 (1) 𝑥 + 𝑓 (2) 𝑥 + ⋯ + 𝑓 (𝑛) 𝑥 +⋯
1! 2! 𝑛!

onde 𝑓 (𝑛) 𝑥 é o valor da n-ésima derivada da função 𝑓 𝑥 no ponto 𝑥.

Quando truncamos a série no 3º termo, isto é, consideramos apenas os termos até a derivada de
ordem 2, na expressão anterior, temos um erro cometido nessa aproximação, como segue:

(1)
(𝑥 − 𝑥) (2)
(𝑥 − 𝑥 )2
𝑓 𝑥 ≅𝑓 𝑥 +𝑓 𝑥 +𝑓 𝑥
1! 2!

a) Consideremos o desenvolvimento de 𝑓 𝑥 = 𝑒 𝑥 em série de Taylor, isto é:

𝑥2 𝑥3 𝑥𝑛
𝑒𝑥 = 1 + 𝑥 + + +⋯+ +⋯
2! 3! 𝑛!

ou, de forma compacta:

∞
𝑥
𝑥𝑛
𝑒 =
𝑛!
𝑛=0

Suponha que o equipamento utilizado para trabalhar numericamente com a série seja capaz de
armazenar somente dados referentes aos 4 primeiro termos, isto é:

𝑥2 𝑥3
𝑒𝑥 ≅ 1 + 𝑥 + +
2! 3!

Neste caso, desprezamos todos os termos de potência maiores que 4, isto é, truncamos a série
no termo de potência de ordem 3.

Destacando os quatro primeiros termos da série, podemos escrevê-la da seguinte maneira:

9
 ∞
1 𝑥𝑛
𝑒 = 𝑥 3 + 3𝑥 2 + 6𝑥 + 6 +
𝑥
6 𝑛!
𝑛=4

Vamos supor que desejamos calcular o valor de 𝑒 𝑥 para 𝑥 = 2 usando apenas os quatro
primeiros termos da série, isto é, a série truncada.

Neste caso, temos 𝑒 2 = 6.33333, que é um valor com erro absoluto significativo quando
comparado com o valor 𝑒 2 = 7.38906 obtido numa calculadora científica que armazena uma
quantidade maior de termos da série.

1.7. ERRO DE ARREDONDAMENTO

Arredondar um número na casa dié desconsiderar as casas di+1(j1,,) de talforma que:

diseja a última casa se di+1< 5

di+1seja a última casa se di+1≥5

Observe o seguinte exemplo:

Exemplo 1.3

Arredondar π na quarta casa decimal, sendo que 3,1415926535

π = 3,1416

Exercício 1.2

Sabendo-se que 𝑒 𝑥 pode ser escrito como:

∞
𝑥
𝑥𝑖
𝑒 =
𝑖!
𝑖=0

faça a aproximação de 𝑒 𝑥 através de um truncamento após quatro termos da somatória.

1.8. CONVERSÃO DE BASE

1.8.1 Conversão da Base 𝜷 para a Decimal (𝜷 →10)

Um número na base𝛽pode ser escrito, na base decimal, como:

10
 𝒎

𝒂𝒊 𝜷𝒊 = 𝒂𝒎 𝜷𝒎 + 𝒂𝒎−𝟏 𝜷𝒎−𝟏 + ⋯ 𝒂𝟐 𝜷𝟐 + 𝒂𝟏 𝜷 + 𝒂𝟎 + 𝒂−𝟏 𝜷−𝟏 + ⋯ + 𝒂𝒏+𝟏 𝜷𝒏+𝟏 + 𝒂𝒏 𝜷𝒏

𝒊=𝒏

onde:

 0 ≤ 𝑎𝑖 ≤ 𝛽
 m e nsão números inteiros, com n≤0 e m ≥ 0.

Para a conversão, faz-se a operação entre a mantissa do número normalizado e a base 𝛽 𝑒𝑥𝑝 .

1.8.2 Conversão da BaseDecimal para a 𝜷 (10→ 𝜷)

Para converter um numero da base decimal (N10) para base 𝛽 (Nβ) aplicamos um processo para
a parte inteira e outro para a parte fracionária.
a) Parte inteira (N):
Se N <β, então N10 = Nβ.

Se N ≥ 𝛽:

b) Parte fracionária
Para transformar um numero fracionário na base 10 para a base 2, utiliza-se o método das
multiplicações sucessivas, que consiste em:
i) Multiplicar um número fracionário por 2;
ii) Deste resultado, a parte inteira será o primeiro dígito do número na base 2 e a parte
fracionária é novamente multiplicada por 2. O processo é repetido até que a parte fracionária
do último produto seja igual a zero.

Exemplo 1.4
Mudar a representação dos números:

11
 i) 1101 da base 2, para a base 10,
ii) 0.110 da base 2, para a base 10,
iii) 13 da base 10, para a base 2,
iv) 0.75 da base 10, para a base 2,
v) 3.8 da base 10, para a base 2.

Para cada número daremos qual o procedimento a ser seguido. Assim:

i) 1101 que está na base 2, para a base 10.

Neste caso o procedimento é multiplicar cada algarismo do número na base 2 por potências
crescente de 2, da direita para a esquerda e somar todas as parcelas.

Assim: 1101 = 1 × 20 + 0 × 21 + 1 × 22 + 1 × 23= 1 + 0 + 4 + 8 = 13.

Logo, (1101)2 = (13)10.

ii) 0.110 que está na base 2, para a base 10.

Neste caso o procedimento é multiplicar cada algarismo do número na base 2, após o ponto,
porpotências decrescente de 2, da esquerda para a direita e somar todas as parcelas.
1 1
Assim:0.110 = 1 × 2−1 + 1 × 2−2 + 0 × 2−3 =2 + 4+ 0 = 0.75 .

Logo, (0.110)2 = (0.75)10.

iii) 13 que está na base 10, para a base 2.

Neste caso o procedimento é dividir o número por 2. A seguir continuar dividindo o quociente
por 2 até que o último quociente seja igual a 1. O número na base 2 será então obtido tomando-se o
últimoquociente e todos os restos das divisões anteriores. Assim:

Logo, (13)10 = (1101)2.

iv) 0.75 que está na base 10, para a base 2.

Neste caso o procedimento é multiplicar a parte decimal por 2. A seguir continuar

multiplicando aparte decimal do resultado obtido, por 2. O número na base 2 será então obtido
tomando-se a parteinteira do resultado de cada multiplicação.

12
 Assim:
0.75 × 2 = 1.50
0.50 × 2 = 1.00
0.00 × 2 = 0.00
Logo, (0.75)10 = (0.110)2.

v) 3.8 que está na base 10, para a base 2.

O procedimento neste caso é transformar a parte inteira seguindo o item iii) o que nos fornece

(3)10 = (11)2 e a parte decimal seguindo o item iv).

Assim, obtemos: 0.8 × 2 = 1.6

0.6 × 2 = 1.2
0.2 × 2 = 0.4
0.4 × 2 = 0.8
0.8 × 2 = . . .
Logo, (3.8)10 = (11.11001100. . .)2. Portanto o número (3.8)10 não tem representação exata na
base2. Esse exemplo ilustra também o caso de erro de arredondamento nos dados.

No exemplo anterior, mudamos a representação de números na base 10 para a base 2 e vice-

versa. Omesmo procedimento pode ser utilizado para mudar da base 10 para outra base qualquer e
vice versa.A pergunta que surge naturalmente é: qual o procedimento para representar um número
que está numa dada base 𝛽1 em outra base 𝛽2 , onde 𝛽1 ≠𝛽2 ≠10? Nesse caso devemos utilizar o
seguinteprocedimento: inicialmente representamos o número que está na base β1na base 10 e a
seguir o númeroobtido na base 10, na base𝛽2 .

Exemplo 1.5
Dado o número 12.20 que está na base 4, representá-lo na base 3.

Assim, usando os procedimentos dados no exemplo anterior, obtemos:

12 = 2 × 40 + 1 × 41 = 6.
2
0.20 = 2 × 4−1 + 0 × 4−2 =4= 0.5 .

Portanto: (12.20)4 = (6.5)10. Agora:

13
 Portanto: (6.5)10 = (20.11 . . .)3. Logo (12.20)4 = (20.111 . . .)3. Observe que o número dado na
base4 tem representação exata na base 10, mas não na base 3.

Exercício 1.3

Faça as seguintes conversões de base:

a) 10112 = x10

b) 11,012 = x10
c) 403,125 = x10
d) 100101,10012 = x10
e) 19,3867187510 = x4

Exercício 1.4

Considere os seguintes números: x1 = 34, x2 = 0.125 e x3 = 33.023 que estão na base 10. Escreva-os
na base 2.

Exercício 1.5

Considere os seguintes números: x1 = 110111, x2 = 0.01011 e x3 = 11.0101 que estão na base 2.

Escreva-os na base 10.

Exercício 1.6

Considere os seguintes números: x1 = 33, x2 = 0.132 e x3 = 32.013 que estão na base 4. Escreva-os
na base 5.

Exercício 1.7

Transforme a medida 35 h 48 min 18 seg para minutos.DICA: 35:48,1860 = x10 min.

14
Exercício 1.8

Transforme 35,805 horas para horas, minutos e segundos.DICA: 35,80510 = x60.

1.9. PONTOS FLUTUANTES

Um número no sistema de ponto flutuante é caracterizado por uma base b, um número de

dígitos significativos n e um expoente exp.

Dizemos que um número real nr está representado no sistema de ponto flutuante se for possível
escrevê-lo da seguinte maneira:

𝑛𝑟 = 𝑚 × 𝑏 𝑒𝑥𝑝

Ondem é a mantissa do número, b≥ 2 é a base e exp é o expoente da base.

Nesse sistema de ponto flutuante, as seguintes condições devem ser verificadas:

𝑚 = ± 0. 𝑑1 𝑑2 𝑑3 … 𝑑𝑛

sendo n o numero máximo de dígitos na mantissa, 𝑑1 , 𝑑2 , ... , 𝑑𝑛 , dígitos significativos na mantissa,

do sistema de representação, com o primeiro digito satisfazendo a condição 1 ≤ 𝑑1 ≤ (𝑏 − 1) e os
demais dígitos satisfazendo 0 ≤ 𝑑𝑖 ≤ (𝑏 − 1); i = 2, 3,..., n.

O exp varia da seguinte maneira:

𝑒𝑥𝑝𝑚í𝑛 ≤ 𝑒𝑥𝑝 ≤ 𝑒𝑥𝑝𝑚á𝑥

sendo 𝑒𝑥𝑝𝑚í𝑛 ≤ 0 e 𝑒𝑥𝑝𝑚á𝑥 ≥ 1 com 𝒆𝒙𝒑𝒎í𝒏 e 𝒆𝒙𝒑𝒎𝒂𝒙 inteiros.

A união de todos os números em ponto flutuante, juntamente com a representação do zero,

constitui o sistema de ponto flutuante normalizado, que indicamos por SPF (b, n, expmin, expmax).

Exemplo 1.6

Vejamos os sistemas de ponto flutuante de algumas máquinas antigas: HP 25, F(10,9,-98,100);

Texas SR 50 e HP 41C, F(10,10,-98,100); Texas SR 52, F(10,12,-98,100); IBM360/370, F(16,6,-
64,63); Burroughs B 6700, F(8,13,-51,77). Comparando com sua calculadora ou seu
microcomputador, estas máquinas podem ser ditas obsoletas, no ponto de vista do sistema de ponto
flutuante?

15
Exemplo 1.7

Vejamos dois números binários com oito algarismos significativos:

𝑛1 = 0.11100110 * 22 , que representa a quantidade 3,59375 (em base dez);
𝑛2 = 0.11100111 * 22 , que representa a quantidade 3,609375 (em base dez).
Observe que, no sistema de representação utilizado, 𝑛1 e 𝑛2 são dois números consecutivos, ou seja,
não podemos representar nenhum outro número que tenha valor intermediário. Portanto, por
exemplo, a quantidade 3.6 não tem representação exata neste sistema, sendo representado por 𝑛1 ou
𝑛2 , o que gerará um erro, denominado Erro de Arredondamento. Assim, enquanto os números
reais podem ser representados por uma reta contínua, em notação de ponto flutuante somente
podemos representar pontos discretos da reta real.

Exemplo 1.8

Escrever os númerosx1 = 0.35; x2 = −5.172; x3 = 0.0123; x4 = 5391.3 e x5 = 0.0003, onde todos

estão na base 𝛽 = 10, em ponto flutuante na forma normalizada.

Temos então:
0.35 = (3 × 10−1 + 5 × 10−2) × 100 = 0.35 × 100 ,
−5.172 = −(5 × 10−1 + 1 × 10−2 + 7 × 10−3 + 2 × 10−4) × 101= −0.5712 × 101 ,
0.0123 = (1 × 10−1 + 2 × 10−2 + 3 × 10−3) × 10−1 = 0.123 × 10−1,
5391.3 = (5 × 10−1 + 3 × 10−2 + 9 × 10−3 + 1 × 10−4 + 3 × 10−5) × 104= 0.53913 × 104,
0.0003 = (3 × 10−1) × 10−3 = 0.3 × 10−3.

Agora, para representarmos um sistema de números em ponto flutuante normalizado, na base

𝛽, comtdígitos significativos e com limites do expoente m e M, usaremos a notaçãoF(𝜷, t,m,M).
Assim um número em F(𝜷, t,m,M) será representado por:
± 0. 𝑑1 𝑑2 . . . 𝑑𝑡 × 𝛽𝑒 ,
onde 𝑑1 ≠ 0 e – 𝑚 ≤ 𝑒 ≤ 𝑀.

Exemplo 1.9

Considere o sistema F(10, 3, 2, 2).Represente nesse sistema os números do exemploanterior.

Temos então que nesse sistema um número será representado por ± 0.d1d2d3 × 10e, onde
−2 ≤ 𝑒 ≤ 2. Assim:
0.35 = 0.350 × 100

16
 −5.172 = −0.517 × 101
0.0123 = 0.123 × 10 − 1

Observe que os números 5391.3 e 0.0003não podem ser representados no sistema. De fato, o
número 5391.3 = 0.539 × 104 e, portanto, o expoente é maior que 2, causando overflow, por outro
lado0.0003 = 0.300 × 10−3 e assim o expoente é menor que -2 causando underflow.

Exemplo 1.10
Em 𝐹(10, 4, −98, 100), as quantidades 0.333333, 0.123952, 0.348446 𝑒 0.666 são
representadas por corte, respectivamente, como 0.3333, 0.1239, 0.3484 e 0.6666 (observe que
apenas consideramos os primeiros dígitos do número) e são representados por arredondamento,
respectivamente, por 0.3333, 0.1240, 0.3484 e 0.6667 (observe que quando o próximo dígito é
maior que 5, o último algarismo é aumentado de uma unidade).

Exemplo 1.11
O número real 9/8 = 1.125 é escrito na base dois como 0.1001 × 21 . Portanto, ele não pertence ao
sistema 𝐹(2, 3, −1, 2). No entanto, sua representação por corte é 0.100 × 21 (igual a 1 na base dez)
e por arredondamento é 0.101 × 21 (igual a 1,25 na base 10). Observe que o erro de
arredondamento em qualquer das duas representações é o mesmo, mas isto, em geral, não ocorre.
Por outro lado, os números reais 𝑥 = 5/4 e 𝑦 = 3/8 pertencem a este sistema, mas sua soma, x +
y = 13/8, está fora do sistema de ponto flutuante em questão.

Exercício 1.9

Considere o sistema 𝑭(𝟏𝟎, 𝟒, 𝟒, 𝟒). Represente neste sistema osseguintes números:

𝑥1 = 4321.24, 𝑥2 = −0.0013523, 𝑥3 = 125.64, 𝑥4 = 57481.23e 𝑥5 = 0.00034.

Exercício 1.10

Represente no sistema 𝑭(𝟏𝟎, 𝟑, 𝟏, 𝟑) os números do exercício anterior.

Exercício 1.11
Represente os números abaixo, por arredondamento e por corte, no sistema de ponto flutuante
𝐹(6,4, −2,3):

17
 a) 0.0055555
b) 1345.15
c) 0.000123425
d) 0.055555
e) 13.053

Considerando o sistema de ponto flutuante normalizado dado na forma 𝑭(𝜷, 𝒕, 𝒎, 𝑴), temos:

a) O menor positivo exatamente representável, não nulo, é o real formado pela menor mantissa
multiplicada pela base elevada ao menor expoente, isto é:
menor = (0.1000. . .0) × 𝛽 𝑒𝑥𝑝 𝑚 í𝑛

b) O maior positivo exatamente representável é o real formado pela maior mantissa

multiplicada pela base elevada ao maior expoente, isto é:
maior = (0. [𝛽 − 1] 𝛽 − 1 𝛽 − 1 … [𝛽 − 1]) × 𝛽𝑒𝑥𝑝𝑚á𝑥

c) O número máximo de mantissas positivas possíveis é dado por:

mantissas+ = (𝛽 − 1) × 𝛽 𝑛−1

d) O número máximo de expoentes possíveis é dado por:

exppossíveis = expmáx – expmín + 1

e) O número de elementos positivos representáveis é dado pelo produto entre o número

máximo de mantissas pelo máximo de expoentes, isto é:
NR+ = mantissas+× exppossíveis

Se considerarmos que dado um número real nr ∈ 𝑺𝑷𝑭 temos que -nr ∈ 𝑺𝑷𝑭 e a representação
do zero, podemos concluir que o numero total de elementos exatamente representáveis NRté dado
por:

NRt = 2 × NR+ + 1

Exemplo 1.12

Considere o sistema de ponto flutuante 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:

18
 a) O menor exatamente representável:
1
0.10 × 3−1 = 1 × 3−1 + 0 × 3−2 × 3−1 =
9
a) O maior exatamente representável:
0.22 × 32 = 2 × 3−1 + 2 × 3−2 × 32 = 8
b) A quantidade de reais exatamente representáveis:
Temos que a quantidade de reais positivos exatamente representáveis é dada pelo produto entre
todas as mantissas possíveis de dois dígitos, formadas com os dígitos da base 3, isto é, 0.10, 0.11,
0.12, 0.20, 0.21, 0.22, e todas as possibilidades de expoentes, que no caso são -1, 0, 1, 2:
NR+ = mantissas+×exppossíveis= 6 × 4 = 24
Logo,

NRt = 2 × NR+ + 1 = 2 × 24 + 1 = 49

1.10 OPERAÇÕES ARITMÉTICAS EM PONTO FLUTUANTE

Considere uma máquina qualquer e uma série de operações aritméticas. Pelo fato do
arredondamento ser feito após cada operação temos, ao contrário do que é válido para números
reais, que as operações aritméticas (adição, subtração, divisão e multiplicação) não são nem
associativas e nem distributivas. Ilustraremos esse fato através de exemplos.

Nos exemplos desta seção considere o sistema com base 𝛽 = 10, e 3 dígitos significativos.

Exemplo 1.13

Efetue as operações indicadas:

a) (i) (11.4 + 3.18) + 5.05 e (ii) 11.4 + (3.18 + 5.05) ,

3.18 ×11.4 3.18

b) (i) e (ii) 5.05 × 11.4
5.05

c) (i) 3.18 × (5.05 + 11.4) e(i) 3.18 × 5.05 + 3.18 × 11.4

Para cada item, fazendo o arredondamento após cada uma das operações efetuada, segue que:

a) (i): (11.4 + 3.18) + 5.05 = 14.6 + 5.05 = 19.7.

Enquanto(ii): 11.4 + (3.18 + 5.05) = 11.4 + 8.23 = 19.6 .

19
 3.18 × 11.4 36.3
b) (i): = = 7.19.
5.05 5.05

3.18
Enquanto (ii): 5.05 ×11.4 = 0.630 × 11.4 = 7.18,

c) (i): 3.18 × (5.05 + 11.4) = 3.18 × 16.5 = 52.3.

Enquanto (ii):3.18 × 5.05 + 3.18 × 11.4 = 16.1 + 36.3 = 52.4 .

Exercício 1.12
Trabalhando como no exemplo 1.14 acima, no mesmo sistema de ponto flutuante ena mesma forma
de representação, verifique que:

a) (11.4 + 3.18) + 5.05 ≠11.4 + (3.18 + 5.05)

3.18 ×11.4 3.18
b) ≠ × 11.4
5.05 5.05
c) 3.18 × (5.05 + 11.4) ≠3.18 × 5.05 + 3.18 × 11.4.

Exercício 1.13
Realize todos os cálculos do exemplo 1.14, mas usando representação por truncamento.

Os itens (b) e (c) do exercício 1.14 nos mostram, respectivamente, que o produto não é
associativo, nem distributivo em relação a adição em um sistema de ponto flutuante. Sendo assim,
os erros de arredondamento introduzidos a cada operação influem na solução obtida pelo método
numérico aplicado. Consequentemente, métodos numéricos matematicamente equivalentes podem
fornecer resultados diferentes.

Exemplo 1.14
1
Somar dez vezes consecutivas usando arredondamento.
3

Temos então
0.333 + 0.333 + … + 0.333 =3.31 .
10 𝑣𝑒𝑧𝑒𝑠

Entretanto podemos obter um resultado melhor se multiplicarmos 0.333 por 10, obtendo 3.33.

20
Exemplo 1.15

Avaliar o polinômio

𝑃(𝑥) = 𝑥 3 – 6𝑥 2 + 4𝑥 – 0.1

no ponto 5.24 e comparar com o resultado exato.

Para calcular o valor exato consideremos todos os dígitos de uma máquina, sem usar
arredondamento a cada operação. Assim:

P(5.24) = 143.8777824 − 164.7456 + 20.96 − 0.1 = −0.00776 (valor exato)

Agora, usando arredondamento a cada operação efetuada, obtemos:

𝑃(5.24) = 5.24 × 27.5 − 6 × 27.5 + 4 × 5.24 − 0.1

= 144. − 165. + 21.0 − 0.1
= −0.10 (somando da esquerda para a direita)
= 0.00 (somando da direita para a esquerda).

Entretanto observe que 𝑃(𝑥) pode ser escrito como:

𝑃(𝑥) = 𝑥(𝑥(𝑥 − 6) + 4) – 0.1

Assim,
𝑃(5.24) = 5.24 (5.24 (5.24 − 6) + 4) − 0.1
= 5.24 (−3.98 + 4) − 0.1
= 5.24 (0.02) − 0.1
= 0.105 − 0.1
= 0.005 (sinal errado).

Observando os últimos exemplos, vemos que erros consideráveis podem ocorrer durante a
execução de um algoritmo. Isso se deve ao fato de que existem limitações da maquina e também
que erros de arredondamento são introduzidos a cada operação efetuada. Em consequência,

21
podemos obter resultados diferentes mesmo utilizando métodos numéricos matemáticos
equivalentes.

Assim, devemos ser capazes de conseguir desenvolver um algoritmo tal que os efeitos da
aritmética discreta do computador permaneçam inofensivos quando um grande número de
operações são executadas.

Exercício 1.14

Considere o sistema 𝐹(10, 3, 5, 5). Efetue as operações indicadas:

a) 1.386 – 0.987 + 7.6485e 1.386 – (0.987 – 7.6485)

1.338−2.038 1.338 2.038
b) e −
4.577 4.577 4.577

Exercício 1.15

17.678 9.617 2
Seja 𝑥 = +
3.471 3.716×1.85

a) Calcule x com todos os algarismos da sua calculadora, sem efetuar arredondamento.

b) Calcule x considerando o sistema 𝐹(10, 3, 4, 3). Faça arredondamento a cada operação
efetuada.

EXERCÍCIOS COMPLEMENTARES

1) Uma certa máquina de calcular trabalha com sistema de ponto flutuante na base 𝛽 = 2,
cinco dígitos na mantissa e expoente E, −4 ≤ 𝐸 ≤ 4. Ao representar o número 0.45 na base 10
nessa máquina, comete-se um erro relativo na base 10 que é

[]0% [ ] entre 2% e 3% [ ] entre 4% e 5% [ ] maior que 5%

2) Considere uma máquina de calcular que trabalha com sistema de ponto flutuante na base 10,
com dez dígitos na mantissa e expoente E, −8 ≤ 𝐸 ≤ 8. Mostre que nesta máquina a equação
𝑥 3 − 3 = 0 não possui solução.

3
(Sugestão: Utilize como referência o valor aproximado de 3em uma calculadora científica.)

22
 CAPÍTULO 2
Solução Numérica de Equações
2.1. INTRODUÇÃO

Em diversas áreas científicas, frequentemente nos deparamos com problemas que envolvem a
resolução de equações, como uma função de um variável real do tipo f (x) = 0. Para resolver
equações desse tipo, existem variados métodos numéricos, e alguns deles são apresentados a você
nesse capítulo.
Resolver a equação f (x) = 0 significa determinar um valor 𝑥 tal que f (𝑥) = 0, encontrar a
solução (e pode haver mais de uma) real ou complexa da equação, a chamada raiz ou zero da
função. Se temos, por exemplo,𝑓 (𝑥) = 𝑙𝑛 (𝑥 2 ) + 5 = 0, resolvemos essa equação
determinando a solução 𝑥 tal que f (𝑥) = 𝑙𝑛 (𝑥 2 ) + 5 = 0.
Métodos iterativos são desenvolvidos para determinar aproximadamente essa solução real𝑥.Em
geral, partindo de uma aproximação inicial x0,geramos uma sequência de soluções, também
aproximadas, que sob determinadas condições, convergem para a raiz 𝑥 .

Teorema2.1- Se uma função f (x) é contínua e assume valores de sinais opostos nos pontos
extremos do intervalo [a, b], isto é, se f (a) × f (b) < 0, então existe pelo menos um 𝑥 ∈ [a, b], tal
que f (𝑥) = 0.

Definição 2.1 - Um ponto 𝑥 [a, b] tal que f (𝑥) = 0, sendo 𝑓(𝑥) uma função dada, é um zero (ou
raiz) de f .

Exemplo 2.1
Seja f : (0,∞) → IR. Determinar as raízes de f (x) = lnx.

23
 O gráfico de lnx:

Nesse caso vemos que f (0.5) × f (1.5) < 0. Portanto existe uma raiz de f (x) no intervalo (0.5,
1.5). Além disso, a curva intercepta o eixo dos x num único ponto, pois se trata de uma função
crescente. Então 𝑥= 1 é a única raiz de f (x) = 0.

Exercício 2.1

Isolar os zeros da função f (x) = x3 -9 x +3.

Pode-se construir uma tabela de valores para f (x) e analisar os sinais:

x f (x)
-4
-3
-2
-1
0
1
2
3

24
2.2. MÉTODO DA BISSECÇÃO

O método da bissecção consiste em calcular o valor de uma função f (x) no ponto médio de um
𝑎+𝑏
intervalo. Considerando o intervalo [a, b] para o qual f (a) × f (b) < 0 temos x1 = .
2
Se o valor da função no ponto x1 obtido for nulo, x1 é a raiz de f e o método termina aí.
Porém, f(x1)≠ 0, é necessário encontrar um novo intervalo para aplicar o método. Existem duas
possibilidades:
 Sef(a)×f (x1) < 0, então f tem um zero entre a e x1. O processo pode ser repetido sobre o
novo intervalo [a, x1].
 Sef(a) × f (x1) > 0, existe uma raiz no intervalo [ x1, b] pois segue que f (b) × f (x1) < 0,
então este passa a ser o novo intervalo.

Cada repetição do método é chamada iteração e resumindo:

𝑎+𝑏
𝑥𝑘 = ,k = 1, 2,...
2
Se 𝑓 a × 𝑓 xk < 0, 𝑒𝑛𝑡ã𝑜 𝑏 = 𝑥𝑘

Se 𝑓 (a) × 𝑓 (xk ) > 0, 𝑒𝑛𝑡ã𝑜 𝑎 = 𝑥𝑘

2.2.1. Processo de Parada

1) Ter uma ideia aproximada de onde se localiza a raiz a se determinar é importante para
começar a se desenvolver qualquer método numérico. Uma boa forma de encontrar essa localização
é por meio da análise de gráficos. A partir dessa aproximação inicial é possível refinar a solução até
um número de casas decimais corretas, ou seja, com uma determinada precisão.
2) Podemos garantir que a precisão 𝜖 foi atingida quando o erro relativo for menor que esse
valor, portanto a cada iteração devemos realizar o teste e verificar se
𝑥𝑘+1 − 𝑥𝑘
< 𝜖,
𝑥𝑘+1

onde𝜖 é uma precisão pré-fixada e𝑥𝑘 e 𝑥𝑘+1 são duas aproximações consecutivas para 𝑥 . Se isso for
verdade, 𝑥𝑘+1 é a raiz procurada, isto é, tomamos 𝑥 = 𝑥𝑘+1 .

25
2.2.2. Estimativa do número de iterações

𝑎+𝑏 𝑎 + 𝑥1 𝑥2 + 𝑥1
𝑥1 = , 𝑥2 = , 𝑥3 = ,…
2 2 2

Desse modo, observamos que o maior erro que se pode cometer na primeira iteração (n = 1) é
(𝑏−𝑎) (𝑏−𝑎) (𝑏−𝑎)
, na segunda iteração (n = 2) é 2 , para n = 3 é e assim por diante, o que resulta,
2 2 23
𝑏−𝑎
na n-ésima iteração, em .
2𝑛
Para um determinado erro 𝜖 , o número mínimo de iterações necessárias é determinado pela
(𝑏−𝑎)
inequação ≤ 𝜖 que se resolve da seguinte maneira:
2𝑛

(𝑏 − 𝑎)
≤𝜖
2𝑛
(𝑏−𝑎)
log ≤ log 𝜖
2𝑛

log (b – a) – log 2n ≤ log 𝜖

log (b – a) – n log 2 ≤ log 𝜖
𝒍𝒐𝒈 (𝒃−𝒂) − 𝒍𝒐𝒈 𝝐
n≥
𝒍𝒐𝒈 𝟐

Exemplo2.2
Usando o método da bissecção, resolva a equação x2 + ln (x) = 0, com 𝜖 = 0,01.

a) Determinando graficamente uma vizinhança para a raiz, consideramos a forma equivalente

x2 = - ln(x), ou seja, f1 (x) = x2 e f2 (x) = -ln(x), conforme ilustrado abaixo:

26
 Observando a figura, podemos concluir que a raiz 𝑥 encontra-se na intersecção dos gráficos
𝑓1 (𝑥) e 𝑓2 (𝑥)e pertence ao intervalo [0.1, 1].

b) Considerando o intervalo inicial 𝑎 = 0.1 e 𝑏 = 1, temos 𝑓 (0.1)𝑓 (1) < 0, portanto,

temos uma raiz no intervalo [0.1, 1]. Observe que a função f (x) = 𝑥 2 + ln (x) é contínua no
intervalo dado.

c) Sequência de soluções aproximadas:

x0 = 0.5500 → solução inicial

𝑥1 −𝑥0
x1 = 0.7750 → 𝑥1
= 0.2903 > 𝜖
𝑥2 −𝑥1
x2 = 0.6625 → 𝑥0
= 0.1698 > 𝜖
𝑥3 −𝑥2
x3 = 0.6063 → 𝑥3
= 0.0927 > 𝜖
𝑥4 −𝑥3
x4 = 0.6344 → 𝑥4
= 0.0443 > 𝜖
𝑥5 −𝑥4
x5 = 0.6485→ 𝑥5
= 0.0217 > 𝜖
𝑥6 −𝑥5
x6 = 0.6555 → 𝑥6
= 0.0107 > 𝜖
𝑥7 −𝑥6
x7 = 0.6445 → 𝑥7
= 0.0171 > 𝜖
𝑥8 −𝑥7
x8 = 0.6425 → 𝑥8
= 0.0031 < 𝜖
Como o critério de parada foi satisfeito, temos a solução aproximada:
𝑥 ≅ 0.6425

27
Exercício 2.2
Determinar um valor aproximado para 5, com erro inferior a 102.

2.3. MÉTODO DE NEWTON, NEWTON-RAPHSON (OU MÉTODO DAS TANGENTES).

Este método,também conhecido como método das tangentesem razão de sua interpretação
geométrica, é uma particularidade do método das aproximações sucessivas. A ideia é construir uma
função ∅(𝑥) para a qual exista um intervalo contendo o zero , onde ∅′ 𝑥 < 1. Esta construção é
feita impondo ∅′ 𝛼 = 0. Como ∅′ 𝛼 deve ser uma função contínua, existe sempre uma vizinhança
I de ondemax𝑥∈𝐼 ∅′ 𝑥 < 1.

Portanto o método de Newton consiste de em determinar uma função ∅(𝑥) tal que | ∅′ (𝑥) | =
0. Neste caso para x na vizinhança de 𝑥, temos ∅′ 𝑥 ≅ 0 e, portanto ∅′ 𝑥 < 1 e a convergência
é garantida (∅(𝑥) e ∅′(𝑥) são contínuas) para isto considere ∅ 𝑥 = 𝑥 − 𝜃 𝑥 𝑓(𝑥).

Procuramos agora uma função 𝜃 𝑥 tal que:

∅′ 𝑥
= 1 + 𝜃 ′ 𝑥 𝑓 𝑥 + 𝑓 ′ 𝑥 𝜃 𝑥 = 0.

Como 𝑓 𝑥 = 0 e, supondo que 𝑓 ′ 𝑥 ≠ 0, temos que;

−1
𝜃 𝑥 =
𝑓′ 𝑥

−1
Assim, uma escolha para 𝜃 𝑥 é tomando para 𝜃 𝑥 = 𝑓 ′ e, portanto, de
𝑥

∅ 𝑥 = 𝑥 + 𝜃 𝑥 𝑓(𝑥)

temos
∅ 𝑥 = 𝑥 − 𝑓(𝑥) 𝑓 ′ (𝑥)

Desta forma, o processo iterativo é dado por:

∅ 𝑥𝑘 = 𝑥𝑘 − 𝑓(𝑥𝑘 ) 𝑓 ′ (𝑥𝑘 )

28
 𝑥𝑘+1 = 𝑥𝑘 − 𝑓(𝑥𝑘 ) 𝑓 ′ (𝑥𝑘 ) → método de Newton

Interpretação gráfica:

Definido como α o ângulo formado com o eixo das abscissas através da reta tangente à
função𝑓 ′ 𝑥 no ponto 𝑥𝑘 , temos:

𝑓(𝑥𝑘 )
𝑡𝑔 ∝ =
(𝑥𝑘 − 𝑥𝑘+1 )

ou seja:

𝑓(𝑥𝑘 )
𝑓′ 𝑥𝑘 =
(𝑥𝑘 − 𝑥𝑘+1 )

Portanto, temos:

∅ 𝑥𝑖 = 𝑥𝑘 − 𝑓(𝑥𝑘 ) 𝑓 ′ (𝑥𝑘 )

𝑓(𝑥𝑘 )
𝑥𝑘+1 = 𝑥𝑘 − .
𝑓′(𝑥𝑘 )

Note que o método de Newton requer que 𝑓 ′ (𝑥𝑘 ) ≠ 0 para todo i. No caso em que 𝑓 ′ 𝑥𝑘 = 0
(supondo que 𝑓(𝑥𝑘 ) ≠ 0), a reta tangente a função no ponto 𝑥𝑘 é paralela ao eixo das abscissas, e
𝑥𝑘+1 é indefinido, embora a convergência seja mais lenta.)

Podemos analisar esta situação observando, na figura abaixo que tanto 𝑓 ′ (𝑥𝑘 ) → 0 como
𝑓(𝑥𝑘 ) → 0 na medida em que calculamos as soluções aproximadas.

29
2.3.1. Convergência do método Newton

Para examinar a convergência do método Newton, supomos que 𝑓 𝑥 , 𝑓 ′ (𝑥) e 𝑓 ′′ (𝑥) sejam
contínuas na vizinhança da raiz 𝑥.

Como∅ 𝑥 = 𝑥 − 𝑓(𝑥) 𝑓 ′ (𝑥), temos que:

𝑓′ 𝑥 2
− 𝑓 𝑥 𝑓 ′′ 𝑥 𝑓 𝑥 𝑓 ′′ 𝑥
𝜃′ 𝑥
= =
𝑓′ 𝑥 2 𝑓′ 𝑥 2

Suponha que𝑥 seja um raiz simples de 𝑓(𝑥) = 0, então 𝑓’(𝑥) ≠ 0. Entretanto, pela
continuidade de f’(x) temos que |𝑓’(𝑥)| ≥ 𝜖, para algum ϵ ≥ 0 numa vizinhança de 𝑥.

Como 𝑓(𝑥) = 0, 𝑓’(𝑥) 𝑒 𝑓’’(𝑥) são contínuas podemos selecionarnavizinhança de 𝑥, uma

subvizinhança tal 𝑞𝑢𝑒 𝑓(𝑥)𝑓’’(𝑥) < 𝜖 2 .

Assim, nesta vizinhança temos que ∅′(𝑥) < 1 e, de acordo com o teorema de convergência do
método das aproximações sucessivas, o método de Newton gera uma sequência convergente para 𝑥.

2.3.2. Convergência quadrática

𝑒 𝑖+1
Definição: Dizemos que um método iterativo apresenta convergência quadrática se lim𝑖→∞ =
𝑒𝑖2

𝑘, onde k é chamada constante assintótica de proporcionalidade, 𝑒𝑖=|𝑥𝑖−𝑥| e𝑒𝑖+1=𝑥𝑖+1−𝑥 são os

erros cometidos nas iterações correspondentes.

Observação: O método de Newton apresenta convergência quadrática se f’(x)≠0.

30
Exemplo 2.3:

Usando o método de Newton, resolva a equação. 𝑥 2 − 2 = 0 com 𝜖 = 10−5 , isto é desejamos

calculo de 2.

Usando o processo iterativo de método de Newton, temos:

𝑓(𝑥𝑘 ) 1 2
𝑥𝑘+1 = 𝑥𝑘 − = . (𝑥𝑖 + )
𝑓′(𝑥𝑘 ) 2 𝑥𝑖

A partir de uma solução 𝑥0 inicial, geramos a sequência de soluções aproximadas:

x0 = 1.0000 → solução inicial dada

𝑥1 −𝑥0
x1 = 1.5000 → 𝑥1
= 0.33333 > 𝜖
𝑥2 −𝑥1
x2 = 1.41667 → 𝑥0
= 0.05882 > 𝜖
𝑥3 −𝑥2
x3 = 1.41422 → 𝑥3
= 0.00173 > 𝜖
𝑥4 −𝑥3
x4 = 1.41421 → 𝑥4
= 0.00001 > 𝜖
Como o critério de parada está satisfeito, temos que 𝑥 ≅ 𝑥4 = 1.41421. Podemos observar
que esta sequência converge para 𝑥 = 2.

Desta forma, podemos observar que, na media 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.

Exercício 2.2

Encontre usando o método de Newton, a menor raiz positiva da equação 4 𝑐𝑜𝑠 𝑥 − 𝑒 𝑥 = 0, com
erro inferior a 10-2.

Exercício 2.3

Usando o método de Newton, com erro inferior a 10-2, determinar uma raiz da seguinte equação:
5 𝑥 3 + 𝑥 2 – 12𝑥 + 4 = 0.

31
2.4. MÉTODO DAS SECANTES

Como foi observado anteriormente, uma séria desvantagem do método de Newton é a

necessidade de se obter 𝑓′(x), bem como calcular seu valor numérico, a cada passo. Há várias
maneiras de modificar o método de Newton a fim de eliminar essa desvantagem. Uma modificação
consiste em substituir a derivada 𝑓 ′ (𝑥𝑘 ) pelo quociente das diferenças:

𝑓 𝑥 𝑘 −𝑓(𝑥 𝑘−1 )
𝑓′(𝑥𝑘 ) ≅ ,
𝑥 𝑘 −𝑥 𝑘−1

onde𝑥𝑘 , 𝑥𝑘−1 são duas aproximações quaisquer para a raiz 𝑥. Note que 𝑓’(𝑥𝑘 ) é o limite da relação
acima para 𝑥𝑘−1 → 𝑥𝑘 ·.

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

(𝑥𝑘 − 𝑥𝑘−1 )𝑓(𝑥𝑘 )

= 𝑥𝑘 −
𝑓 𝑥𝑘 − 𝑓(𝑥𝑘−1 )

Assim, colocando o segundo membro sobre o mesmo denominador, obtemos uma expressão
mais simples para o método das secantes:

𝑥 𝑘−1 𝑓 𝑥 𝑘 −𝑥 𝑘 𝑓 𝑥 𝑘−1
𝑥𝑘+1 = (2.1)
𝑓 𝑥 𝑘 −𝑓(𝑥 𝑘−1 )

Observe que devem estar disponíveis duas aproximações iniciais, antes que (2.1)possa ser
usada. Na figura abaixo, ilustramos graficamente como uma nova aproximação, pode ser obtida de
duas anteriores.

32
 Vemos que, geometricamente, o método das secantes consiste em considerar, como
aproximação seguinte, a interseção da corda que une os pontos (𝑥𝑘−1 , 𝑓(𝑥𝑘−1 )) 𝑒 (𝑥𝑘 , 𝑓(𝑥𝑘 )) com
o eixo dos x. Tomando:
𝑓 𝑥𝑘 𝑥𝑘 − 𝑥𝑘−1
𝑥𝑘+1 = 𝑥𝑘 −
𝑓 𝑥𝑘 – 𝑓 𝑥𝑘−1
𝑥𝑘+1 − 𝑥𝑘 𝑥𝑘 − 𝑥𝑘−1
→ =
𝑓 𝑥𝑘 𝑓 𝑥𝑘 – 𝑓 𝑥𝑘−1
𝑓 𝑥𝑘 𝑓 𝑥𝑘 − 𝑓(𝑥𝑘−1 )
→ = = 𝑡𝑔 𝛼
𝑥𝑘+1 − 𝑥𝑘 (𝑥𝑘−1 − 𝑥𝑘 )

Exemplo 2.4:
Determinar a raiz positiva da equação: 𝑥 − 5𝑒 −𝑥 = 0, pelo método das secantes, com erro inferior
a 10−2.

Novamente, para obtermos os valores iniciais x0 e x1 necessários para iniciar o processo

iterativo, dividimos a equação original 𝑓(𝑥) = 0 em outras duas y1 e y2, com y1 = 𝑥 e y2 = 5𝑒 −𝑥 ,
que colocadas no mesmo gráfico, produz a figura abaixo:

O ponto de interseção das duas curvas é a solução 𝑥 procurada. Analisando a figura vemos que
𝑥 está nas vizinhanças do ponto 1.4. Assim, tomando 𝑥0 = 1.4 e 𝑥1 = 1.5, obtemos:
𝑓 𝑥0 = 𝑓 1.4 = 1.4 − 5𝑒 −1.4 = 1.183 − 5 × 0.247 = −0.052,

𝑓 𝑥1 = 𝑓 1.5 = 1.5 − 5𝑒 −1.5 = 1.225 − 5 × 0.223 = 0.110

Portanto, usando (2.1), obtemos que:

1.4 𝑓 1.5 −1.5 𝑓 1.4

x2 =
𝑓 1.5 −𝑓 1.4

33
 1.4 0.110 −1.5 −0.052
→x2 =
0.110—(−0.052)

→x2 = 1.432
Calculando o erro relativo:

𝑥2 − 𝑥1
≅ 0.047
𝑥2

Observamos que este é maior que 10−2 . Devemos, portanto fazer mais uma iteração.
Calculemos então:

𝑓 𝑥2 = 𝑓 1.432 = 1.432 − 5𝑒 −1.432

= 1.197 − 5 × 0.239 = 0.002.

Novamente, usando (2.1), obtemos:

1.5𝑓 1.432 −1.432𝑓 1.5

X3 =
𝑓 1.5 −𝑓 1.4

1.5 0.002 −1.432 0.110

→x3 =
0.002—(0.110)

→x3 = 1.431
Fazendo:

𝑥3 − 𝑥2
≅ 0.0007 < 10−2
𝑥3

Logo, a raiz positiva da equação 𝑥 − 5𝑒 −𝑥 = 0 com 𝜀 < 10−2 , é 𝑥 =1.431.

Exercício 2.4

Determinar, pelo método das secantes, uma raiz de cada uma das equações:

a) 𝑥 = −2,7 𝑙𝑛 𝑥,
b) 𝑙𝑜𝑔 𝑥 – 𝑐𝑜𝑠 𝑥 = 0,
c) 𝑒 −𝑥 − 𝑙𝑜𝑔 𝑥 = 0

34
2.5. MÉTODO DA FALSA POSIÇÃO

Podemos, ainda, variar o método das secantes e obter outro método, conhecido como o método
da falsa posição, o qual difere do método das secantes apenas na escolha dos pontos iniciais, 𝑥0 e
𝑥1 , os quais devem satisfazer à propriedade 𝑓 𝑥0 𝑓 𝑥1 < 0 e nos pontos escolhidos nas demais
iterações.

Uma nova aproximação é determinada usando o método das secantes, ou seja:

𝑥0 𝑓 𝑥1 − 𝑥1 𝑓 𝑥0
𝑥2 =
𝑓 𝑥1 − 𝑥0

Se

𝑥 2 −𝑥 0 𝑥 2 −𝑥 1
<𝜀 ou <𝜀
𝑥2 𝑥2

para um 𝜀 pré-fixado, então 𝑥2 é a raiz procurada. Caso contrário, calculamos 𝑓 𝑥2 e escolhemos

entre 𝑥0 e 𝑥1 aquele cuja 𝑓 tenha sinal oposto ao da 𝑓 𝑥2 . Com 𝑥2 e esse ponto calculamos 𝑥3
usando a fórmula das secantes, e assim sucessivamente. O processo iterativo deve ser continuado
até que se obtenha a raiz com a precisão pré-fixada.

Uma interpretação geométrica do método da falsa posição é dada no gráfico a seguir. Observe
que 𝑥𝑘+1 é o ponto de interseção da corda que une os pontos (𝑥𝑘−1 , 𝑓(𝑥𝑘−1 )) e 𝑥𝑘 , 𝑓 𝑥𝑘 com o
eixo dos 𝑥. Nesse caso o novo intervalo contendo a raiz será (𝑥𝑘−1 , 𝑥𝑘+1 ). A aproximação𝑥𝑘+2 será
o ponto de interseção da corda que une os pontos (𝑥𝑘−1 , 𝑓(𝑥𝑘−1 )) e (𝑥𝑘+1 , 𝑓(𝑥𝑘+1 )) com o eixo dos
𝑥. Observe ainda que a aplicação do método falsa posição sempre mantém a raiz procurada entre as
aproximações mais recentes.

35
Exemplo 2.5

Determinar a menor raiz positiva da equação 𝑥 − cos 𝑥 = 0 pelo método da falsa posição, com erro
inferior a 10−3.

Novamente, para obtermos os valores iniciais 𝑥0 e 𝑥1 necessários para iniciar o processo

iterativo, dividimos a equação original 𝑓(𝑥) = 0 em 𝑦1 = 𝑥 e 𝑦2 = 𝑐𝑜𝑠 𝑥 que colocadas no
mesmo gráfico, produz a seguinte figura:

O ponto de interseção das duas curvas é a solução 𝑥 procurada. Analisando a figura, vemos que
𝑥está nas vizinhanças do ponto 0.7. Assim, tomando 𝑥0 = 0.7 e 𝑥1 = 0.8, obtemos:

𝑓 (𝑥0 ) = 𝑓(0.7) = 0.7 − 𝑐𝑜𝑠 0.7 = 0.7 − 0.7648 = −0.0648

𝑓 (𝑥1 ) = 𝑓(0.8) = 0.8 − 𝑐𝑜𝑠 0.8 = 0.8 − 0.6967 = 0.1033

e portanto: 𝑓 (𝑥0 ) × 𝑓 (𝑥1 ) < 0. Portanto, obtemos que:

0.7 𝑓 (0.8) − 0.8 𝑓 (0.7)

𝑥2 =
𝑓 0.8 − 𝑓(0.7)

0.7 (0.1033) − 0.8 (−0.0648)

𝑥2 =
0.1033 − (−0.0648)

𝑥2 = 0.7383

Fazendo:

𝑥 2 −𝑥 0 𝑥 2 −𝑥 1
≅0.052e ≅0.084
𝑥2 𝑥2

obtemos que ambos são maiores que 10−3. Calculando:

𝑓 (𝑥2 ) = 𝑓(0.7383) = 0.7383 − 𝑐𝑜𝑠 0.7383

36
 𝑓(𝑥2 ) = 0.7383 − 0.7396 = −0.0013

vemos que 𝑓(𝑥2 ) × 𝑓(𝑥1 ) < 0, portanto a raiz está entre 𝑥1 e 𝑥2 . Assim, segue que:

0.8 𝑓 (0.7383) − 0.7383 𝑓 (0.8)

𝑥3 =
𝑓 (0.7383) − 𝑓 (0.8)

0.8 (−0.0013) − 0.7383 (0.1033)

𝑥3 =
−0.0013 − (0.1033)

𝑥3 = 0.7390

Calculando o erro relativo:

𝑥3 − 𝑥2
≅ 0.00095
𝑥3

vemos que este é menor 10−3. Assim, a menor raiz positiva, observe pelo gráfico que a raiz
positiva é única, da equação 𝑥 − 𝑐𝑜𝑠 𝑥 = 0, com 𝜀< 10−3, é 𝑥 = 0.7390.

Exercício 2.5

Determinar uma raiz para a equação 𝑠𝑒𝑛 𝑥 – 𝑥 𝑒 𝑥 = 0.

Exercício 2.6

A equação 𝑥 – 2 𝑠𝑒𝑛 𝑥 = 0 possui uma raiz no intervalo [1.8, 2.0]. Determiná-la pelo método da
Falsa Posição, com duas casas decimais corretas.

37
 Exercícios Complementares

1) Seja p um número primo maior do que 16384 = 214 . Usando o método da bisseção no
intervalo inicial [0; p] e 𝜖= 2−10 , qual é o número mínimo de iterações necessárias para calcular
p?

2) Aplique o método da bissecção para resolver a equação 𝑥 3 + 𝑐𝑜𝑠𝑥 = 0 com erro inferior a
𝜖 = 10−2 .

3) Utilizando o método de Newton e chamando de (𝑥𝑘 ), k = 0, 1, 2, ...a sequência de

aproximações para a solução da equação 𝑥 3 + 𝑥 − 𝜆 = 0 no intervalo [1, 2], com 𝑥0 = 1.5 e
𝜆 = 3, temos que 𝑥4 − 𝑥3 × 107 é um valor próximo de:
[ ]1.6 [ ] 11.2 [ ] 158.5 [ ] 6.2 [ ] 0.01

4) (a) Mostre que a fórmula para determinar a raiz cúbica de Q:

1 𝑄
𝑥𝑘+1 = 3 2𝑥𝑘 + 𝑥 2 , 𝑘 = 0, 1, 2, …
𝑘

é um caso especial do Método de Newton.

3
(b) Usando a fórmula do item anterior, calcule 4 com precisão de 10−2 .

5) Seja 𝑥𝑘 , 𝑘 = 1, 2, … a sequência de aproximações para a solução da equação

𝑥 2 − cos 𝑥 − 1 = 0 no intervalo [1, 2] pelo método de Newton. Considerando a aproximação
inicial 𝑥1 = 1.5, temos que o valor de 𝑥4 − 𝑥3 × 102 está próximo de:
[ ] 0.5 [ ] 13 [ ]4 [ ] 1.6 [ ] 0.03
6) Além da solução óbvia 𝑥 = 0, a equação 𝑓 𝑥 = 𝑥𝑠𝑒𝑛𝑥 + 3𝑥𝑐𝑜𝑠𝑥 − 2𝑥 = 0 tem outras
duas soluções no intervalo [-1, 2], sendo uma positiva e a outra negativa. Sejam (𝑆𝑘 ) e (𝑃𝑘 ),
𝑘 = 1, 2, … as sequências de aproximações para as raízes de 𝑓(𝑥) obtidas pelo método da Secante
e da Falsa Posição, respectivamente. Considerando (𝑆1 ) = (𝑃𝑘 ),= -1 e (𝑆2 ) = (𝑃2 ), = 1.5, temos que
𝑆5 − 𝑃5 × 102 é um número:
[ ] menor do que 3 [ ] entre 15 e 20 [ ] entre 30 e 35 [ ] entre 75 e 80 [ ] maior que 85

7) A equação 𝑓(𝑥) = (𝑥 − 1)(𝑥 − 2)𝑐𝑜𝑠(𝑥/2) = 0 tem cinco raízes no intervalo [-4, 10],
que chamaremos de r1, r2, r3, r4 e r5, com r1< r2< r3< r4< r5. Utilizando o método da Falsa Posição e
fazendo 𝑥1 = 6, 𝑥2 = 10, temos que 𝑥4 está mais próximo de:
[ ] r1 [ ] r2 [ ] r3 [ ] r4 [ ] r5

38
 CAPÍTULO 3
Interpolação
3.1. INTRODUÇÃO

Vamos começar o estudo da interpolação observando a tabela abaixo que informa o número de
carros que passa em um pedágio em um determinado dia:

Horário 10:00 12:00 14:00 15:00

Número (em mil) 2,98 1,09 1,48 2,43

Veja que só conhecemos o número de carros que passa em determinadas horas do dia, e não
sabemos quantos atravessam, por exemplo, às 12:30. A interpolação é uma forma de resolver esse
problema.

O mesmo ocorre com o exemplo a seguir. Observe agora uma tabela contendo uma lista de
valores para o calor especifico de um dado material em função de sua temperatura:

Temperatura (°C) 20 25 30 35 40 45
Calor específico 0.99907 0.99852 0.99826 0.99818 0.99828 0.99849

Se quisermos determinar o valor do calor específico a uma temperatura de 37ºC, uma

temperatura não tabelada surgiu a necessidade de obter um meio de trabalhar com essa função,
mesmo sem conhecer sua forma analítica. Para isso, podemos encontrar uma função que possa
representar os dados tabelados e a partir dela, encontrar o valor na temperatura desejada.

39
 A interpolação consiste em encontrar uma função, a partir dos dados tabelados, que possa
substituí-la, ou seja, que é uma aproximação da função desejada.

O mesmo método pode ocorrer quando nos deparamos com funções complicadas, de difícil
manipulação, sendo conveniente encontrar outra função mais simples para facilitar o manuseio.

As funções que substituem as funções dadas podem ser de vários tipos, tais como: logarítmica,
polinomial, exponencial e trigonométrica.

Neste capitulo estudaremos as funções polinomiais.

3.1.1. Conceito de interpolação

Seja a função 𝑦 = 𝑓(𝑥) representada pela tabela anterior. Deseja-se determinar 𝑓(𝑥), sendo:

a) 𝑥 𝜖 𝑥0 , 𝑥3 e 𝑥 ≠ 𝑥𝑖 , 𝑖 = 0, 1, 2, 3
b) 𝑥 ∉ 𝑥0 , 𝑥3

Para resolver (a) tem-se que fazer uma interpolação, sendo assim encontra-se uma
aproximação da função tabelada, ou seja, determina-se um polinômio interpolador. Por outro lado,
para resolver (b), deve ser realizada uma extrapolação, que não é objeto deste capitulo.

Exemplo 3.1

Na tabela a seguir está assinalado o número de habitantes de Belo Horizonte nos quatro últimos
censos:

Ano 1950 1960 1970 1980

Habitantes 352.724 683.908 1.235.030 1.814.990

Determinar o número de habitantes de Belo Horizonte em 1975.

Para se resolver este problema, deve-se fazer uma interpolação, já que 1975 ∈ (1950, 1980).

Exemplo 3.2

2𝑠𝑒𝑛 2 𝑥
Seja a função 𝑓 𝑥 = .Determinar:
𝑥+1

𝜋
a) 𝑓(16 ),
11𝜋
b) 𝑓( 18 ),

40
utilizando apenas valores da tabela:

i 0 1 2 3 4
xi 0 𝜋/6 𝜋/4 𝜋/3 𝜋/2
Sen (xi) 0.00 0.50 0.71 0.87 1.00

Deve-se, em primeiro lugar, construir uma nova tabela substituindo os valores da tabela acima
na função dada para obter os valores da função nos pontos disponíveis.

i 0 1 2 3 4
xi 0 𝜋/6 𝜋/4 𝜋/3 𝜋/2
f (xi) 0.00 0.33 0.56 0.74 0.78

Para o cálculo do item (a) deve-se fazer uma interpolação, já que π/16 ∈ (0, π/2).

11𝜋
Como não pertence ao intervalo considerado, o item (b) é um problema de extrapolação.
18

Serão vistos, a seguir, alguns métodos que permitem interpolar um ou mais pontos numa
função tabelada.

3.2. INTERPOLAÇÃO POLINOMIAL

Considere a função 𝑓(𝑥) definida em 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 . (𝑛 + 1) pontos distintos de um

intervalo [a, b], e denotamos 𝑦𝑖 = 𝑓 𝑥 𝑖 = 0, 1, … , 𝑛 conforme a representação na figura a seguir:

41
 Interpolar esta função 𝑓(𝑥) definida em 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 , (𝑛 + 1) pontos distintos de um
intervalo [a, b] consiste em aproximar esta função por um polinômio 𝑃(𝑥) de grau menor ou igual a
n, tal que este coincida com a função nestes pontos, isto é, 𝑃 𝑥𝑖 = 𝑓 𝑥𝑖 = 𝑦𝑖 𝑖 = 0, 1, … , 𝑛.

Apresentamos a seguir o teorema que garante a existência e unicidade do polinômio que

desejamos determinar.

Teorema 3.1: (Existência e unicidade)

Seja 𝑓(𝑥) definida em 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 , (𝑛 + 1) pontos distintos de um intervalo [a, b], então

existe um único polinômio 𝑃(𝑥) de grau menor ou igual a n tal que 𝑃 𝑥𝑖 = 𝑓 𝑥𝑖 = 𝑦𝑖 ,
𝑖 = 0, 1, … , 𝑛.

Definição 3.1:

Denominamos polinômio interpolador de uma função 𝑓(𝑥) definida em 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 ,

𝑛 + 1 pontos distintos de um intervalo [a, b], ao polinômio 𝑃(𝑥) de grau menor ou igual a n que
coincide com a função nos pontos 𝑥𝑖 , 𝑖 = 1, … , 𝑛, isto é, 𝑃 𝑥𝑖 = 𝑓 𝑥𝑖 = 𝑦𝑖 , 𝑖 = 0, 1, … , 𝑛.

Representamos graficamente conforme a figura a seguir:

Embora o polinômio interpolador coincida com a função nos pontos de interpolação

𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 , espera-se que 𝑃 𝑥 ≅ 𝑓 𝑥 para 𝑥 ≠ 𝑥𝑖 , 𝑖 = 0, … , 𝑛, ou seja, estimamos 𝑓(𝑥)
pelo polinômio interpolador e cometemos um erro nessa aproximação dado por:

𝐸 𝑥 =𝑓 𝑥 −𝑃 𝑥

Podemos representar graficamente, conforme a figura a seguir:

42
 Apresentamos, a seguir, uma expressão geral para o erro cometido quando aproximamos 𝑓(𝑥)
por um polinômio interpolador 𝑃(𝑥).

Teorema 3.2

Seja 𝑓(𝑥) definida em 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 , (𝑛 + 1) pontos distintos de um intervalo [a, b] e (n + 1)

vezes diferenciável. Se 𝑃(𝑥) interpola 𝑓(𝑥) nestes pontos, então o erro cometido 𝐸(𝑥) é dado por:

Ψ 𝑥 𝑛 +1
𝐸 𝑥 = 𝑓 𝑥 − 𝑃(𝑥) = 𝑓 (𝜉), 𝑖 = 1, . . . , 𝑛
𝑛+1 !

onde

n
𝜓 𝑥 = Πi=0 (𝑥 − 𝑥𝑖 ) e 𝜉 ∈ [𝑥0, 𝑥𝑛 ]

Limitante superior para erro

Na expressão do erro de truncamento do teorema acima, não é possível calcular o valor

𝑛 +1
numérico de 𝑓 (𝜉) pois o parâmetro 𝜉 não é conhecido no intervalo [𝑥0 , 𝑥𝑛 ]. Desta forma,
apresentamos uma estimativa para o erro como segue:

Como

Ψ 𝑥 𝑛 +1
𝐸 𝑥 = 𝑓 𝜉
𝑛+1 !

43
 Temos:

Ψ 𝑥 𝑛+1
Ψ 𝑥 𝑛+1
Ψ 𝑥
𝐸(𝑥) = 𝑓 𝜉 = 𝑓 𝜉 ≤ 𝑀
𝑛+1 ! 𝑛+1 ! 𝑛+1 !

𝑛+1
onde M = Max{ 𝑓 𝑥 , 𝑥 ∈ [𝑥0, 𝑥𝑛 ]}

Assim, temos um limitante superior para o erro:

Ψ 𝑥
𝐸(𝑥) ≤ 𝑀
𝑛+1 !

Observação 3.1:

De acordo com a fórmula do limitante superior para o erro, devemos dispor da (𝑛 + 1)-ésima
derivada de f(x), portanto só podemos calcular uma estimativa para o erro quando tivermos a
expressão analítica da 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.

Apesar de um polinômio interpolador de uma função ser único, existe outras maneiras de
determina-lo, inclusive com maior facilidade. Outras fórmulas interpoladoras são apresentadas a
seguir: Lagrange, Newton e Newton-Gregory.

3.3. FÓRMULA INTERPOLATÓRIA DE LAGRANGE

Seja 𝑓 (𝑥) definida em 𝑥0 , 𝑥1 , … , 𝑥𝑛 (𝑛 + 1) pontos de um intervalo [a, b] e 𝑦𝑖 = 𝑓(𝑥),

𝑖 = 0, … , 𝑛.
Considere o polinômio na forma:
𝑛

𝑃(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥) + ⋯ + 𝑦1 𝑙1 (𝑥) + ⋯ + 𝑦𝑛 𝑙𝑛 (𝑥) = 𝑦𝑘 𝑙𝑘 (𝑥)

𝑘=0

Mostraremos que P (x) é um polinômio interpolador, isto é, P(𝑥𝑖 ) = 𝑦𝑖 𝑖 = 0, … . , 𝑛. Desta

forma, temos:
𝑃(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥) + ⋯ + 𝑦1 𝑙1 (𝑥) + ⋯ + 𝑦𝑛 𝑙𝑛 (𝑥) = 𝑦𝑖 𝑖 = 0, … , 𝑛.

Para que o polinômio P(𝑥𝑖 ) = 𝑦𝑖 , 𝑖 = 0, … , 𝑛, é suficiente que:

𝑙𝑘 (𝑥𝑖 ) = 0 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑘
𝑙𝑘 (𝑥𝑖 ) = 1 𝑝𝑎𝑟𝑎 𝑖 = 𝑘
Para que o polinômio P(x) satisfaça esta propriedade, podemos considerar:

44
 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘−1 )(𝑥 − 𝑥𝑘+1 ) … (𝑥 − 𝑥𝑛 )
𝑙𝑘 (𝑥) =
(𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘−1 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )
Ou ainda,
𝑛
(𝑥 − 𝑥𝑗 )
𝑙𝑘 (𝑥) =
(𝑥𝑘 − 𝑥𝑗 )
𝑗 =0
𝑗 ≠𝑘

Assim, temos a fórmula de Lagrange para o polinômio interpolador:

𝑛

𝑃(𝑥) = 𝑦𝑘 𝑙𝑘 (𝑥)
𝑘=0

Exemplo 3.3
(3+𝑥)
Considere a função 𝑓(𝑥) = (1+𝑥) definida nos pontos conforme a tabel

𝑥𝑖 0.1 0.2 0.4

f(𝑥𝑖 ) 2.82 2.67 2.43

Determinamos o polinômio interpolador f (x), usando a fórmula de Lagrange, avaliamos

f (0.25) e um limitante superior para o erro.
Neste caso, temos 𝑃(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥) + 𝑦2 𝑙2 (𝑥) de grau 2.
Construção dos 𝑙𝑘 (𝑥):
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 0.2)(𝑥 − 0.4) 𝑥 2 − 0.6𝑥 + 0.08
𝑙0 (𝑥) = = =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (0.1 − 0.2)(0.1 − 0.4) 0.03
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) (𝑥 − 0.1)(𝑥 − 0.4) 𝑥 2 − 0.5𝑥 + 0.04
𝑙1 (𝑥) = = =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) (0.2 − 0.1)(0.2 − 0.4) −0.02
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) (𝑥 − 0.1)(𝑥 − 0.2) 𝑥 2 − 0.3𝑥 + 0.02
𝑙2 (𝑥) = = =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥) (0.4 − 0.1)(0.4 − 0.2) 0.06
Assim,
𝑥 2 − 0.6𝑥 + 0.08 𝑥 2 − 0.5𝑥 + 0.04
𝑃(𝑥) = (2.82) + (2.67) +
0.03 −0.02

45
 𝑥 2 − 0.3𝑥 + 0.02
+(2.43) = 𝑥 2 − 1.8𝑥 + 2.99
0.06

Portanto temos:
𝑃(𝑥) = 𝑥 2 − 1.8𝑥 + 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:
𝜓(𝑥)
𝐸(𝑥) ≤ 𝑀, 𝑐𝑜𝑚 𝑀 = 𝑚á𝑥 𝑓 (𝑛+1) (𝑥) , 𝑥 ∈ [𝑥0 , 𝑥𝑛 ]
(𝑛 + 1)!
para n = 2 temos:
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝐸(𝑥) ≤ 𝑀, 𝑐𝑜𝑚 𝑀 = 𝑚á𝑥 𝑓 (3) (𝑥) , 𝑥 ∈ [0.1, 0.4]
3!
−12
Como 𝑓 (3) (𝑥) = é uma função decrescente em módulo no intervalo [0.1, 0.4], temos
(1+𝑥)4
que:
𝑓 (3) (𝑥) assume o valor máximo em x = 0.1, ou seja:
𝑚á𝑥 𝑓 (3) (𝑥) = 8.1962
Assim, temos um limitante para o erro no ponto interpolador x = 0.25, como segue:

(0.25 − 0.1)(0.25 − 0.2)(0.25 − 0.4)

𝐸(0.25) ≤ (8.1962) = 0.0015
3!

Exercício 3.1
Considere a função f (x) definida nos pontos, conforme a tabela:
𝑥𝑖 0 0.5 1.0
f(𝑥𝑖 ) 1.3 2.5 0.9

Determine o polinômio interpolador, usando a fórmula de Lagrange, e estime 𝑓(0.8).

46
3.4. INTERPOLAÇÃO LINEAR

O caso linear é o caso mais simples da interpolação, onde o polinômio interpolador é de grau
≤ 1 (uma reta). A interpolação linear pode ser entendida como o ajuste de uma reta a dois pontos da
tabela e a determinação de um valor intermediário não tabelado.
Dados dois pontos distintos de uma função y = f(x), (x0, f(x0)) e (x1, f(x1)), e x ∈(x0, x1)
pretendemos saber, usando a interpolação polinomial, o valor de y = f(x).
Muitas tabelas são compiladas de forma que uma simples interpolação linear seja
suficientemente precisa, ou seja, o erro da interpolação linear é menor que a incerteza dos valores
tabelados.
Considere uma 𝑓(𝑥) definida em dois pontos𝑥0 𝑒 𝑥1 , conforme a figura abaixo.

Temos que,
𝑃(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥)
em que,
(𝑥 − 𝑥1 ) (𝑥 − 𝑥0 )
𝑙0 (𝑥) = 𝑒 𝑙1 (𝑥) =
(𝑥0 − 𝑥1 ) (𝑥1 − 𝑥0 )

Limitante superior para o erro

No caso da interpolação linear, podemos escrever um limitante superior para o erro da seguinte
forma:
𝜓(𝑥)
𝐸(𝑥) ≤ 𝑀
2!
em que,

47
 𝑀 = 𝑚á𝑥 𝑓 (2) (𝑥) , 𝑥 ∈ [𝑥0 , 𝑥1 ]
𝜓(𝑥) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )

Podemos notar que a função 𝜓(𝑥) é uma parábola passando pelos pontos𝑥0 e 𝑥1 e assume o
máximo valor em módulo no ponto médio p = (𝑥0 + 𝑥1 )/2.
Dessa forma, temos o valor da função 𝜓(𝑥) no ponto x:
𝑥0 + 𝑥1 𝑥0 + 𝑥1 𝑥0 + 𝑥1 (𝑥1 − 𝑥0 )2 𝑕2
𝜓(𝑥) = 𝜓 = − 𝑥0 − 𝑥1 = =−
2 2 2 4 4

Assim, temos um limitante superior para o erro:

−𝑕2 𝑕2
𝐸(𝑥) ≤ 𝑀= 𝑀
8 8
onde
𝑀 = 𝑚á𝑥 𝑓 (2) (𝑥) , 𝑥 ∈ [𝑥0 , 𝑥1 ]

Exemplo 3.4
1
Considere uma função 𝑓 (𝑥) = tabelada nos pontos:
(1+𝑥)

𝑥𝑖 1 2
f(𝑥𝑖 ) 1/2 1/3

Determine o polinômio interpolador usando a fórmula de Lagrange; avalie f(1.5) e um limitante

superior para o erro.

Temos:
𝑃(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥)
(𝑥 − 2) (𝑥 − 1)
𝑙0 (𝑥) = 𝑙1 (𝑥) =
1 − 2) (2 − 1)
(𝑥 − 2) (𝑥 − 1)
𝑃(𝑥) = 1/2 + 1/3 = (−1/6)𝑥 + 2/3
(−1) 1
𝑓(1.5) ≅ 𝑃(1.5) = 0.4167
Limitante superior para o erro:
𝑕2
𝐸(𝑥) ≤ 𝑀
8
onde
𝑀 = 𝑚á𝑥 𝑓 (2) (𝑥) , 𝑥 ∈ [𝑥0 , 𝑥1 ]

48
 Como a função 𝑓 (2) (𝑥) é decrescente em módulo, esta assume o valor máximo em x = 1.
Logo,
2
𝑀 = 𝑚á𝑥 𝑓 (2) (𝑥) = 𝑚á𝑥 = 1/4
(1 + 𝑥)3
Assim:
𝑕2 1 1
𝐸(𝑥) ≤ 𝑀 = ∙ = 0.0313
8 8 4

Exemplo 3.5
1
Qual deve ser a amplitude do intervalo a ser considerado no tabelamento da função 𝑓 (𝑥) = no
(1+𝑥)

intervalo [0, 2], de modo que a interpolação linear apresente um erro menor ou igual a 0.0001?

Sabemos que,
𝑕2
𝐸(𝑥) ≤ 𝑀
8
onde
𝑀 = 𝑚á𝑥 𝑓 (2) (𝑥) , 𝑥 ∈ [𝑥0 , 𝑥1 ]
𝑕2
Assim, basta impor que M ≤ 0.0001
8
2
Como a função 𝑓 (2) (𝑥) = é decrescente em módulo no intervalo [0, 2], o máximo valor
(1+𝑥)3

que esta função assume no ponto x = 0 é dado por:

2
𝑀 = 𝑚á𝑥 =2
(1 + 𝑥)3
Então temos:
𝑕2
(2) ≤ 0.0001 → 𝑕 ≤ 0.02
8
Portanto, a amplitude do intervalo a ser tomado é de 𝑕 ≤ 0.02.

Exercício 3.2
Interpolar o ponto x = 1,5 na tabela abaixo, empregando o polinômio interpolador de Lagrange.

i 0 1 2 3
𝑥𝑖 -2 0 1 2
f(𝑥𝑖 ) 1 3 1 5

49
 n = 3 é o grau máximo de 𝑃3 (𝑥).
3
𝑃3 (𝑥) = 𝑖=0 𝑦𝑖 𝑙𝑖 (𝑥) 𝑃3 (𝑥) =..........∙ 𝑙0 (𝑥) +.......... ∙ 𝑙1 (𝑥) +.......... ∙ 𝑙2 (𝑥) +.......... ∙ 𝑙3 (𝑥)
3
(𝑥 − 𝑥𝑗 )
𝑙𝑖 (𝑥) =
(𝑥𝑖 − 𝑥𝑗 )
𝑗 =0
𝑗 ≠𝑖

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝑙0 (𝑥) = =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝑙1 (𝑥) = =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 )
𝑙2 (𝑥) = =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑙3 (𝑥) = =
(𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )
Logo:
𝑃3 (𝑥) =
𝑃3 (𝑥) =
3
𝑃3 (1,5) = 𝑃3 =
2
𝑃3 (1,5) =

50
3.5. FÓRMULA INTERPOLATÓRIA DE NEWTON

Há várias formas de escrever o polinómio P(x), e o polinômio interpolador de Lagrange nem

sempre é o mais conveniente. Uma fórmula alternativa para o cálculo do polinômio interpolador é
baseada numa construção sucessiva a partir dos polinômios de graus inferiores, é a chamada
fórmula interpolatória de Newton.
Essa construção sucessiva se dá através das diferenças divididas, como segue:

Diferenças divididas
Seja 𝑓 (𝑥) uma função contínua, (𝑛 + 1) vezes diferenciável e definida em 𝑥0 , 𝑥1 , ... , 𝑥𝑛 (𝑛 +
1) pontos distintos de um intervalo [a, b].

Definição 3.2
Diferença dividida de ordem zero
Definimos diferença dividida de ordem zero de uma função 𝑓(𝑥) definida nos pontos 𝑥𝑖 ,

i = 0, 1, ..., 𝑛 por:

𝑓 𝑥𝑖 = 𝑓 𝑥𝑖 , 𝑖 = 0, 1, . . . , 𝑛

As diferenças divididas de ordens superiores são definidas recursivamente, como segue:

Definição 3.3
Diferença dividida de ordem n
Definimos diferença dividida de ordem n de uma função 𝑓(𝑥) definida nos pontos 𝑥𝑖 ,

i = 0, 1, ..., n por:

f [𝑥 1 ,𝑥 2 …, 𝑥 𝑛 ]−f [𝑥 0 ,𝑥 1 ,…,𝑥 𝑛 −1 ]
f [𝑥0 , 𝑥1 , … , 𝑥𝑛 ] =
(𝑥 𝑛 −𝑥 0 )

Podemos tabelar de forma conveniente as diferenças divididas, notando que as diferenças de

ordem 1 são calculadas a partir das diferenças de ordem zero, as diferenças de ordem 2, a partir das
diferenças de ordem 1 e, assim sucessivamente, como segue:

51
 𝑥 Ordem 0 Ordem 1 Ordem 2 Ordem 3
𝑥0 f [𝑥0 ]
f [𝑥0 , 𝑥1 ]
𝑥1 f [𝑥1 ] f 𝑥0 , 𝑥1 , 𝑥2 ]
f [𝑥1 , 𝑥2 ] f[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]
𝑥2 f [𝑥2 ] f [𝑥1 , 𝑥2 , 𝑥3 ]
f [𝑥2 , 𝑥3 ]
𝑥3 f [𝑥3 ]

Exemplo 3.6
Construir a tabela de diferenças divididas da função f(x) = 1/ x definida sobre os pontos
𝑥0 = 1, 𝑥1 = 2, 𝑥2 = 4, 𝑥3 = 5.

Construção das diferenças divididas:

Diferenças divididas de ordem zero:
f [𝑥0 ] = f (𝑥0 ) = 1
f [𝑥1 ] = f (𝑥1 ) = 1/2
f [𝑥2 ] = f (𝑥2 ) = 1/4
f [𝑥3 ] = f (𝑥3 ) = 1/5
Diferenças divididas de ordem 1:
f [𝑥 1 ]−f [𝑥 0 ] (1/2 −1)
f [𝑥0 , 𝑥1 ] = = = −1/2
(𝑥 1 −𝑥 0 ) (2−1)
f [𝑥 2 ]−f [𝑥 1 ] (1/4 −1/2)
f [𝑥1 , 𝑥2 ] = = = −1/8
(𝑥 2 −𝑥 1 ) (4−2)
f [𝑥 3 ]−f [𝑥 2 ] (1/5 −1/4)
f [𝑥2 , 𝑥3 ] = = = −1/20
(𝑥 3 −𝑥 2 ) (5−4)

Diferenças divididas de ordem 2:

f [𝑥 1 ,𝑥 2 ]−f [𝑥 0 ,𝑥 1 ] (−1/8+1/2)
f [𝑥0 , 𝑥1 , 𝑥2 ] = = = 1/8
(𝑥 2 −𝑥 0 ) 3
f [𝑥 2 ,𝑥 3 ]−f [𝑥 1 ,𝑥 2 ] (−1/20+1/8)
f [𝑥1 , 𝑥2 , 𝑥3 ] = = = 1/40
(𝑥 3 −𝑥 1 ) 3

Diferenças divididas de ordem 3:

f [𝑥 1 ,𝑥 2 ,𝑥 3 ]−f [𝑥 0 ,𝑥 1 ,𝑥 2 ] (1/40−1/8)
f [𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = = = −1/40
(𝑥 3 −𝑥 0 ) 4

Os cálculos podem ser convenientemente arranjados no tabelamento das diferenças divididas,

conforme segue:

52
 𝑥 Ordem 0 Ordem 1 Ordem 2 Ordem 3
1 1
-1/2
2 1/2 1/8
-1/8 -1/40
4 1/4 1/40
-1/20
5 1/5

Teorema 3.3
Seja f(x) uma função contínua, (n+1) vezes diferenciável no intervalo [a, b]. Sejam 𝑥0 , 𝑥1 , ... , 𝑥𝑛
(n+1) pontos distintos de [a, b]. Então temos:
𝑛
𝑓(𝑥𝑗 )
f [𝑥0 , 𝑥1 , … , 𝑥𝑛 ] = 𝑛
𝑗 =0 𝑘=0,𝑘≠𝑗 (𝑥𝑗 − 𝑥𝑘 )

Corolário 3.1
f [𝑥0 , 𝑥1 , … , 𝑥𝑛 ] = f [𝑥𝑗 0 , 𝑥𝑗 1 , … , 𝑥𝑗𝑛 ], onde 𝑗0, 𝑗1, … , 𝑗𝑛 é qualquer permutação de 0, 1, ..., n.
Desta forma, podemos escrever as diferenças divididas em qualquer ordem, como segue:
f [𝑥0 , 𝑥1 ] = f [𝑥1 , 𝑥0 ]
f [𝑥0 , 𝑥1 , 𝑥2 ] = f [𝑥1 , 𝑥0 , 𝑥2 ] = f [𝑥1 , 𝑥2 , 𝑥0 ] = ⋯
Segue destes resultados o seguinte corolário:

Corolário 3.2
f [𝑥0 , 𝑥1 , … , 𝑥𝑗 −1 , 𝑥𝑗 +1 , … , 𝑥𝑛 ] − f [𝑥0 , 𝑥1 , … , 𝑥𝑘−1 , 𝑥𝑘+1 , … , 𝑥𝑛 ]
f [𝑥0 , 𝑥1 , … , 𝑥𝑛 ] = , 𝑗≠𝑘
(𝑥𝑘 − 𝑥𝑗 )

Baseando-se nos resultados obtidos das diferenças divididas, podemos agora determinar uma
nova fórmula interpolatória, denominada fórmula de Newton.

Fórmula do Erro

Considere uma função 𝑓(𝑥) contínua definida em 𝑥0, 𝑥1, … , 𝑥𝑛, (𝑛 + 1) pontos distintos de um
intervalo [𝑎, 𝑏].
Determinamos as diferenças divididas de 𝑓(𝑥) nos pontos:

53
 Considerando os pontos 𝑥0 e 𝑥, temos:
f [𝑥 1 ]−f [𝑥 0 ]
f [𝑥0 , 𝑥1 ] = , 𝑥 ≠ 𝑥0
(𝑥 1 −𝑥 0 )

Portanto,
𝑓 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥
Da mesma forma, considerando os pontos 𝑥0 , 𝑥1 e x temos:
f 𝑥 1 ,𝑥 2 −f 𝑥 0 ,𝑥 1
f [𝑥0 , 𝑥1 , 𝑥2 ] = , 𝑥 ≠ 𝑥1
𝑥 2 −𝑥 0

Substituindo𝑓[𝑥0 , 𝑥] na expressão anterior, temos:

𝑓 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥1 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥0 , 𝑥1 , 𝑥
Assim sucessivamente, temos:
f 𝑥0 , 𝑥1 , … , 𝑥𝑛 − f 𝑥0 , 𝑥1 , … , 𝑥𝑛
f 𝑥0 , 𝑥1 , … , 𝑥𝑛 = , 𝑥 ≠ 𝑥𝑛
𝑥 − 𝑥𝑛
𝑓 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥1 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥0 , 𝑥1 , 𝑥2 + ⋯ +
𝑥 − 𝑥0 𝑥 − 𝑥1 … 𝑥 − 𝑥𝑛 −1 𝑓 𝑥0 , 𝑥1 , … , 𝑥𝑛 +
𝑥 − 𝑥0 𝑥 − 𝑥1 … 𝑥 − 𝑥𝑛 (𝑓 𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥
Desta forma, podemos escrever:
𝑓 𝑥 =𝑃 𝑥 +𝑅 𝑥
onde
𝑃 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥1 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥0 , 𝑥1 , 𝑥2 + ⋯ +
𝑥 − 𝑥0 𝑥 − 𝑥1 … 𝑥 − 𝑥𝑛−1 𝑓 𝑥0 , 𝑥1 , … , 𝑥𝑛
𝑹 𝒙 = 𝒙 − 𝒙𝟎 𝒙 − 𝒙𝟏 … 𝒙 − 𝒙𝒏 (𝒇 𝒙𝟎 , 𝒙𝟏 , … , 𝒙𝒏 , 𝒙

Teorema 3.4
Seja𝑓(𝑥) uma função contínua e definida em 𝑥0, 𝑥1, … , 𝑥𝑛 , (𝑛 + 1) pontos distintos de um intervalo
[𝑎, 𝑏] O polinômio de grau ≤ 𝑛 baseado nas diferenças divididas, dado por:
𝑃𝑛 𝑥 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥1 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥0 , 𝑥1 , 𝑥2 + ⋯ +
𝑥 − 𝑥0 𝑥 − 𝑥1 … 𝑥 − 𝑥𝑛−1 𝑓 𝑥0 , 𝑥1 , … , 𝑥𝑛
interpola 𝑓(𝑥) nos pontos 𝑥0, 𝑥1, … , 𝑥𝑛 .

Teorema 3.5
Seja 𝑓(𝑥) uma função contínua e suficientemente diferenciável no intervalo [𝑎, 𝑏] e definida em
𝑥0, 𝑥1, … , 𝑥𝑛 , (𝑛 + 1) pontos deste intervalo então, para 𝑥 ∈ [𝑎, 𝑏] e 𝑥 ≠ 𝑥𝑖 , 𝑖 = 0, 1, 2, . . . , 𝑛
𝑓 𝑛 +1 (𝜏)
temos que: 𝑓 𝑥0 , 𝑥1 , … , 𝑥𝑛 = , 𝜏𝜖[𝑎, 𝑏].
𝑛 +1 !

54
Exemplo 3.7
Considere a função 𝑓(𝑥) = 𝑒 𝑥 + 𝑐𝑜𝑠(𝑥) tabelado como segue:
𝑥𝑖 0 0.5 1.0
f(𝑥𝑖 ) 2 2.53 3.26

Determine o polinômio interpolador usando a fórmula de Newton; avalie 𝑓(0.7) e um limitante

superior para o erro.

Neste caso temos um polinômio interpolador de grau ≤ 2 dado por :

𝑷 𝒙 = 𝑓 𝑥0 + 𝑥 − 𝑥0 𝑓 𝑥0 , 𝑥1 + 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑓 𝑥0 , 𝑥1 , 𝑥2

Tabela das diferenças divididas:

𝑥 Ordem 0 Ordem 1 Ordem 2
0 2
1.06
0.5 2.53 0.4
1.46
1 3.26

Assim temos:
𝑃 𝑥 = 1 + 𝑥 − 0 1.06 + 𝑥 − 0 𝑥 − 0.5 0.4 = 0.4𝑥 2 + 0.86𝑥 + 1
e portanto
𝑓 0.7 ≅ 𝑝 0.7 = 2.4000
Para avaliar um limitante superior para o erro, usamos.
𝜑(𝑥) 𝑛 +1
𝐸 𝑥 ≤ 𝑚á𝑥 𝑓 𝑥 , 𝑥 ∈ 𝑥0 , 𝑥𝑛
(𝑛 + 1)!
Assim para 𝑛 = 2, temos:
𝑥 − 𝑥0 𝑥 − 𝑥1 𝑥 − 𝑥2 3
𝐸 𝑥 ≤ 𝑚á𝑥 𝑓 𝑥 , 𝑥 ∈ 0,1
3!
Como função 𝑓 (3) (𝑥) = 𝑒 𝑥 + 𝑠𝑒𝑛(𝑥), é uma função crescente em módulo no intervalo [0,1]
segue que:
3
𝑚á𝑥 𝑓 𝑥 = 3.5598, em 𝑥 = 1
Assim temos um limitante para o erro no ponto interpolado x=0.7 dado por:
0.7 − 0 0.7 − 0.5 0.7 − 1
𝐸 0.7 ≤ 3.5598 = 0.0249
6

55
Exercício 3.3
Seja f(x) dada em forma de tabela de valores, como segue:
x 0.2 0.34 0.4 0.52 0.6 0.72
f(x) 0.16 0.22 0.27 0.29 0.32 0.37

a) Obter f(0.47) usando um polinômio de grau 2.

b) Dar uma estimativa para o erro

Tabela de diferenças divididas

𝑥 Ordem 0 Ordem 1 Ordem 2 Ordem 3

0.2
‘
[ ‘
0.34 ‘ D [ ‘
[i D [
‘
g ‘
D i D
0.4 [ [
‘i g ‘i
i D
[t D [g
g i‘ i‘
De i D
t[ i
0.52 ‘i g ‘i g[
i eD t
t[
‘i [g iD
gu e ‘
De
[
i
t D ti
0.6 i m‘ u i‘ [
i D
g
e it eg
ta[ ‘m i [u D
i
gu i[ ge
eD at D
m i
im‘ gD u i ut
0.72 cai ia ge
t[ e tu m
uig i m
ic g i
eD t a em a
m
citi giu ic tu
aat eit ati e
uig m
c u cm
çe ta et
tmi u i m ia
cã eç ca u
aat m t ai t
io
çeu ãc u
ç
ac
m
tm au tã
m a
cã o i çi
ad ç ca
Exercícios
a Complementares m ao
o
iu c
t
ã iç ãt
ço ad c
tm io
a tã oa
ãc o cd iç
ad
1) Definimos a integral Elíptica Completa por ç ao
od i t
cã io t
ço
a d ç dã
ot id t a
cã çto
o
o ãd oo
dca 𝜋 ad ç
odi 2 1 ã o
𝑘 𝜆 = o uç acd 𝑑𝑥 ço
o ã
ot
1 − 𝜆2 𝑠𝑒𝑛 2 o d
𝑥 dd
mã 0 ç ãc o
dca u o o
deo integral, encontramos o d
d
A partir de uma tabela de valores dessa
u ãm o
u
oç dc o c
on o
e o
m d
mã d u
ctd ou cd
eo no e o
d
𝑘(1) = 1.5708,𝑘(2) = 1.5719 ed 𝑘(3) = 1.5739. duno
m m
uo tc
on de o ec
m o m
t d
ctd o
u
n ce nu
eo d d
o 56 o
uoo c
m
t u tm
nu o d
o n
o ce
e
 Interpolando a função 𝑘(𝜆) a partir dos pontos dados obtemos um polinômio 𝑝(𝜆).
Utilizando 𝑝(2.5),uma estimativa para 𝑘(2.5) − 𝑘(3) × 104 é:

[ ] 26.625 [ ] 8.875 [ ] 11.125 [ ] 6.625 [ ] 4.375

2) Em um experimento observou-se o crescimento do número de indivíduos de uma espécie de

larva, conforme a tabela abaixo:

Dias 0 2 4 6 8 10 12
Larvas/cm3 17 25 34 43 56 65 78

Com o objetivo de determinar uma função que melhor se ajustasse aos dados da tabela, foi
utilizado um método conhecido como Método dos Mínimos Quadrados e a partir dele obteve-se a
função

g(x) = 0.1x2 + 3.9x + 16.8

Interpolando os pontos x0 = 0, x1 = 4 e x2 = 8 (dias) da tabela acima, obtemos um polinômio

p(x) de grau 2. Comparando os dois métodos (mínimos quadrados e interpolação), a diferença na
estimativa do número de larvas para o quinto dia, em valor absoluto, é de aproximadamente:

[] 0.1 larvas/cm3 [ ] 0.2 larvas/cm3 [ ] 1.0 larvas/cm3 [ ] 0.6 larvas/cm3 [ ] 0.8 larvas/cm3

3) Considere a integral definida

1
𝐼= 𝑐𝑜𝑠(𝑥 2 ) 𝑑𝑥
0

Um computador fornece I = 0.904524238. Interpolando o integrando nos pontos x0 = 0, x1 = 0.7

ex3= 1, obtemos um erro em relação a I de aproximadamente:

[] 0.2% [ ] 3% [ ] 81% [ ] 12% [ ] 39%

57
 CAPÍTULO 4
Resolução de Sistemas Lineares
4.1. INTRODUÇÃO

A análise linear é uma das principais formas de se resolver uma variedade de problemas de
engenharia; entre eles podemos citar: cálculo da razão de escoamento num sistema hidráulico com
derivações, determinação do potencial em redes elétricas, previsão da concentração de reagentes
sujeitos à reações químicas simultâneas, cálculo da tensão na estrutura metálica da construção civil.
Todos esses casos passam pelo problema de encontrar uma solução que satisfaça mais de uma
equação simultaneamente.

Quando as equações são não lineares a solução de um conjunto de equações é muito mais
difícil. Felizmente, a maioria das aplicações envolve somente equações lineares, porém quando o
sistema é de grande porte devemos escolher o método numérico mais adequado para garantir a
máxima precisão.

Antes de desenvolvermos alguns métodos específicos, é importante deixar claro o que quer
dizer uma solução e as condições sob as quais a solução existe, pois não adianta tentar obter uma
solução se não há nenhuma. Uma equação é linear se cada termo contém apenas uma variável e
cada variável aparece na primeira potência. Por exemplo, 5𝑥 + 3𝑦 − 4𝑧 = −3 é linear, mas
𝑥𝑦 − 𝑧 = −3 não é, pois o primeiro termo contém duas variáveis. Também 𝑥 2 + 𝑦 − 6𝑧 = 0
não é linear, pois o primeiro termo contém uma variável elevada ao quadrado.

Vamos considerar n equações lineares com n variáveis (incógnitas) e vamos nos referir a elas
como um Sistema Linear de ordem n ou um Sistema de n Equações Lineares. Uma solução para
esse sistema de equações consiste de valores para todas as variáveis, tais que quando esses valores
são substituídos nas equações, todas elas são satisfeitas.

58
Exemplo 4.1

O sistema de três equações lineares:

𝑥 + 𝑦 + 𝑧 = 1
𝑥 − 𝑦 − 𝑧 = 1
2𝑥 + 3𝑦 − 4𝑧 = 9

tem a solução 𝑥 = 1, 𝑦 = 1 e 𝑧 = −1.

Observe que o sistema acima pode ser escrito na forma matricial como:

1 1 1 𝑥 1
1 −1 −1 𝑦 = 1
𝑧
2 3 −4 9

De um modo geral um sistema de n equações lineares é escrito como:

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 … + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 … + 𝑎2𝑛 𝑥𝑛 = 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 … + 𝑎3𝑛 𝑥𝑛 = 𝑏3
…
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 … + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

e é representado na forma matricial por:

𝑎11 𝑎12 ⋯ 𝑎1(𝑛−1) 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2(𝑛−1) 𝑎2𝑛 𝑥2 𝑏2
⋮ ⋮ = ,
⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎 𝑛(𝑛−1) 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛
ou simplesmente
𝐴𝑥 = 𝑏 ,
onde 𝐴 é chamada de matriz dos coeficientes, 𝑏 é o vetor do termo independente e 𝑥 é o vetor
solução.
Dado um sistema de equações qualquer, não podemos afirmar sem investigar que há uma
solução ou, se houver que seja única. Para isso, existem três possibilidades de se classificar um
sistema linear, como pode ser observado a seguir.

59
4.2. CLASSIFICAÇÃO DE UM SISTEMA LINEAR

A classificação de um sistema linear é feita em função do número de soluções que ele admite,
da seguinte maneira:

a) Sistema Possível ou Consistente: É todo sistema que possui pelo menos uma solução. Um
sistema linear possível pode ser:

i) determinado se admite uma única solução; ou,

ii) indeterminado se admite mais de uma solução.

b) Sistema Impossível ou Inconsistente: É todo sistema que não admite solução.

O próximo exemplo ilustra a classificação de um sistema linear.

Exemplo 4.2
Classificar os seguintes sistemas lineares:

𝑥−𝑦 = 4
(𝐼)
𝑥+𝑦 = 8

2𝑥 + 2𝑦 = 2
(𝐼𝐼)
3𝑥 + 3𝑦 = 3

2𝑥 + 𝑦 = 6
(𝐼𝐼𝐼)
2𝑥 + 𝑦 = 8

Consideremos o sistema (I):

A solução é 𝑥 = 6 e 𝑦 = 2; nenhum outro par de valores de 𝑥 e 𝑦 satisfaz ambas as
equações. Esse sistema é representado geometricamente pelo gráfico abaixo. Qualquer ponto da reta
𝑟1 tem coordenada que satisfaz a primeira das equações em (I). Do mesmo modo, todos os pontos
em r2 satisfazem a segunda equação de (I). Os pontos que satisfazem ambas as equações devem
localizar-se em ambas as retas. Há somente um ponto assim. As coordenadas desse ponto são a
solução que procuramos. Logo, o sistema (I) admite como única solução o par (6, 2)t. Portanto (I) é
um sistema possível e determinado.

60
 Consideremos agora o sistema (II)
O gráfico mostra essas duas retas.

Observe que geometricamente as retas 2 𝑥 + 2 𝑦 = 2 e 3𝑥 + 3𝑦 = 3 são coincidentes.

Assim, para osistema (II), temos que os pares (0, 1)𝑡; (1, 0)𝑡; (0.5, 0.5)𝑡, ...são soluções, isto é, o
sistema admite infinitas soluções. Logo (II) é um sistema possível e indeterminado.

Finalmente, consideremos o sistema (III):

Novamente, colocando as duas retas no mesmo gráfico, obtemos a seguinte figura:

61
 Observe que geometricamente as duas retas são paralelas. Assim, para o sistema (III), as duas
equações são contraditórias, isto é, não é possível que se tenha simultaneamente 2𝑥 + 𝑦 = 6 e
2𝑥 + 𝑦 = 8.
Logo, (III) é um sistema impossível.

4.3. SOLUÇÃO DE SISTEMAS

Nosso objetivo aqui será o de desenvolver métodos numéricos para resolver sistemas lineares
de ordem n, que tenham solução única. Observe que tais sistemas são aqueles onde a matriz dos
coeficientes é não singular, isto é, 𝑑𝑒𝑡(𝐴) ≠ 0.

Os métodos numéricos para solução de sistemas de equações lineares são divididos

principalmente em dois grupos:
Métodos Exatos: são aqueles que forneceriam a solução exata, não fossem os erros de
arredondamento, com um número finito de operações.
Métodos Iterativos: são aqueles que permitem obter a solução de um sistema com uma dada
precisão através de um processo infinito convergente.

Definição: Dois sistemas lineares são equivalentes quando admitem a mesma solução.

4.3.1 MÉTODO DE ELIMINAÇÃO DE GAUSS

Com (𝑛 − 1) passos, o sistema linear 𝐴 ∙ 𝑥 = 𝑏 é tranformado num sistema triangular

superior equivalente. Tome 𝑑𝑒𝑡𝐴 ≠ 0 como hipótese.

62
 𝐴 ∙ 𝑥 = 𝑏 ≈ 𝑈 ∙ 𝑥 = 𝑐, o que se resolve por substituição.

𝐴: 𝑏 ≈ 𝑈: 𝑐

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1 𝑢11 𝑢12 ⋯ 𝑢1𝑛 𝑐

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑏2 0 𝑢22 ⋯ 𝑢2𝑛 𝑐2
≈
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎 𝑛𝑛 𝑏𝑛 0 0 ⋯ 𝑢𝑛𝑛 𝑐𝑛

Exemplo 4.3

Resolver o sistema usando o método de eliminação de Gauss:

62−1/2 𝑥1 7
24 2 𝑥2 = 7
32 17/2 𝑥3 13

Montamos inicialmente a matriz 3 × 4:

62−1/2| 7
24 2 | 7
32 17/2 |13

1º passo:

Temos que:

(1) (1)
𝑎 21 2 1 𝑎 31 3 1
(1) = = ,e
6 3 (1) = =
6 2
𝑎 11 𝑎 11

Assim:

(1)
(2) (1) (1) 𝑎 21 (2) 1 (2)
𝑎21 = 𝑎21 − 𝑎11 (1) 𝑎21 = 2 − 6 × 3 𝑎21 = 0,
𝑎 11

(1)
(2) (1) (1) 𝑎 21 (2) 1 (2) 10
𝑎22 = 𝑎22 − 𝑎12 (1) 𝑎22 = 4 − 2 × 3 𝑎22 = ,
𝑎 11 3

(1)
(2) (1) (1) 𝑎 21 (2) 1 1 (2) 13
𝑎23 = 𝑎23 − 𝑎13 (1) 𝑎23 = 2 − (− 2) × 3 𝑎23 = ,
𝑎 11 6

(1)
(2) (1) (1) 𝑎 21 (2) 1 (2) 14
𝑏2 = 𝑏2 − 𝑏1 (1) 𝑏2 = 7 − 7 × 3 𝑏2 = ,
𝑎 11 3

(1)
(2) (1) (1) 𝑎 (2) 1 (2)
𝑎31 = 𝑎31 − 𝑎11 31 (1) 𝑎31 = 3 − 6 × 2 𝑎31 = 0,
𝑎 11

63
 (1)
(2) (1) (1) 𝑎 31 (2) 1 (2)
𝑎32 = 𝑎32 − 𝑎12 (1) 𝑎32 = 2 − 2 × 2 𝑎32 = 1,
𝑎 11

(1)
(2) (1) (1) 𝑎 31 (2) 17 1 1 (2) 35
𝑎33 = 𝑎33 − 𝑎13 (1) 𝑎33 = − (− 2) × 2 𝑎33 = ,
𝑎 11 2 4

(1)
(2) (1) (1) 𝑎 31 (2) 1 (2) 19
𝑏3 = 𝑏3 − 𝑏1 (1) 𝑏3 = 13 − 7 × 2 𝑏3 = ,
𝑎 11 2

6 2 −1/2| 7
010/3 13/6 |14/3
0 1 35/4 |19/2

2º Passo:

Temos que:

(2)
𝑎32 1 3
(2)
= 10 =
𝑎21 10
3

(2)
(3) (2) (2) 𝑎 32 (3) 10 3 (3)
𝑎32 = 𝑎32 − 𝑎22 (2) 𝑎32 = 1 − × 10 𝑎32 = 0,
𝑎 22 3

(2)
(3) (2) (2) 𝑎 32 (3) 35 13 3 (3) 81
𝑎33 = 𝑎33 − 𝑎23 (2) 𝑎33 = − × 10 𝑎33 = 10 ,
𝑎 22 4 6

(2)
(3) (1) (2) 𝑎 32 (3) 19 14 3 (3) 81
𝑏3 = 𝑏3 − 𝑏2 (2) 𝑏3 = − × 10 𝑏3 = 10 ,
𝑎 22 2 3

Portanto, obtemos:

6 2 −1/2 | 7
010/3 13/6 | 14/3
0 0 81/10|81/10

ou seja:

6 2 −1/2 𝑥1 7
010/3 13/6 𝑥2 = 14/3
0 0 81/10 𝑥3 81/10

Resolvendo então o sistema linear, obtemos:

81 81
𝑥3 = 𝑥3 = 1
10 10

10 13 14 3
𝑥2 + 𝑥3 = 𝑥2 =
3 6 3 4

64
 1
6𝑥1 + 2𝑥2 − 𝑥3 = 7 𝑥1 = 1
2

Assim, a solução de:

6 2 −2 𝑥1 7 1
010/3 13/6 𝑥2 = 14/3 é𝑥 = 3/4
0 0 81/10 𝑥3 81/10 1

(𝑘)
Observação: Se em algum passo k encontrarmos 𝑎𝑘𝑘 = 0, isso significa que det 𝐴𝑘 = 0.
Neste caso, o sistema ainda pode ter solução determinada (basta que det 𝐴 ≠ 0). O método pode
ser continuado simplesmente permutando a kª equação com qualquer outra abaixo cujo coeficiente
da kª incógnita seja ≠ 0.

Exercício 4.1

Considere o sistema:

𝑥1 + 2𝑥2 + 𝑥3 =3
2𝑥1 + 3𝑥2 + 𝑥3 =5
3𝑥1 + 5𝑥2 + 𝑥3 =1

a) Resolva-o pelo método de Eliminação de Gauss.

b) Calcule o determinante de A, usando a matriz triangular obtida no item “a”.

4.3.2 DECOMPOSIÇÃO LU

Inicialmente, veremos em que condições podemos decompor uma matriz quadrada 𝐴 = 𝑎𝑖𝑗
no produto de uma matriz triangular inferior por uma matriz triangular superior (decomposição
LU), que consiste em um dos métodos mais eficientes para o cálculo do determinante de uma
matriz.

Teorema: Sejam 𝐴 = 𝑎𝑖𝑗 uma matriz quadrada de ordem 𝑛, 𝐴𝑘 o menor principal, constituído
das 𝑘 primeiras linhas e 𝑘 primeiras colunas de 𝐴. Assumimos que 𝑑𝑒𝑡 𝐴𝑘 ≠ 0 para 𝑘 =
1, 2, … , 𝑛 − 1. Então, existe uma única matriz triangular inferior 𝐿 = 𝑙𝑖𝑗 , com 𝑙11 = 𝑙12 = ⋯ =
𝑙𝑛𝑛 = 1, e uma única matriz triangular superior 𝑈 = 𝑢𝑖𝑗 , tal que 𝐿𝑈 = 𝐴. Além disso, 𝑑𝑒𝑡 𝐴 =
𝑢11 𝑢22 … 𝑢𝑛𝑛 .

65
 A decomposição de uma matriz no produto LU onde L tem 1 na diagonal é conhecida também
como Método de Doolittle.

Esquema prático para a Decomposição LU

Observe que, teoricamente, para obtermos as matrizes L e U, devemos calcular a inversa de Lk-1
e Uk-1. Entretanto, na prática, podemos calcular L e U simplesmente aplicando a definição de
produto e de igualdade de matrizes, isto é, impondo que a matriz A seja igual a LU. Seja, então, a
matriz A igual a LU:

1 0 0 00 𝑢11 𝑢12 𝑢13 ⋯ 𝑢1𝑛

𝑙21 1 0 0 0 0 𝑢22 𝑢23 ⋯𝑢2𝑛
𝐿𝑈 = 𝑙31 𝑙32 1 0 0 0 0 𝑢33 ⋯𝑢3𝑛
⋯ ⋯ ⋯ ⋱0 0 0 0 ⋱ ⋮
𝑙𝑛1 𝑙𝑛2 𝑙𝑛3 ⋯1 0 0 0 0 𝑢𝑛𝑛

Para obtermos os elementos da matriz L e da matriz U, devemos calcular os elementos das

linhas de U e os elementos das colunas de L na seguinte ordem:

1ª linha de U: Fazendo o produto da 1ª linha de L por todas as colunas de U e igualando com

os elementos da 1ª linha de A, obtemos:

1. 𝑢11 = 𝑎11 𝑢11 = 𝑎11,

1. 𝑢12 = 𝑎12 𝑢12 = 𝑎12,

⋯

1. 𝑢1𝑛 = 𝑎1𝑛 𝑢1𝑛 = 𝑎1𝑛,

𝑢1𝑗 = 𝑎1𝑗 , 𝑗 = 1, 2, … , 𝑛.

1ª coluna de L: Fazendo o produto de todas as linhas de L (da 2ª até a nª) pela 1ª coluna de U,
e igualando com os elementos da 1ª coluna de A (abaixo da diagonal principal), obtemos:

𝑎21
𝑙21 𝑢11 = 𝑎21 𝑙21 = ,
𝑢11
𝑎31
𝑙31 𝑢11 = 𝑎31 𝑙31 = ,
𝑢11
⋯
𝑎𝑛1
𝑙𝑛1 𝑢11 = 𝑎𝑛1 𝑙𝑛1 = ,
𝑢11
𝑎𝑖1
𝑙𝑖1 = , 𝑖 = 2, … , 𝑛.
𝑢11

66
 2ª linha de U: Fazendo o produto da 2ª linha de L por todas as colunas de U e igualando com
os elementos da 2ª linha de A (da diagonal principal em diante), obtemos:

𝑙21 𝑢12 + 𝑢22 = 𝑎22 𝑢22 = 𝑎22 − 𝑙21 𝑢12 ,

𝑙21 𝑢13 + 𝑢23 = 𝑎23 𝑢23 = 𝑎23 − 𝑙21 𝑢13 ,

⋯

𝑙21 𝑢1𝑛 + 𝑢2𝑛 = 𝑎2𝑛 𝑢2𝑛 = 𝑎2𝑛 − 𝑙21 𝑢1𝑛 ,

𝑢2𝑗 = 𝑎2𝑗 − 𝑙21 𝑢1𝑗 , 𝑗 = 3, … , 𝑛.

2ª coluna de L: Fazendo o produto de todas as linhas de L (da 3ª até a nª) pela 2ª coluna de U,
e igualando com os elementos da 2ª coluna de A (abaixo da diagonal principal), obtemos:

𝑎32 − 𝑙31 𝑢12

𝑙31 𝑢12 + 𝑙32 𝑢22 = 𝑎32 𝑙32 = ,
𝑢22

𝑎42 − 𝑙41 𝑢12

𝑙41 𝑢12 + 𝑙42 𝑢22 = 𝑎42 𝑙42 = ,
𝑢22

𝑎32 − 𝑙31 𝑢12

𝑙𝑛1 𝑢12 + 𝑙𝑛1 𝑢22 = 𝑎𝑛2 𝑙𝑛2 = ,
𝑢22

𝑎𝑖2 − 𝑙𝑖2 𝑢12

𝑙𝑖2 = , 𝑖 = 3, . . . , 𝑛.
𝑢22

Se continuarmos calculando: a 3ª linha de U, a 3ª coluna de L, a 4ª linha de U, a 4ª coluna de L,

etc, teremos as fórmulas gerais:

𝑖−1

𝑢𝑖𝑗 = 𝑎𝑖𝑗 − 𝑙𝑖𝑘 𝑢𝑘𝑗 , 𝑖 ≤ 𝑗,

𝑘=1
𝑗–1 (4.1)
𝑙𝑖𝑗 = 𝑎𝑖𝑗 – 𝑙𝑖𝑘 𝑢𝑘𝑗 𝑢𝑗𝑗 , 𝑖 > 𝑗 .
𝑘=1

𝑘
Observe que a convenção usual de 𝑗 =1 ≡ 0, se k<1, deve ser utilizada aqui.

67
Exemplo 4.4

Seja:
6 2 1
𝐴 = 5 1 3
1 2 3
a) Verificar se A satisfaz as condições da decomposição LU.
b) Decompor A em LU.
c) Através da decomposição LU, calcular o determinante de A.
d) Resolver o sistema Ax = b, onde b = (0, −7, −5)t, usando a decomposição LU.

a) Para que A satisfaça as condições da decomposição LU, devemos ter:

det(A1) ≠ 0 e det(A2) ≠ 0.Temos que : det(A1) = 6≠ 0 e det(A2) = −4≠ 0.
Logo, A satisfaz as condições do teorema.

b) Usando as fórmulas (4.1), obtemos:

Para a 1ª linha de U:

u1j = a1j , j = 1,2,3 u11 = 6, u12 = 2, u13 = 1.

Para a 1ª coluna de L:
𝑎 𝑖1 5 1
li1 = , i = 2,3 l21 = , l31 = .
𝑢 11 6 6

Para a 2ª linha de U:

u2j = a2j – l21u1j , j = 2,3

5 2 5 13
u22 = 1 − 6 × 2 = − , u23 = 3− 6 × 1 = .
3 6

Para a 2ª coluna de L:
1
𝑎 𝑖2 − 𝑙 𝑖1 𝑢 12 2− ×2 5
6
li2 = ,i=3 l32 = = −2
𝑢 22 − 23
E finalmente, para 3ª linha de U, obtemos:
1 5 13 33
u33 = a33 – l31u13 – l32u23 u33 = 3 − 6 × 1 – (− 2 ) × 6 =
4

Então:

68
 1 0 0 6 2 1
L= 5 6 1 0 ,U= 0 −2 3 13/6
1 6 −5/2 1 0 0 33/4

2 33
c) 𝑑𝑒𝑡(𝐴) = 𝑢11 𝑢22 𝑢33 𝑑𝑒𝑡(𝐴) = (6) − 3 4
𝑑𝑒𝑡(𝐴) = −33.

d) Para obter a solução do sistema linear 𝐴𝑥 = 𝑏, devemos resolver dois sistemas lineares
triangulares: 𝐿𝑦 = 𝑏 e 𝑈𝑥 = 𝑦.
Assim, de 𝐿𝑦 = 𝑏, isto é, de:

1 0 0 𝑦1
𝑦2 0
5 6 1 0 = −7
1 6 −5/2 1 𝑦3
−5
obtemos:
y1 = 0,
5
y1 + y2 = −7 y2 = −7
6
1 5 45
y1 + (− )y2 + y3 = −5 y3 = − .
6 2 2

Logo, a solução do sistema linear 𝐿𝑦 = 𝑏 é y = (0, −7, −45/2)t

Agora, de 𝑈𝑥 = 𝑦, isto é, de :

6 2 1 𝑥1
0
0 −2 3 13/6 𝑥2 = −7
0 0 33/4 𝑥3
−45/2

segue que:
33 45 30
x3 = − 2 x3 = − 11,
4

2 13 18
− x2 + x3 = −7 x2 = ,
3 6 11

1
6x1 + 2x2+ x3= 0 x1 = − 11

Assim, a solução do sistema linear 𝑈𝑥 = 𝑦 é x = (-1/2, 27/10, −12/5)t.

69
 Portanto, a solução de 𝐴𝑥 = 𝑏, isto é, de:
6 2 1 𝑥1 0 −30/11
5 1 3 𝑥2 = −7 é𝑥 = 18/11
1 2 3 𝑥3 −5 −1/11

Exercício 4.2

Considere o sistema linear:

5𝑥1 + 2𝑥2 + 𝑥3 = −12

−𝑥1 + 4𝑥2 + 2𝑥3 = 20
2𝑥1 − 3𝑥2 + 10𝑥3 = 3

a) Resolva-o usando decomposição LU.

b) Calcule o determinante de A usando a decomposição.

4.3.3 MÉTODOS ITERATIVOS

A solução xde um sistema de equações lineares A × x = b pode ser obtido resolvendo, de forma
iterativa, o sistema equivalente da forma x = F × x +d , onde F é uma matriz n×n, x e d vetores n×1.
Isto pode ser feito tomando ϕ( x) = F × x + d , x( k+1)= ϕ (x( k) ) = F × x( k)+ d , onde k =0, 1, ... ,
M , e M é o número máximo de iterações e x(0) é o vetor inicial.
Esses métodos se baseiam na construção de sequências de aproximações. A cada passo, os
valores calculados anteriormente são utilizados para reforçar a aproximação. Para resolver um
sistema A× x = b os métodositerativos partem de uma solução inicialx(0) e constroem uma sucessão
de aproximações x(1), x(2) ... , x(k)que converge para a solução exata x do sistema. Portanto, conclui-se
que o resultado obtido é aproximado.

Testes de Parada

O processo iterativo x(k+1) gera aproximações até que:

𝑚á𝑥 (𝑘+1) (𝑘)
 1≤𝑖≤𝑛  𝑥𝑖 − 𝑥𝑖 ≤ sendo a tolerância; ou

 k>M , sendo M o número máximo de iterações.

Adaptação de Ax b para x F x d :

70
 𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 = 𝑏2
Ax b  
⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + … + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

𝑏1 − (𝑎 12 𝑥 2 + 𝑎 13 𝑥 3 + 𝑎 14 𝑥 4 + … + 𝑎 1𝑛 𝑥 𝑛 )
𝑥1 = 𝑎 11
𝑏2 − (𝑎 21 𝑥 1 + 𝑎 23 𝑥 3 + 𝑎 24 𝑥 4 + … + 𝑎 2𝑛 𝑥 𝑛 )
𝑥2 =
x F x d  𝑎 22 
⋮ ⋮
𝑏𝑛 − (𝑎 𝑛 1 𝑥 1 + 𝑎 𝑛 2 𝑥 2 + 𝑎 𝑛 3 𝑥 3 + … + 𝑎 𝑛 (𝑛 −1) 𝑥 (𝑛 −1) )
𝑥𝑛 = 𝑎 𝑛𝑛

4.3.3.1 Método de Gauss-Seidel

(𝑘+1) (𝑘+1)
O método de Gauss-Seidel consiste em utilizar 𝑥𝑖 , 1 ≤ i ≤ p , para o cálculo de 𝑥𝑝 .O
seu nome é uma homenagem aos matemáticos alemães Carl Friedrich Gauss e Philipp Ludwig
vonSeidel.

Cada coordenada do vetor correspondente à nova aproximação é calculada a partir da

respectiva equação do sistema, utilizando-se as coordenadas do vetor aproximação da iteração
anterior, quando essas ainda não foram calculadas na iteração corrente, e as coordenadas do vetor
aproximação da iteração corrente, no caso contrário. Desta forma, as equações recursivas ficam:

(𝑘) (𝑘) (𝑘) (𝑘)

(𝑘+1) 𝑏1 − (𝑎12 𝑥2 + 𝑎13 𝑥3 + 𝑎14 𝑥4 + … + 𝑎1𝑛 𝑥𝑛
𝑥1 =
𝑎11
(𝑘+1) (𝑘) (𝑘) (𝑘)
(𝑘+1) 𝑏2 − (𝑎21 𝑥1 + 𝑎23 𝑥3 + 𝑎24 𝑥4 + … + 𝑎2𝑛 𝑥𝑛
𝑥2 =
𝑎11
(𝑘+1) (𝑘+1) (𝑘) (𝑘)
(𝑘+1) 𝑏3 − (𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎34 𝑥4 + … + 𝑎3𝑛 𝑥𝑛
𝑥3 =
𝑎11
⋮ ⋮
(𝑘+1) (𝑘+1) (𝑘+1) (𝑘+1)
(𝑘+1)
𝑏𝑛 − (𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + … + 𝑎𝑛(𝑛+1) 𝑥(𝑛−1)
𝑥𝑛 =
𝑎𝑛𝑛

Critério de Convergência

Uma condição suficiente (mas não necessária) para garantir a convergência do método de
Gauss aplicado ao sistema Ax b, com aii ≠ 0, i, é

71
 𝑛

𝑎𝑖𝑗 < 𝑎𝑖𝑖 , 𝑖 = 1, 2, 3, … , 𝑛.

𝑗 =1
𝑗 ≠𝑖

Neste caso, a matriz dos coeficientes das incógnitas A é dita estritamente diagonal
dominante.

4.3.4 Critério de Sassenfeld

Uma condição suficiente para garantir a convergência do método de Gauss-Seidel aplicado ao

sistema Ax b,comaii ≠ 0, i, é M = 𝑚á𝑥𝛽𝑖 ,onde: 1 ≤ 𝑖 ≤ 𝑛.

1 𝑛
𝛽1 = . 𝑗 =2 𝑎1𝑗
𝑎 11

1 𝑖−1 𝑛
𝛽𝑖 = . 𝑗 =1 𝑎1𝑗 . 𝛽𝑗 + 𝑗 =𝑖+1 𝑎1𝑗 , 𝑖 = 2, 3, … , 𝑛
𝑎 𝑖𝑖

Se M  1, então o Método de Gauss-Seidel gera uma sequência convergente para a solução do sistema,
qualquer que seja o vetor inicial. Além disso, quanto menor for o valor de  mais rápida é a convergência.

OBS: Se o critério das linhas é satisfeito, então o critério de Sassenfeld também será satisfeito.

Exemplo 4.5

Usando o método interativo de Gauss-Seidel, determinar uma solução aproximada para o sistema
𝑡
(0) (0) (0)
dado a seguir, com aproximação inicial 𝑥 (0) = 𝑥1 , 𝑥2 , 𝑥3 = 0, 0, 0 𝑡
e precisão 𝜀 = 10−1 .

10 3 1 𝑥1 8
2 5 𝑥
4 2 = 12
2 3 5 𝑥3 8

Construção da matriz H:

0 −3/10 −1/10
𝐻 = −2/5 0 −4/5
−2/5 −3/5 0

Verificar a condição de convergência (critério de Sassenfeld):

3
4
𝛽1 = h1𝑗 → 𝛽1 = = 0.4000
10
𝑗=2

9
𝛽2 = h21 𝛽1 + h23 → 𝛽2 = = 0.3600
25

72
 47
𝛽3 = h31 𝛽1 + h32 𝛽2 → 𝛽3 = = 0.3760
125

Assim,

max max
𝛽 = 1≤i≤3 𝛽𝑖 = 1≤i≤3 0.4000, 0.3600, 0.3760 < 1

Portanto, temos garantia da convergência da sequência de soluções aproximadas geradas

pelo método iterativo de Gauss-Seidel.

Assim, temos:

8 3 (𝑘) 1 (𝑘)
𝑥1𝑘+1 = − 𝑥2 − 𝑥
10 10 10 3
(𝑘+1) 12 2 (𝑘+1) 4 (𝑘)
𝑥2 = − 𝑥 − 𝑥3 𝑘 = 0, 1, 2, …
5 5 1 5
(𝑘+1) 8 2 (𝑘+1) 3 (𝑘+1)
𝑥3 = − 𝑥1 − 𝑥2
5 5 5

Para 𝑘 = 0, tomando 𝑥 (0) = (0, 0, 0)𝑡 , temos:

𝑥 (1) = (0.8000, 2.0800, 0.0320)𝑡

Teste de parada

𝑥 (1) − 𝑥 (0) ∞
= 1 > 10−1
𝑥 (1) ∞

Para 𝑘 = 1, temos:

8 3 (1) 1 (1)
𝑥12 = − 𝑥2 − 𝑥3
10 10 10
(2) 12 2 (2) 4 (1)
𝑥2 = − 𝑥1 − 𝑥3 𝑘 = 0, 1, 2, …
5 5 5
(2) 8 2 (2) 3 (2)
𝑥3 = − 𝑥1 − 𝑥2
5 5 5

Portanto,

𝑥 (2) − 𝑥 (1) ∞
(2) 𝑡
𝑥 = (0.1728, 2.3053, 0.1477) → = 0.0977 < 10−1
𝑥 (2) ∞

então, temos a solução aproximada para o sistema 𝑥 ≅ 𝑥 (2) com a precisão 𝜀 = 10−1 .

73
Exercício 4.3

Considere o seguinte sistema de equações lineares:

−10 2 2 𝑥1 −8
1 6 0 𝑥2 = 7
−1 1 3 𝑥3 0

Caso o critério de Sassenfeld seja satisfeito, usando o método de interação de Gauss-Seidel,

resolva o sistema dado a partir de 𝑥 (0) = (−2, 1, 10) e 𝜀 = 0.01.

Exercício 4.4

Resolva o sistema a seguir, utilizando o método de Gauss-Seidel, com 𝑥 (0) = 0𝑛×1 e 𝜀 = 0.01.

10𝑥1 +2𝑥2 + 𝑥3 = 7
𝐴∙𝑥 =𝑏 𝑥1 +5𝑥2 + 𝑥3 = −8
2𝑥1 +3𝑥2 +10𝑥3 = 6

EXERCÍCIOS COMPLEMENTARES

1) Fatoração LU

a) Complete as lacunas na fatoração A = LU onde

3 0 −1 5
4 −1 10 8 , 𝐿 = 2 1 −2
𝐴= 𝑒𝑈= 0
−3 12 11 3 0 0 3 −4
0 −2 −5 10 0 1 0 0 10

b) Sejam 𝐿[𝑗, 𝑘] e 𝑈[𝑗, 𝑘] as entradas das matrizes 𝐿 e 𝑈, respectivamente, na fatoração 𝐿𝑈 da

matriz
1 0 −1−2−3−4−5
2 1 0 −1−2−3−4
3𝑋 1 0 −1−2−3
𝐴 = 4 3 2 1 0 −1−2
5 4 3 2 1 0 −1
65 4 3 2 1 0
76 5 4 3 2 1

74
 Paran = 1, 2, ..., 7 e X = 1, nas afirmações abaixo, assinale 1 para as verdadeiras e 0 para as
falsas:

[ ] 𝐿 𝑛, 1 = 𝑛

[ ] 𝑈 3, 𝑛 = 0

[ ] 𝑈 2, 𝑛 = 𝑛 − 1

[ ] 𝐿 𝑛, 2 = 𝑛 − 1

[ ] 𝐿 3,2 × 𝑈[2,3] = 4

c) Uma condição suficiente para que a matriz A tenha fatoração LU é dada pelo seguinte
teorema: sejam A uma matriz 𝑛 × 𝑛 e 𝐴𝑘 , com 𝑘 < 𝑛, a submatriz 𝑘 × 𝑘 obtida de A eliminando as
linhas 𝑘 + 1, 𝑘 + 2, … , 𝑛 e as colunas 𝑘 + 1, 𝑘 + 2, … , 𝑛. Se det⁡
(𝐴𝑘 ) ≠ 0 para 𝑘 = 1, 2, … , 𝑛 − 1,
então existe uma única decomposição 𝐴 = 𝐿𝑈.

Indique quais das matrizes abaixo satisfazem ao critério dado pelo teorema.
2 2 1 3 2 1 2 1 3
𝐴= 3 3 2 ,𝐵 = 2 2 1 ,𝐶 = 4 3 8
3 2 1 3 3 2 6 7 17

d) Sejaa, b e c números reais positivos. Usando o Método da Eliminação de Gauss

(escalonamento), para que a matriz
𝑏 𝑏 𝑏
𝐴= 𝑏 𝑎 𝑐
𝑏 𝑐 𝑎
não precise de nenhum tipo de pivoteamento (total ou parcial), os valores de a, b e c devem ser tais
que:

[ ]a>c>b [ ]c>b>a [ ]a>b>c [ ]b>c>a [ ]c>a>b

2) Gauss-Seidel

a) Dizemos que a matriz 𝐴 = (𝑎𝑖𝑗 ) de orden 𝑛 × 𝑛 é estritamente dominante em sua diagonal

(e.d.d.) quando, para cada linha Li da matriz A, temos:

75
 𝑛

2 𝑎𝑖𝑗 > (𝑠𝑜𝑚𝑎 𝑑𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑒𝑚 𝑚ó𝑑𝑢𝑙𝑜 𝑑𝑒 𝐿𝑖) = 𝑎𝑖𝑗

𝑗 =1

Indique quais das matrizes abaixo é e.d.d.

7 2 0 6 4 −3 8 −1 4
𝐴= 3 5 −1 , 𝐵 = 4 −2 0 , 𝐶 = −9 10 0
0 5 −6 −3 0 1 6 7 17

𝑥1
𝑥2
b) Definimos a norma do máximo de um vetor 𝑋 = ⋮ por
𝑥𝑛
𝑋 ∞ = 𝑚𝑎𝑥 𝑥𝑗 , 1 ≤ 𝑗 ≤ 𝑛 .
Dizemos que a sequência de vetores 𝑋 (𝑘) , 𝑘 = 0, 1, 2, … converge para o vetor Y quando para

todo 𝜀 > 0, existe um 𝑘0 ∈ 𝑁 tal que 𝑘 > 𝑘0 𝑋 (𝑘) − 𝑌 ∞

< 𝜀.

Agora, para 𝜀 = 10−3 , encontre um inteiro positivo 𝑘0 de forma que a sequência

(𝑘 − 1)−1
𝑋 (𝑘) = (𝑘 + 1)−1
1 − (𝑘 2 + 1)−1
satisfaça 𝑋 (𝑘) − 𝑌 ∞
< 𝜀, onde 𝑌 ∈ 𝑅 3 é o vetor para o qual 𝑋 (𝑘) converge.

c) Uma condição suficiente para que um sistema 𝐴𝑋 = 𝐵 tenha como solução o limite da
sequência dada pelo Método de Gauss-Seidel é o seguinte teorema:

Dados 𝑋 0 e 𝐵, se 𝐴 é e.d.d. então a sequência de aproximações𝑋 (𝑘) dadas pelo Método de

Gauss-Seidel converge para a solução de 𝐴𝑋 = 𝐵.

Agora verifique se o sistema linear

10𝑥 − 𝑦 + 2𝑧 + 0𝑤 = 6
−𝑥 + 11𝑦 − 𝑧 + 3𝑤 = 25
2𝑥 − 𝑦 + 10𝑧 − 𝑤 = −11
0𝑥 + 3𝑦 − 𝑧 + 8𝑤 = 15
é e.d.d. e, em caso afirmativo, utilize o Método de Gauss-Seidel para encontrar uma solução
aproximada desse sistema para 𝜀 = 10−3 começando com 𝑥 (0) = 𝑦 (0) = 𝑧 (0) = 𝑤 (0) = 0. O
critério de parada é dado por
𝑋 (𝑘) − 𝑋 (𝑘−1) ∞
<𝜀
𝑋 (𝑘−1) ∞

76
 CAPÍTULO 5
Integração Numérica
5.1. INTRODUÇÃO

Se uma função f(x) é contínua em um intervalo [a, b] e sua primitiva F(x) é conhecida, então a
integral definida desta função neste intervalo é dada por:

𝑎
𝑎
𝑓(𝑥) 𝑑𝑥 = 𝐹 𝑏 − 𝐹(𝑎) (5.1)

onde f'(x)=f(x).

Porém, nem sempre o valor desta primitiva F(x) é conhecido ou é de fácil obtenção, o que
dificulta ou torna impossível a resolução da integral.

Entretanto, na prática, nem sempre se tem a função a ser integrada, em fórmula analítica, tem-
se apenas os dados apresentados por meio de tabela de pontos, o que também impossibilita a
utilização da equação acima.

Para se calcular o valor da integral definida de f(x), nessas situações críticas citadas ou em
qualquer outra, métodos numéricos são o caminho.

A solução numérica de uma integral simples é comumente chamada de quadratura.

Neste capítulo serão vistos os métodos mais utilizados, que podem ser classificado em dois
grupos:

- fórmulas de Newton-Côtes que empregam valores de f(x), onde os valores de x são

igualmente espaçados.

77
 - fórmula de quadratura gaussiana que utiliza pontos diferentemente espaçados, onde este
espaçamento é determinando por certas propriedades de polinômios ortogonais.

Dentre as Fórmulas de Newton-Côtes, serão vistas as seguintes: regra de Trapézios e 1ª e 2ª

regras de Simpson.
Para obtenção das fórmulas de Newton-Côtes, é utilizado o polinômio interpolador de Gregory-
Newton:

𝑧 𝑧−1 2 𝑧 𝑧−1 𝑧−2 3

𝑝𝑛 𝑥 = 𝑦0 + 𝑧∆𝑦0 + ∆ 𝑦0 + ∆ 𝑦0 +
2! 3!
𝑧 𝑧−1 𝑧−2 …(𝑧−𝑛 +1)
…+ ∆𝑛 𝑦0 + 𝑅𝑛 (5.2)
𝑛!

𝑥−𝑥 0
onde 𝑧 = 𝑕

𝑅𝑛 é o resíduo da interpolação:

𝑧 𝑧−1 𝑧−2 …(𝑧−𝑛)

𝑅𝑛 = . 𝑕𝑛+1 𝑓 𝑛 +1
(𝜉) 𝑎≤𝜉≤b (5.3)
(𝑛 +1)!

𝑝𝑛 𝑥 é o polinômio de n-ésimo grau.

Aproximando a função f(x) em (5.1), pelo polinômio de Gregory-Newton, e integrando-o,

obtemos as funções de Newton-Côtes.

Esta aproximação se justifica, pois este polinômio é de fácil integração.

5.2. REGRA DOS TRAPÉZIOS

Para a determinação da regra dos trapézios, é utilizado o polinômio de Gregory-Newton do 1º

grau, ou seja, uma reta.

Fazendo n=1 em (5.2) e levando a equação (5.1) tem-se:

𝑏 𝑏 𝑏
𝐼= 𝑓(𝑥) 𝑑𝑥 = 𝑝1 (𝑥) 𝑑𝑥 = [𝑦0 + 𝑧∆𝑦0 ] 𝑑𝑥
𝑎 𝑎 𝑎

𝑥−𝑥 0
Com 𝑧 = → 𝑑𝑥 = 𝑕 𝑑𝑧
𝑕

Considerando 𝑎 = 𝑥0 e 𝑏 = 𝑥1 os intervalos de integração, tem-se para:

78
 𝑥0 − 𝑥0
𝑥=𝑎→𝑧= =0
𝑕

𝑥1 − 𝑥0
𝑥=𝑏→𝑧= =1
𝑕

Logo

𝑏
𝑧2
𝐼= [𝑦0 + 𝑧∆𝑦0 ] 𝑕 𝑑𝑧 = 𝑕[𝑧𝑦0 + ∆𝑦0 ]10 = 𝑕[𝑦0 + 0.5∆𝑦0 ] = 𝑕[𝑦0 + 0.5 𝑦1 − 𝑦0 ]
𝑎 2

Portanto

𝑕
𝐼 = 2 [𝑦0 + 𝑦1 ] (5.4)

que é fórmula de trapézios ou regra de trapézios.

5.2.1. InterpretaçãoGeométrica

Pelos dois pontos do extremo do intervalo, faz-se passar uma reta e a integral de f(x) foi
aproximada pela área sob esta reta.

Da geometria, sabe-se que a área deste trapézio formado é:

𝑕
𝐴= [𝑓 𝑥0 + 𝑓(𝑥1 )]
2

que é própria fórmula dos trapézios.

79
5.2.2. Erro de Truncamento

A definição entre a integral exata de 𝑓(𝑥) (área sob a curva 𝑓(𝑥) ) e a integral aproximada
(trapézio) é o erro de integração. Tal erro é devido ao erro de truncamento cometido na
aproximação da função integrada pelo polinômio de Gregory-Newton. Para determinação desta área
(do erro), basta que se integre o resíduo do polinômio interpelador (5.3)

1
𝑏 1 𝑧 𝑧−1 𝑕 2 1 𝑧3 𝑧2
𝐸= 𝑎
𝑅1 𝑑𝑥 = 0
𝑓 ′′ 𝜉 𝑕 𝑑𝑧= 𝑕3 𝑓 ′′ 𝜉 . 2! −
2! 3 2 0

Portanto,

−𝑕 3
E= 𝑓 ′′ 𝜉 , 𝑎 ≤ 𝜉 ≤ 𝑏 (5.5)
12

É interessante notar que nesta fórmula de erro, se 𝑓’’ > 0, então a formula de trapézios dá um
valor de integral por excesso, mas se 𝑓’’ < 0 resulta um valor de integral por falta.

Exemplo 5.1

Calcular pela regra de trapézios e, depois, analiticamente, o valor de:

3,4
𝑑𝑥
𝐼=
3,0 𝑥2

Comparar os resultados.

a) Pela regra dos trapézios

𝑕
𝐼 = 2 (𝑦0 + 𝑦1 )
1
Como 𝑦 = 𝑥 2 então:
1 1
𝑦0 = 2
=
𝑥0 9
1 1
𝑦1 = 2
=
𝑥1 11,56
𝑕 = 𝑥1 − 𝑥0 = 3,4 − 3,0 = 0,4

Logo

0,4 1 1
𝐼= + = 0,039523
2 9 11,56

80
 Cálculo do erro

−𝑕 3 −𝑕 3 6
E= 𝑓 ′′ 𝜉 = . 4 , com 3 < 𝜉 < 3,4 ,
12 12 𝜉

Então

6 6 6 2
𝑓 ′′ 𝜉 = 4
= 4= =
𝑚𝑎𝑥 𝜉 3 81 27

−(0,4)3 2
E= . = −0,395. 10−3 .
12 27

Então

𝐼 = 0,039523 − 0,395. 10−3 = 0,039128

b) Pelo cálculo integral:

3,4
𝑑𝑥 1 1
𝐼= 2
=− + = 0.039216
3,0 𝑥 3.4 3.0

Exercício 5.1

Resolver utilizando a Regra dos trapézios e calcular o valor da integral:

1
𝑐𝑜𝑠 𝑥
𝐼= 𝑑𝑥
0 1+𝑥

5.2.3. Fórmula Composta

Uma forma que se tem de melhorar o resultado obtido utilizando-se a regra dos trapézios é
subdividindo o intervalo [a,b] em n subintervalos de amplitude h e a cada subintervalo aplicar-se a
regra dos trapézios (5.4).

81
 𝑕 𝑕 𝑕
𝐼= 𝑦0 + 𝑦1 + 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑛−1 + 𝑦𝑛
2 2 2
𝑕
= 2 (𝑦0 + 2𝑦1 + 2𝑦2 +. . . + 2𝑦𝑛−1 + 𝑦𝑛 ) (5.6)

5.2.4. Erro de Truncamento da Fórmula Composta

O erro total cometido é a soma dos erros cometidos na aplicação da fórmula dos trapézios a
cada subintervalo.

𝐸 = 𝐸0 +𝐸1 +𝐸2 + ⋯ +𝐸𝑛−1 (5.7)

Onde 𝐸𝑗 é o erro cometido na aplicação da regra dos trapézios no intervalo cujos extremos são
𝑥𝑖 e 𝑥𝑖+1 ou seja,

−𝑕 3
𝐸𝑖 = 𝑓 ′′ 𝜉𝑖 (5.8)
12

𝑥𝑖 ≤ 𝜉𝑖 ≤ 𝑥𝑖+1

Levando (5.8) em (5.7), tem-se:

−𝑕 3 𝑛−1 ′′
𝐸𝑖 = 𝑖=0 𝑓 𝜉𝑖 (5.9)
12

Pela continuidade de 𝑓 ′′ 𝑥 existe 𝑎 ≤ 𝜉 ≤ 𝑏 tal que:

𝑛−1 ′′
𝑛𝑓 ′′ 𝜉 = 𝑖=0 𝑓 𝜉𝑖 (5.10)

Levando (5.10) em (5.9), temos:

−𝑕 3
E= 𝑛𝑓 ′′ 𝜉 .
12

82
 𝑏−𝑎
Como 𝑕 = 𝑛

(𝑏−𝑎)3
𝐸=− 𝑓′′(𝜉) , 𝑎 ≤ 𝜉 ≤ 𝑏 (5.11)
12𝑛 2

Pode-se notar em (5.11) que, ao se subdividir o intervalo [a, b] em um grande número de

subintervalos, o erro cometido tende a se tornar pequeno, pois o erro é inversamente proporcional
ao quadrado de n.

Exemplo 5.2

Calcular a integral do exemplo 5.1 utilizando a regra dos trapézios composta e subdividindo o
intervalo de integração em 4 subintervalos.

3,4
1
𝐼= 𝑑𝑥
3,0 𝑥2

𝑏 − 𝑎 3,4 − 3,0
𝑕= = = 0,1
𝑛 4

i xi yi= f( xi)
0 3,0 0,111111
1 3,1 0,104058
2 3,2 0,097656
3 3,3 0,091827
4 3,4 0,086505

𝑕
𝐼= 𝑦 + 2𝑦1 + 2𝑦2 + 2𝑦3 + 𝑦4
2 0

I = 0.039235

Cálculo do erro:

(𝑏 − 𝑎)3
𝐸=− 𝑓′′(𝜉)
12𝑛2

Como 3,0 ≤ 𝜉 ≤ 3,6

2
𝑓′′(𝜉) 𝑚á𝑥 = 27

Logo,

83
 (3,4−3,0)3 2
𝐸=− ∙ = −2,46 ∙10-5
12∙ 4 2 27

Então:

I = 0.039235−2,46 ∙10-5 = 0,039210

Pode-se observar que a precisão deste resultado é superior ao obtido utilizando-se a regra dos
trapézios simples, como no exemplo 5.1.

Exercício 5.2

Calcular o valor da integral utilizando a regra dos trapézios composta e subdividindo o

intervalo de integração em 4 subintervalos.

1
𝑐𝑜𝑠 𝑥
𝐼= 𝑑𝑥
0 1+𝑥

5.3. PRIMEIRA REGRA DE SIMPSON

Na tentativa de melhorar a aproximação pode-se utilizar polinômios de ordem superior a um.

As regras de Simpson aproximam a função f por polinômios interpoladores de grau superior ou
igual a dois. Enquanto a regra trapezoidal aproxima, em cada intervalo, a área sob a curva f(x)
mediante a área de um trapézio, a regra de Simpson utiliza a área sob uma parábola para aproximar
a área sob a curva em dois intervalos adjacentes.

A regra de Simpson recebe este nome devido o seu criador, o matemático inglês Thomas
Simpson.

5.3.1. Obtenção da Fórmula

A 1ª regra de Simpson é obtida aproximando-se a função f(x) na integral por um polinômio

interpolador de 2º grau, P2(x).

𝑧(𝑧 − 1) 2
𝑓(𝑥) = 𝑃2 (𝑥) = 𝑦0 + 𝑧 ∆𝑦0 + ∆ 𝑦0
2!

𝑏 𝑏 𝑏
𝑧(𝑧 − 1) 2
𝐼= 𝑓(𝑥) 𝑑𝑥 = 𝑃2 (𝑥) 𝑑𝑥 = 𝑦0 + 𝑧 ∆𝑦0 + ∆ 𝑦0 𝑑𝑥
𝑎 𝑎 𝑎 2!

𝑥−𝑥 0
Como 𝑧 = dx = h dz
𝑕

84
 Para se aproximar a função f(x) por um polinômio de 2º grau, serão necessários 3 pontos: x 0, x1
e x2, que deverão estar igualmente espaçados.

Sejam x0 = a e x2 = b

Fazendo-se uma mudança de variáveis, tem-se

𝑎−𝑎
para: x = a z= =0
𝑕

𝑏−𝑎
x=b z= =2
𝑕

Logo,
2
𝑧(𝑧 − 1) 2
𝐼= 𝑦0 + 𝑧 ∆𝑦0 + ∆ 𝑦0 𝑕
0 2!
Integrando, obtém-se:

𝑧2 𝑧3 𝑧2 2 2
𝐼 = 𝑕 𝑧 𝑦0 + ∆𝑦0 + − ∆ 𝑦0
2 6 4 0

1
𝐼 = 𝑕 2𝑦0 + 2∆𝑦0 + ∆2 𝑦0
3

Sabe-se que:

∆𝑦0 = 𝑦1 − 𝑦0

∆2 𝑦0 = 𝑦2 − 2𝑦1 + 𝑦0

Logo,

1
𝐼 = 𝑕 2𝑦0 + 2(𝑦1 − 𝑦0 ) + (𝑦2 − 2𝑦1 + 𝑦0 )
3

𝑕
𝐼= 𝑦 + 4𝑦1 + 𝑦2
3 0

que é a chamada 1ª regra de Simpson ou regra do 1/3.

5.3.2. Interpretação Geométrica

Aproximando-se uma função por um polinômio de 2º grau obtemos o seguinte gráfico:

85
5.3.3. Erro de truncamento

Para a determinação do erro cometido na integração, basta que se integre o erro de truncamento
da aproximação polinomial. Este erro (de truncamento) é cotado pelo resíduo.

𝑏
𝐸= 𝑅2 (𝑥) 𝑑𝑥
𝑎

2
𝑧(𝑧 − 1)(𝑧 − 2)
𝐸= 𝑓′′′( 𝜉) 𝑕4 𝑑𝑧
0 3!

2
𝑕4
𝐸= 𝑓′′′( 𝜉) (𝑧 3 − 3𝑧 2 + 2𝑧) 𝑑𝑧
3! 0

𝑕4 𝑧4 2
𝐸= 𝑓′′′( 𝜉) − 𝑧3 − 𝑧2
3! 4 0

𝑕4
𝐸= 𝑓′′′( 𝜉) ∙ 0 = 0
3!

Este valor nulo para o erro de integração quer dizer que o erro não depende de R2 (resíduo do 2º
grau). Então, tem-se que integrar o resíduo menor que ele, o R3.
𝑏
𝐸= 𝑅3 (𝑥) 𝑑𝑥
𝑎
2
𝑧(𝑧 − 1)(𝑧 − 2)(𝑧 − 3)
𝐸= 𝑓′′′′( 𝜉) 𝑕5 𝑑𝑧
0 4!

−𝑕5
𝐸= 𝑓′′′′( 𝜉) , 𝑎≤ 𝜉 ≤ 𝑏
90

que é a fórmula de erro da 1ª regra de Simpson.

86
 Por essa fórmula pode-se notar que a 1ª regra de Simpson fornece valores exatosnão só para a
integração de polinômios de 2º grau, mas também, para polinômios de 3º grau (derivada de 4ª
ordem nula).

5.3.4. Fórmula Composta

Como foi feito com a regra dos trapézios, deve-se subdividir o intervalo de integração [a, b] em
n subintervalos iguais de amplitude h e a cada par de subintervalos devemos aplicar a 1ª regra de
Simpson.

Observação: como a regra de Simpson é aplicada em pares de subintervalos o número n de

subintervalos deverá ser sempre par.

𝑏−𝑎
n= ,e os pontos serão: xi; i = 0,1, 2, ..., n
𝑕

𝑏
𝐼= 𝑓(𝑥) 𝑑𝑥
𝑎

𝑕 𝑕 𝑕
𝐼= 𝑦0 + 4𝑦1 + 𝑦2 + 𝑦2 + 4𝑦3 + 𝑦4 + ⋯+ 𝑦 + 4𝑦𝑛−1 + 𝑦𝑛
3 𝑎𝑝 𝑙𝑖𝑐𝑎 çã𝑜 𝑛𝑜 1º
3 𝑎𝑝𝑙𝑖𝑐𝑎 çã𝑜 𝑛𝑜 2º
3 𝑛−2
𝑎𝑝𝑙𝑖𝑐𝑎 çã𝑜 𝑛𝑜 ú𝑡𝑖𝑚𝑜
𝑝𝑎𝑟 𝑑𝑒 𝑠𝑢𝑏𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠 𝑝𝑎𝑟 𝑑𝑒 𝑠𝑢𝑏𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠 𝑝𝑎𝑟 𝑑𝑒 𝑠𝑢𝑏𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠

𝑕
𝐼= 𝑦 + 4𝑦1 + 2𝑦2 + 4𝑦3 + 2𝑦4 + ⋯ + 2𝑦𝑛−2 + 4𝑦𝑛 −1 + 𝑦𝑛
3 0

5.3.5. Erro de Truncamento

O erro total cometido será a soma dos erros cometidos a cada aplicação da 1ª regra de Simpson.

𝑛/2

𝐸 = 𝐸1 + 𝐸2 + 𝐸3 + ⋯ + 𝐸𝑛 2 = 𝐸𝑖
𝑖=1

onde:

Ei é o erro na integração numérica no par de subintervalos cujos extremos são:

[𝑥2𝑖−2 , 𝑥2𝑖−1 ] e [𝑥2𝑖−1 , 𝑥2𝑖 ]

Resolvendo o somatório:

87
 𝑛/2 −𝑕 5
𝐸= 𝑖=1 90 𝑓′′′′( 𝜉𝑖 ) , 𝑥2𝑖−2 ≤ 𝜉 ≤ 𝑥2𝑖 (5.16)

𝐼𝑉
Pela continuidade de 𝑓 (𝑥), existe 𝜉 𝜖 [𝑎, 𝑏], tal que:

𝑛/2
𝑛 𝐼𝑉 𝐼𝑉
𝑓 𝜉 = 𝑓 (𝜉𝑖 ) (5.17)
2
𝑖=1

Levando-se (5.17) em (5.16), tem-se:

−𝑕5 𝐼𝑉
𝐸= 𝑛𝑓 𝜉
180

como

𝑏−𝑎
𝑕=
𝑛

então

−(𝑏 − 𝑎)5 𝐼𝑉
𝐸= 𝑛𝑓 𝜉 𝑎≤𝜉≤𝑏
180𝑛4

Pode-se observar que, nesta fórmula, o erro cai com a quarta potência do número de
subintervalos.

Exemplo 5.3

Calcular o valor de π, dado pela expressão:

1
𝑑𝑥
𝜋=4
1 + 𝑥2
0

aplicando a 1ª regra de Simpson, com 𝜀 ≤ 10−4 .

Cálculo do número de subintervalos:

(𝑏 − 𝑎)5
𝜀 ≤ 10−4 𝑓 𝐼𝑉
𝜉 ≤ 10−4
180𝑛4

como

1
𝑓 𝑥 =
1 + 𝑥2

então

88
 𝐼𝑉
24 288𝑥 2 384𝑥 4
𝑓 𝑥 = − +
(1 + 𝑥 2 )3 (1 + 𝑥 2 )4 (1 + 𝑥 2 )5

Já que

0≤𝜉≤1

𝐼𝑉
Então 𝑓 (𝜉) 𝑚á𝑥
= 24

Logo,

(1 − 0)5
∙ 24 ≤ 10−4
180𝑛4

24
𝑛4 ≥ ∙ 104 = 1333.33
180

𝑛 ≥ 6.042

Como se trata da 1ª regra de Simpson, o valor de n deverá ser o um número inteiro par.
Calculando o erro para os dois valores pares próximos, tem-se:

−(0−1)4
Para 𝑛 = 6 𝐸= ∙ 24 = 1.03 ∙ 10−4
180∙64

−(0−1)5
Para 𝑛 = 8 𝐸= ∙ 24 = 3.26 ∙ 10−5
180∙84

Logo, 𝑛 = 8, pois o erro é da ordem de 10−5

𝑏−𝑎 1
𝑕= = = 0.125
𝑛 8

i 𝑥𝑖 𝑦𝑖 𝑐𝑖
0 0.000 1.000000 1
1 0.125 0.984615 4
2 0.250 0.041176 2
3 0.375 0.876712 4
4 0.500 0.800000 2
5 0.625 0.719101 4
6 0.750 0.640000 2
7 0.875 0.566372 4
8 1000 0.500000 1

89
 𝜋 = 4 ∙ 0.785398

𝜋 = 3.141592

Exercício 5.3

Resolva os exercícios abaixo utilizando a 1ª regra de Simpson:

a) Calcular o valor da integral para n = 4

𝜋
2
𝑠𝑒𝑛2 (𝑥 + 1)𝑐𝑜𝑠(𝑥 2 ) 𝑑𝑥
0

b) Calcule a integral e o erro cometido para n = 4.

2
𝑒 2𝑥 𝑑𝑥
1

5.4. SEGUNDA REGRA DE SIMPSON

5.4.1. Obtenção da Fórmula

De maneira análoga às anteriores, a 2ª regra de Simpson é obtida aproximando-se a função

𝑓 𝑥 em (5.1) pelo polinômio interpolador de Gregory-Newton do 3º grau, 𝑃3 (𝑥):

𝑏 𝑏

𝐼= 𝑓 𝑥 𝑑𝑥 = 𝑃3 𝑥 𝑑𝑥
𝑎 𝑎

𝑏
𝑧(𝑧 − 1) 2 𝑧 𝑧 − 1 (𝑧 − 2) 3
𝐼= 𝑦0 + 𝑧∆𝑦0 + ∙ ∆ 𝑦0 + ∆ 𝑦0 𝑑𝑧
2! 3!
𝑎

3
𝑧2 𝑧3 𝑧2 𝑧4 𝑧3 𝑧2 3
𝐼 = 𝑕 𝑧𝑦0 + ∆𝑦0 + − ∙ ∆2 𝑦0 + − + ∆ 𝑦0
2 6 4 24 6 4 0

3𝑕
𝐼= 𝑦 + 3𝑦1 + 3𝑦2 + 𝑦3
8 0

que é a 2ª regra de Simpson ou regra dos 3/8.

90
5.4.2. Erro de Truncamento da Fórmula Simples

Para determinação do erro, basta que se integre o erro de truncamento da aproximação

polinomial, cotado pelo resíduo (5.3)

3 3
𝑧 𝑧−1 𝑧−2 𝑧−3 𝐼𝑉
𝐸= 𝑅3 𝑥 𝑑𝑥 = 𝑓 (𝜉)𝑕5 𝑑𝑧
4!
0 0

−3𝑥 5 𝐼𝑉
𝐸= 𝑓 (𝜉) 𝑎≤𝜉≤𝑏
80

5.4.3. Fórmula Composta

Subdividindo o intervalo 𝑎, 𝑏 em n subintervalos (agora o número n deverá ser múltiplo de 3,

pois a regra dos 3/8 utiliza 4 pontos para determinar o polinômio do 3º grau), tem-se a regra
composta:

3𝑕
𝐼= 𝑦 + 3𝑦1 + 3𝑦2 + 2𝑦3 + 3𝑦4 + 3𝑦5 + 2𝑦6 + ⋯ + 3𝑦𝑛−2 + 3𝑦𝑛−1 + 𝑦𝑛
8 0

5.4.4. Erro de Truncamento da Fórmula Composta

O erro será:

−(𝑏 − 𝑎)5 𝐼𝑉
𝐸= 𝑓 (𝜉) 𝑎≤𝜉≤𝑏
80𝑛4

Exemplo 5.4

Calcular o valor da integral:

3

𝐼= ln 𝑥 3 + 𝑒 𝑥 + 1 𝑑𝑥
0

aplicando a regra dos 3/8 com 3 e 6 subintervalos.

i) Com 3 subintervalos:

𝑛=3 𝑕=1

91
 I xi yi ci
0 0 0,346574 1
1 1 1,074417 3
2 2 2,388431 3
3 3 3,452901 1

3∙1
𝐼= (𝑦0 + 3𝑦1 + 3𝑦2 + 𝑦3 ) = 5,320507
8

ii) Com 6 subintervalos:

𝑛=6 𝑕 = 1/2
I xi yi ci
0 0 0,0346574 1
1 0,5 0,561037 3
2 1 1,074417 3
3 1,5 1,743322 2
4 2 2,388431 3
5 2,5 2,957811 3
6 3 3,452901 1

3 ∙ 1/3
𝐼= 28,2312 = 5,293351
8

Exercício 5.4

Através da 2ª Regra de Simpson, com n = 6, calcular:

3.2
𝑙𝑛 (𝑥 + 2) − 1 𝑑𝑥
2

92
 EXERCÍCIOS COMPLEMENTARES

1 𝑥2
1) Utilizando as Regras de Simpson para calcular a integral 0
𝑒 𝑑𝑥 com h = 0.2, obtemos o
valor aproximado:
[ ] 1,329 [ ] 1,498[ ] 1,463 [ ] 1,765 [ ] 1,834

𝑥 3𝑁
2) Sabendo que a fórmula do erro na Regra 3/8 de Simpson no cálculo de 𝑥0
𝑓(𝑥) 𝑑𝑥 é dada

por
−3𝑁𝑕5 (𝑖𝑣)
𝐸= 𝑓 (𝑐)
80
𝑥 3𝑁 −𝑥 0
Para algum 𝑐 ∈ 𝑥0 , 𝑥3𝑁 com N = , temos que o número mínimo de subintervalos de
3𝑕
[0, 1] que se pode calcular a integral do exercício acima com erro inferior a 10−3 é:
[ ]9 [ ]3 [ ] 12 [ ] 21 [ ] 15

3) Considere a seguinte equação diferencial ordinária com condição inicial

𝑑𝑦
= 10𝑠𝑒𝑛(𝑥 2 )
𝑑𝑥
𝑦(0) = 1
Pelo Teorema Fundamental do Cálculo, sabemos que a solução exata dessa equação é
𝑥
𝑠(𝑥) = 1 + 10𝑠𝑒𝑛(𝑡 2 ) 𝑑𝑡.
0

Usando 3/8 de Simpson e h = 0.02, encontre um valor aproximado para s(0.18).

93
 CAPÍTULO 6
Solução Numérica de Equações Diferenciais Ordinárias

6.1. INTRODUÇÃO

É muito comum encontrarmos no dia-a-dia problemas de engenharia e outras ciências que

podem ser estruturados, e assim resolvidos, através de equações diferenciais. São alguns deles:
teoria dos satélites artificiais, trajetórias balísticas, estabilidade de aviões, curvaturas de vigas, teoria
das vibrações. Esta presente neste capítulo uma introdução à resolução através de métodos
numéricos de equações diferenciais ordinárias.
A Equação Diferencial de primeira ordem tem a seguinte forma:
𝑦0 = 𝑓 𝑥, 𝑦 , (6.1)

Nesta equação 𝑓é uma função real dada, de duas variáveis reais 𝑥 e 𝑦, e 𝑦 é uma função
incógnita dependente de x.
Resolver (6.1) corresponde a se determinar uma função 𝑦 = 𝑦(𝑥), diferenciável, com
𝑥 𝜖 [𝑎, 𝑏] tal que 𝑦′(𝑥) = 𝑓(𝑥, 𝑦(𝑥)). Temos como solução de (6.1) qualquer função que satisfaça
essa propriedade. Por exemplo, a função 𝑦(𝑥) = 𝐶𝑒 𝑥 é uma solução da equação diferencial
𝑦′ = 𝑦, para qualquer valor da constante C. Assim, cada equação diferencial de primeira ordem
possui um número infinito de soluções, porém é possível encontrar uma solução particular se for
conhecido o valor da solução 𝑦(𝑥) em um ponto específico, por exemplo, 𝑦(𝑥0 ) = 𝑦0 , ou seja, se
for dada a chamada condição inicial.
A equação diferencial em conjunto com a condição inicial constitui um problema de valor
inicial, (p.v.i.):

𝑦 ′ = 𝑓(𝑥, 𝑦)
(6.2)
𝑦 𝑥0 = 𝑦0

94
 Se para a equação diferencial: 𝑦′ = 𝑦 temos que 𝑦(0) = 1 (condição inicial) então obtemos
𝐶 = 1 e assim a solução do (p.v.i.) é 𝑦(𝑥) = 𝑒 𝑥 .

A existência de uma única solução do (p.v.i.) (6.2) é garantida pelas condições a seguir:
Teorema 6.1 - Existência e Unicidade - Seja 𝑓(𝑥, 𝑦) definida e continua em 𝐷 = {(𝑥, 𝑦) / 𝑎 ≤
𝑥 ≤ 𝑏; −∞ < 𝑦 < ∞; 𝑎 𝑒 𝑏 𝑓𝑖𝑛𝑖𝑡𝑜𝑠}. Suponhamos que existe constante L > 0 tal que
|𝑓(𝑥, 𝑦) − 𝑓(𝑥, 𝑦 ∗)| ≤ 𝐿|𝑦 – 𝑦 ∗ |, ∀(𝑥, 𝑦), (𝑥, 𝑦 ∗) ∈ 𝐷.
Então, se 𝑦0 é um número dado, existe uma única solução 𝑦(𝑥) do (p.v.i.) (6.2), onde 𝑦(𝑥)é
contínua e diferenciável para todo (𝑥, 𝑦) ∈ 𝐷.

Prova: A prova deste teorema pode ser encontrada em [Henrice, 1962].

A grande maioria das equações encontradas na práticanão pode ser solucionada

analiticamente;o recurso de que dispomos é o emprego de métodos numéricos. Para todos os
métodos descritos nestecapítulo consideraremos o (p.v.i.) (6.2) com a hipótese que 𝑓 satisfaz as
condições do Teorema (5.1),o qual garante que o problema tem uma única solução continuamente
diferenciável, a qual indicaremos por 𝑦(𝑥). Também consideraremos a sequência de pontos
{𝑥𝑛 } definida por:
𝑥𝑛 = 𝑥0 + 𝑛𝑕 ; 𝑛 = 0, 1, … , 𝑁,

𝑏−𝑎
onde𝑥0 = 𝑎, 𝑥𝑁 = 𝑏, e 𝑁 = .
𝑕

Dizemos que o comprimento do intervalo, 𝑕, é o tamanho do passo, os pontos 𝑥𝑛 são os

pontosda malha e 𝑁 é o número de passos.
Uma propriedade importante dos métodos computacionais para a solução de (5.2) é a
discretização, isto é, desejamos obter a solução aproximada do (p.v.i.) não num intervalo
contínuo𝑎 ≤ 𝑥 ≤ 𝑏, mas simnum conjunto discreto de pontos {𝑥𝑛 | 𝑛 = 0, 1, . . . , 𝑁}.
Denotaremos por: 𝑦𝑛 uma aproximação para a solução teórica em 𝑥𝑛 , isto é: 𝑦𝑛 ≃ 𝑦(𝑥𝑛 )e por
𝑓𝑛 = 𝑓(𝑥𝑛 , 𝑦𝑛 ).
Nosso objetivo é então determinar aproximações 𝑦𝑛 da solução verdadeira 𝑦(𝑥𝑛 )nos pontos da
malha. Portanto a solução numéricaserá uma tabela de valores dos pares 𝑥𝑛 , 𝑦𝑛 , 𝑦𝑛 ≃ 𝑦(𝑥𝑛 ).
Veremos a seguir alguns métodos para solução numérica de (6.2).

95
 Gráfico: Diferença entre a aproximação e a solução verdadeira

6.2. MÉTODO DE TAYLOR DE 1ª ORDEM (p = 1)

Os métodos de Taylor de diferentes ordens baseiam-se na expansão da própria série de Taylor.

Eles são considerados de alto custo computacional à medida que aumenta-se a ordem da
aproximação, pois em tais situações devemos calcular não somente o valor da função f, mas
também de suas derivadas.
O método de Taylor de ordem 1 é o chamado método de Euler, a aproximação mais simples.
Seja o PVI de primeira ordem definido por:
𝑦 ′ = 𝑓(𝑥, 𝑦)

𝑦 𝑥0 = 𝑦0 = 𝜂,

onde η é um número dado.

Para se aproximar 𝑦𝑗 para as soluções exatas 𝑦(𝑥𝑗 ), com j 1, 2, , m, procura-se inicialmente
𝑦𝑗 .

Gráfico do método de Euler.

Traça-se a tangente T à curva 𝑦 𝑥 no ponto (𝑥0 ·, 𝑦(𝑥0 )), cuja equação é:

𝑦 𝑥 = 𝑦 (𝑥0 )( 𝑥 − 𝑥0 ) 𝑦 ′ (𝑥0 ).

96
 Fazendo 𝑥 = 𝑥1 e lembrando que 𝑦 𝑥0 = 𝑦0 , 𝑥1 − 𝑥0 = 𝑕, 𝑦 ′ 𝑥0 = 𝑓 (𝑥0 , 𝑦 𝑥0 ) e
𝑦1 ≈, 𝑦 𝑥1 , tem-se:
𝑦1 = 𝑦0 + 𝑕 𝑓 ( 𝑥0 , 𝑦 ( 𝑥0 )).

Erro cometido:
𝑒1 = 𝑦1 − 𝑦 ( 𝑥1 ).

Aproximação e erro de 𝒚𝒋 de forma geral

𝑦𝑗 +1 = 𝑦𝑗 + 𝑕𝑓(𝑥𝑗 , 𝑦𝑗 )
, com 𝑗 = 0, 1, 2, . . . , 𝑚 − 1
𝑒𝑗 +1 = 𝑦𝑗 +1 − 𝑦(𝑥𝑗 +1 )

O método de Euler consiste em calcular RECURSIVAMENTE a sequencia {𝑦𝑗 }através das

fórmulas:
𝑦0 = 𝑦 𝑎 = 𝜂
, com 𝑗 = 0, 1, 2, . . . , 𝑚 − 1
𝑦𝑗 +1 = 𝑦𝑗 + 𝑕𝑓(𝑥𝑗 , 𝑦𝑗 )

Erro local de truncamento - ELT

O erro no método de Euler quando se calcula 𝑦1 é obtido a partir do resto da fórmula de Taylor,
(𝑥−𝑥 0 )2 𝑕2
que é: 𝑦 ′′ (𝜉), 𝑥0 < 𝜉 < 𝑥1 , ou 𝑒1 = 𝑦 ′′ (𝜉), para 𝑕 = 𝑥1 − 𝑥0 .
2! 2!

Numa etapa 𝑗dos cálculos, tem-se:

𝑕2
𝑒𝑗 = 𝑦 ′′ (𝜉),𝑥𝑗 −1 < 𝜉 < 𝑥𝑗 ,
2!

que é o erro local de truncamento – ELT.

Na prática, procura-se estabelecer COTAS ou ESTIMATIVAS para que se possa conduzir o
cálculo do erro com segurança.
Toma-se k 𝑦 ′′ (), constante, e h suficientemente pequeno para ser tomado como parâmetro
do ELT. Diz-se que ELT é da ordem de 𝑕2 e se escreve (𝑕2 ).

Exemplo 6.1
Usando o método de Euler, calcule a solução aproximada do seguinte PVI e uma estimativa para o
erro:
𝑦 ′ = 𝑓 𝑥, 𝑦 = 𝑦

𝑦 𝑥0 = 𝑦(0) = 1,

Para 𝑥𝜖 𝑎, 𝑏 = 0,1 e N = 4 subintervalos.

97
 Temos:
(𝑏 − 𝑎) 1
𝑕= =
𝑁 4
Logo o intervalo [0,1] é discretizado por quatro subintervalos.
Do método de Euler:
𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝑓(𝑥𝑛 , 𝑦𝑛 )

Cálculo de 𝐲𝟏 ;
Para n = 0, temos a condição inicial 𝑦 𝑥0 = 𝑦 0 = 1, então:
1
𝑦1 = 𝑦0 + 𝑕 𝑓 𝑥0 , 𝑦0 = 𝑦0 + (𝑦0 ) = 1.25
4

Cálculo de 𝐲𝟐 ;
Para n = 1, temos
1
𝑦2 = 𝑦1 + 𝑕 𝑓 𝑥1 , 𝑦1 = 𝑦1 + (𝑦1 ) = 1.5625
4

Cálculo de 𝐲𝟑 ;
Para n = 2, temos
1
𝑦3 = 𝑦2 + 𝑕 𝑓 𝑥2 , 𝑦2 = 𝑦2 + (𝑦2 ) = 1.9531
4
Cálculo de𝒚𝟒 ;
Para n = 3, temos
1
𝑦4 = 𝑦3 + 𝑕 𝑓 𝑥3 , 𝑦3 = 𝑦3 + (𝑦3 ) = 2.4414
4

Estimativa para o erro:

𝑕2
𝐸 = 𝑚á𝑥{ 𝑦 ′′ (𝜉) , 0 < 𝜉 < 1},
2!

Como a solução analítica 𝑦(𝑥) do PVI é 𝑦(𝑥) = 𝑒 𝑥 , temos que:

𝑚á𝑥{ 𝑦 ′′ (𝜉) , 0 < 𝜉 < 1} = 2.7182, uma vez que 𝑦 ′′ (𝑥) = 𝑒 𝑥 é uma função crescente em
módulo.
Portanto, Temos:
1 2
4
𝐸 ≤ 2.7182 = 0.0849.
2

98
 Na próxima Tabela são apresentados os valores, a partir de 𝑦(𝑥) = 𝑒 𝑥 (exata), a solução
numérica encontrada pelo método de Euler e com os respectivos erros locais, nos pontos 𝑥0 = 0,
1 2 3
𝑥1 = 4 , 𝑥2 = 4 , 𝑥3 = 4 𝑒 𝑥4 = 1.

Tabela dos valores exatos e aproximados do PVI:

Método de Euler

n 𝑥1 Sol. Exata 𝑦(𝑥𝑛 ) Sol. Aprox. (𝑦𝑛 ) Erro = 𝑦(𝑥𝑛 ) − (𝑦𝑛 )

0 0 1 1 0.0
1 1/4 1.2840 1.2500 0.0340
2 2/4 1.6484 1.5625 0.0859
3 3/4 2.1170 1.9531 0.1639
4 1 2.7183 2.4414 0.2769

Observe que a estimativa para o erro é “boa” no início do processo (é um limitante superior no
ponto x1), mas piora quando os pontos afastam-se do ponto inicial.

Exercício 6.1

𝑦′ = 𝑥 − 𝑦 + 2
Achar aproximações para a solução do PVI na malha de [0, 1] com 𝑕 = 0.1.
𝑦 0 =2

6.3. MÉTODO DE TAYLOR DE 2ª ORDEM (p = 2)

Usando o desenvolvimento da função solução 𝑦(𝑥) do PVI, em série de Taylor, é possível

construir métodos de ordem maior do que p = 1. Neste caso, o único inconveniente é o calculo de
derivadas, que para p = 2 ainda é viável. Truncando o desenvolvimento da série de Taylor em p = 2,
temos:

𝑕2
𝑦𝑛+1 = 𝑦𝑛 + 𝑕𝑦′𝑛 + 𝑦′′
2! 𝑛

onde

𝑦′𝑛 = 𝑓(𝑥𝑛 , 𝑦𝑛 ) e 𝑦′′𝑛 = 𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑦′𝑛

99
Exemplo 6.2

Usando o método de Série de Taylor, de ordem p = 2, calcule a solução do PVI definido por:

𝑦′ = 𝑓(𝑥, 𝑦) = 𝑥 − 𝑦 + 1
𝑦(𝑥0 ) = 𝑦(0) = 2

Para 𝑥 ∈ [𝑎, 𝑏] = [0, 1] e usando uma discretização em 4 subintervalos, temos:

(𝑏 − 𝑎)
𝑕= = 0.25
𝑁

Logo,

Método de Taylor de ordem 2:

𝑕2
𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝑦′𝑛 + 𝑦′′ , 𝑛 = 0, 1, 2, … , 4
2! 𝑛

onde

𝑦′𝑛 = 𝑓(𝑥𝑛 , 𝑦𝑛 ) = 𝑥𝑛 − 𝑦𝑛 + 1

𝑦′′𝑛 = 𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑦′𝑛 = 1 + (−1)(𝑥𝑛 − 𝑦𝑛 + 1) = −𝑥𝑛 + 𝑦𝑛

Cálculo de y1

Para n = 0, temos a condição inicial y(x0) = y(0) = 2, então:

𝑕2
𝑦1 = 𝑦0 + 𝑕 𝑦′0 + 𝑦′′0
2!

Assim,

𝑕2
𝑦1 = 𝑦0 + 𝑕 (𝑥0 − 𝑦0 + 1) + (−𝑥0 + 𝑦0 ) = 1.8125
2!

Cálculo de y2

Para n = 1, temos:

𝑕2
𝑦2 = 𝑦1 + 𝑕 (𝑥1 − 𝑦1 + 1) + (−𝑥1 + 𝑦1 ) = 1.7207
2!

Cálculo de y3

Para n = 2, temos:

100
 𝑕2
𝑦3 = 𝑦2 + 𝑕 (𝑥2 − 𝑦2 + 1) + (−𝑥2 + 𝑦2 ) = 1.7037
2!

Cálculo de y4

Para n = 3, temos:

𝑕2
𝑦4 = 𝑦3 + 𝑕 (𝑥3 − 𝑦3 + 1) + (−𝑥3 + 𝑦3 ) = 1.7451
2!

Exercício 6.2

𝑥𝑦′ = 𝑥 − 𝑦
Calcule y(2.1) usando a séria de Taylor de 2º ordem para o PVI .
𝑦 2 =2

6.4. Métodos de Runge-Kutta

Os trabalhos desenvolvidos por Carl David TolméRunge (1856-1927) e Wilhelm Kutta (1867-
1944) formaram um dos métodos numéricos mais utilizados para calcular a solução aproximada de
problemas de valor inicial (PVI), são os chamados métodos Runge-Kutta

Com precisão equivalente aos métodos de Taylor, porém, com a vantagem de não necessitar do
cálculo de derivadas de ordem elevada, os métodos de Runge-Kutta reduzem a complexidade
analítica e significativo esforço computacional por trabalhar apenas na avaliação da função
𝑓(𝑥, 𝑦) em pontos específicos.

Considere o PVI:

𝑦′(𝑥) = 𝑓(𝑥, 𝑦)
𝑦(𝑥0 ) = 𝑦0

Definição 6.1

Para o PVI dado, o método geral de Runge-Kutta de R-estágios é definido por:

𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝜑𝑅 (𝑥𝑛 , 𝑦𝑛 , 𝑕)

𝜑𝑅 (𝑥𝑛 , 𝑦𝑛 , 𝑕) = 𝑐1 𝑘1 + 𝑐2 𝑘2 + ⋯ + 𝑐𝑅 𝑘𝑅

𝑐1 + 𝑐2 + ⋯ + 𝑐𝑅 = 1

com 𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

101
𝑘2 = 𝑓(𝑥𝑛 + 𝑕𝑎2 , 𝑦𝑛 + 𝑕(𝑏21 𝑘1 )) 𝑎2 = 𝑏21

𝑘3 = 𝑓(𝑥𝑛 + 𝑕𝑎3 , 𝑦𝑛 + 𝑕(𝑏31 𝑘1 + 𝑏32 𝑘2 )) 𝑎3 = 𝑏31 + 𝑏32

𝑘4 = 𝑓(𝑥𝑛 + 𝑕𝑎4 , 𝑦𝑛 + 𝑕(𝑏41 𝑘1 + 𝑏42 𝑘2 + 𝑏43 𝑘3 )) 𝑎4 = 𝑏41 + 𝑏42 +𝑏43

𝑘𝑅 = 𝑓(𝑥𝑛 + 𝑕𝑎𝑅 , 𝑦𝑛 + 𝑕(𝑏𝑅1 𝑘1 + ⋯ + 𝑏𝑅,𝑅−1 𝑘𝑅−1 )) 𝑎𝑅 = 𝑏𝑅1 + 𝑏𝑅2 +...+ 𝑏𝑅,𝑅−1

Note que a aproximação 𝑦𝑛+1 é calculada a partir de 𝑦𝑛 e uma “média” de valores da função
𝑓(𝑥, 𝑦) em vários pontos. Os parâmetros 𝑐𝑟 , 𝑎𝑟 , 𝑏𝑟𝑠 na definição de um método de Runge-Kutta
podem ser escolhidos de modo que o método tenha a mesma ordem de um método de Taylor, o que
define a ordem dos métodos de Runge-Kutta.

6.4.1. Método de Runge-Kutta de 1ª ordem

O método de Runge-Kutta mais simples é 1-estágio, isto é, R = 1. Neste caso não há

parâmetros a determinar e o método é dado por:

𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝑘1 , com 𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

o que coincide com o método de Euler, isto é, o método de Taylor de ordem 1.

6.4.2. Método de Runge-Kutta de 2ª ordem

O método de Runge-Kutta 2-estágios é dado por:

𝑦𝑛+1 = 𝑦𝑛 + 𝑕 (𝑐1 𝑘1 + 𝑐2 𝑘2 )

com

𝑐1 + 𝑐2 = 1

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

𝑘2 = 𝑓(𝑥𝑛 + 𝑕𝑎2 , 𝑦𝑛 + 𝑕(𝑏21 𝑘1 )) 𝑎2 = 𝑏21

Para determinar os parâmetros 𝑐1 , 𝑐2 , 𝑎2 (𝑏21 é igual a 𝑎2 ), podemos desenvolver 𝑘2 por

Taylor, em torno do ponto (𝑥𝑛 , 𝑦𝑛 ) até ordem 2, de modo a expressar o método na seguinte forma:

102
 𝑦𝑛+1 = 𝑦𝑛 + (… )𝑕 + (… )𝑕2 +O(𝑕3 )

e, então, igualar os coeficientes de h e h² com o método de Taylor de ordem 2.

1
𝑦𝑛+1 = 𝑦𝑛 + 𝑓(𝑥𝑛 , 𝑦𝑛 )𝑕 + [𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑓(𝑥𝑛 , 𝑦𝑛 )]𝑕2
2

Assim, substituindo:

𝑐1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

𝑘2 = 𝑓(𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 )(𝑕𝑎2 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )(𝑕𝑎2 𝑘1 ) +O(𝑕2 )

na fórmula de Runge-Kutta 2-estágios, segue:

𝑦𝑛+1 = 𝑦𝑛 + (𝑐1 + 𝑐2 )𝑓(𝑥𝑛 , 𝑦𝑛 )𝑕 + (𝑐2 𝑎2 )[𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑓(𝑥𝑛 , 𝑦𝑛 )]𝑕2 +O(𝑕3 )

e igualando-se os coeficientes de h e h², do método de Taylor de ordem 2, temos:

𝑐1 + 𝑐2 = 1

1
𝑐2 𝑎2 =
2

O sistema não-linear obtido possui infinitas soluções, as quais fornecem métodos de Runge-
Kutta de ordem 2. Um método bastante conhecido decorre da solução particular do sistema:
1 1
𝑐1 = 2 , 𝑐2 = 2 𝑒 𝑎2 = 1, o que fornece o seguinte método:

𝑕
𝑦𝑛+1 = 𝑦𝑛 + (𝑘1 + 𝑘2 )
2

onde

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

𝑘2 = 𝑓(𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑕𝑘1 )

o qual é conhecido como método de Euler aperfeiçoado.

103
 Na figura abaixo podemos interpretar graficamente o método de Euler aperfeiçoado:

Temos:

a) A reta r1passa pelo ponto B = (𝑥𝑛 , 𝑦𝑛 ) e possui coeficiente angular 𝑦′𝑛 = 𝑓(𝑥𝑛 , 𝑦𝑛 ). Usando
𝐸
o método de Euler, calcula-se 𝑦𝑛+1 = 𝑦𝑛 + 𝑕𝑦′𝑛 .
𝐸
b) A reta r2 passa pelo ponto A = (𝑥𝑛+1 , 𝑦𝑛+1 ) e possui coeficiente angular
𝐸
𝑓(𝑥𝑛 + 𝑕 , 𝑦𝑛 + 𝑕𝑦′𝑛 ) = 𝑓(𝑥𝑛+1 , 𝑦𝑛+1 ).
c) A reta r0 passa pelo ponto A e sua inclinação é a média das inclinações das retas r1 e r2.
d) A reta r passa pelo ponto B e é paralela a reta r0.
e) O valor 𝑦𝑛+1 obtido pelo método de Euler aperfeiçoado é uma aproximação para a solução
y(x) no ponto 𝑥𝑛 +1 .

Exemplo 6.3
Usando o método de Euler aperfeiçoado, calcule a solução do PI definido por:
𝑦 ′ = 𝑓 𝑥, 𝑦 = 𝑥 − 𝑦 + 1
𝑥 𝜖 𝑎, 𝑏 = 0, 1 𝑒 𝑁 = 4
𝑦(𝑥0 = 𝑦 0 = 2

Temos:
(𝑏 − 𝑎)
𝑕= = 0.25
𝑁
Logo,
Cálculo de 𝒚𝟏
Para 𝑛 = 0, temos a condição inicial 𝑦(𝑥0 ) = 𝑦 0 = 2, então:

𝑘1 = 𝑓 𝑥0 , 𝑦0 → 𝑘1 = 𝑥0 − 𝑦0 + 1 = −1

104
 𝑘2 = 𝑓(𝑥0 + 𝑕, 𝑦0 + 𝑕𝑘1 ) → 𝑘2 = 𝑥0 + 𝑕 − (𝑦0 + 𝑕𝑘1 ) + 1 = −0.5
Do método de Euler aperfeiçoado temos:
𝑕
𝑦𝑛+1 = 𝑦𝑛 + (𝑘1 + 𝑘2 )
2

Portanto,
𝑕
𝑦1 = 𝑦0 + 𝑘 + 𝑘2 = 1.8125
2 1

Cálculo de 𝒚𝟐
Para 𝑛 = 1

𝑘1 = 𝑓 𝑥1 , 𝑦1 → 𝑘1 = 𝑥1 − 𝑦1 + 1 = −0.5625

𝑘2 = 𝑓(𝑥1 + 𝑕, 𝑦1 + 𝑕𝑘1 ) → 𝑘2 = 𝑥1 + 𝑕 − (𝑦1 + 𝑕𝑘1 ) + 1 = −0.1719

𝑕
𝑦2 = 𝑦1 + 𝑘 + 𝑘2 = 1.7207
2 1

Cálculo de 𝒚𝟑
Para 𝑛 = 2

𝑘1 = 𝑓 𝑥2 , 𝑦2 → 𝑘1 = 𝑥2 − 𝑦2 + 1 = −0.2207

𝑘2 = 𝑓(𝑥2 + 𝑕, 𝑦2 + 𝑕𝑘1 ) → 𝑘2 = 𝑥2 + 𝑕 − (𝑦2 + 𝑕𝑘1 ) + 1 = 0.0845

𝑕
𝑦3 = 𝑦2 + 𝑘 + 𝑘2 = 1.7037
2 1

Cálculo de 𝒚𝟒
Para 𝑛 = 3

𝑘1 = 𝑓 𝑥3 , 𝑦3 → 𝑘1 = 𝑥3 − 𝑦3 + 1 = 0.0463

𝑘2 = 𝑓(𝑥3 + 𝑕, 𝑦3 + 𝑕𝑘1 ) → 𝑘2 = 𝑥3 + 𝑕 − (𝑦3 + 𝑕𝑘1 ) + 1 = 0.2847

𝑕
𝑦4 = 𝑦3 + 𝑘 + 𝑘2 = 1.7451
2 1

Podemos, ainda, considerar outra solução do sistema não-linear, também bastante conhecida,
dada por:

1
𝑐1 = 0, 𝑐2 = 1 e 𝑎2 = 2, que nos fornece o método:

𝑕 𝑕
𝑦𝑛+1 = 𝑦𝑛 + 𝑕𝑓(𝑥𝑛 + 2 , 𝑦𝑛 + 2 𝑘1 ), com 𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

o qual é conhecido por método de Euler modificado.

105
Exercício 6.3

Achar aproximações para a solução do PVI

𝑑𝑦
= −𝑥𝑦
𝑑𝑥
𝑦(0) = 1

na malha [0,1] com h =0,5 usando o método de Runge-Kutta de ordem 2.

6.4.3. Método de Runge-Kutta de 3ª ordem

É obtido de modo análogo aos de segunda ordem. Consideremos

𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝜑𝑅 (𝑥𝑛 , 𝑦𝑛 , 𝑕)

com 𝜑𝑅 (𝑥𝑛 , 𝑦𝑛 , 𝑕) = 𝑐1 𝑘1 + 𝑐2 𝑘2 + 𝑐3 𝑘3 , onde

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

𝑘2 = 𝑓(𝑥𝑛 + 𝑕𝑎2 , 𝑦𝑛 + 𝑕(𝑏21 𝑘1 )) 𝑎2 = 𝑏21

𝑘3 = 𝑓(𝑥𝑛 + 𝑕𝑎3 , 𝑦𝑛 + 𝑕(𝑏31 𝑘1 + 𝑏32 𝑘2 )) 𝑎3 = 𝑏31 + 𝑏32

Casos particulares do Método de Runge-Kutta de ordem 3

1 3 1 2
i) Método de Heun(𝑐1 = 4, 𝑐2 = 0, 𝑐3 = 4, 𝑎1 = 𝑎2 = 3, 𝑎3 = 𝑏32 = 3 )

𝑕
𝑦𝑛 +1 = 𝑦𝑛 + (𝑘1 + 3𝑘3 )
4

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

1 1
𝑘2 = 𝑓(𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑕𝑘1 )
3 3

2 2
𝑘3 = 𝑓(𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑕𝑘2 )
3 3

106
 Observação: O termo 𝑘2 não aparece explicitamente, mas deve ser calculado a cada passo.

1 3 2
ii) Método de Nystrom(𝑐1 = 4, 𝑐2 = 𝑐3 = 8, 𝑎1 = 𝑎2 = 𝑎3 = 𝑏32 = 3 )

𝑕 3
𝑦𝑛+1 = 𝑦𝑛 + (𝑘1 + (𝑘2 + 𝑘3 ))
4 2

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )

2 2
𝑘2 = 𝑓(𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑕𝑘1 )
3 3

2 2
𝑘3 = 𝑓(𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑕𝑘2 )
3 3

Exemplo 6.4

Considere o (PVI)
𝑦′(𝑥) = −𝑦 + 𝑥 + 2
𝑦(𝑥0 ) = 2, 𝑥 ∈ [0; 0,3], 𝑕 = 0,1

Obtenha uma aproximação para y(0,1) usando o método de Heun.

𝑕
𝑦1 = 𝑦0 + 4 (𝑘1 + 3𝑘3 ) , onde

𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 ) = f(0,2) = -2+0+2 = 0

1 1 0,1 0,1
𝑘2 = 𝑓(𝑥0 + 𝑕, 𝑦0 + 𝑕𝑘1 ) = 𝑓(0 + ,2 + . 0) = 𝑓(0,0333; 2) = −2 + 0,0333 + 2
3 3 3 3
= 0,0333

2 2 0,2 0,2
𝑘3 = 𝑓(𝑥0 + 𝑕, 𝑦0 + 𝑕𝑘2 ) = 𝑓(0 + ,2 + . 0,0333) = 𝑓(0,0667; 2,0022)
3 3 3 3
= −2,0022 + 0,0667 + 2 = 0,0645

Assim,

0,1
𝑦1 = 2 + (0 + 3 . 0,0645) = 2,0048 ≈ 𝑦(𝑥1 ) = 𝑦(0,1)
4

Portanto, 𝑦(0,1) = 2,0048

Este é um exemplo em que 𝑘2 não aparece explicitamente, mas precisou ser calculado já na
primeira iteração.

107
6.4.4. Método de Runge-Kutta de Ordem4

Analogamente aos métodos anteriores de Runge-Kutta, também podemos construir novas

fórmulas por soluções alternativas para o sistema não linear. Cada solução deste sistema define um
método de Runge-Kutta de ordem 4.

O método de Runge-Kutta 4-estágios é dado por:

𝑦𝑛+1 = 𝑦𝑛 + 𝑕 𝑐1 𝑘1 + 𝑐2 𝑘2 + 𝑐3 𝑘3 + 𝑐4 𝑘4

onde

𝑐1 + 𝑐2 + 𝑐3 + 𝑐4 = 1

𝑘1 = 𝑓 𝑥𝑛 , 𝑦𝑛

𝑘2 = 𝑓 𝑥𝑛 + 𝑕𝑎2 , 𝑦𝑛 + 𝑕 𝑏21 𝑘1 , 𝑎2 = 𝑏21

𝑘3 = 𝑓 𝑥𝑛 + 𝑕𝑎3 , 𝑦𝑛 + 𝑕 𝑏31 𝑘1 + 𝑏32 𝑘2 , 𝑎3 = 𝑏31 + 𝑏32

𝑘4 = 𝑓 𝑥𝑛 + 𝑕𝑎4 , 𝑦𝑛 + 𝑕 𝑏41 𝑘1 + 𝑏42 𝑘2 + 𝑏43 𝑘3 , 𝑎4 = 𝑏41 + 𝑏42 + 𝑏43

Para determinar os parâmetros 𝑐1 , 𝑐2 , 𝑐3 , 𝑐4 , 𝑎2 , 𝑎3 , 𝑎4 , 𝑏21 , 𝑏31 , 𝑏32 , 𝑏41 , 𝑏42 , 𝑏43 , podemos
resolver 𝑘2 , 𝑘3 𝑒 𝑘4 por Taylor, em torno do ponto 𝑥𝑛 , 𝑦𝑛 até ordem 4, de modo a expressar o
método na seguinte forma:

𝑦𝑛+1 = 𝑦𝑛 + … 𝑕 + … 𝑕2 + … 𝑕3 + … 𝑕4 + 𝑂(𝑕5 )

e, então, igualar os coeficientes de 𝑕, 𝑕2 , 𝑕3 𝑒 𝑕4 com o método de Taylor de ordem 4, o que nos

leva a um sistema não-linear com 13 incógnitas (os parâmetros anteriores). Uma solução particular
para o sistema não-linear é dada por:

1 2 2 1
𝑐1 = , 𝑐2 = , 𝑐3 = , 𝑐4 =
6 6 6 6

1 1
𝑎2 = , 𝑏21 =
2 2

1 1
𝑎3 = , 𝑏31 = 0, 𝑏32 =
2 2

𝑎4 = 1, 𝑏41 = 0, 𝑏42 = 0, 𝑏43 = 1

o que nos fornece o seguinte método:

108
 𝑕
𝑦𝑛+1 = 𝑦𝑛 + (𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 )
6

𝑘1 = 𝑓 𝑥𝑛 , 𝑦𝑛

1 1
𝑘2 = 𝑓 𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑘1
2 2

1 1
𝑘3 = 𝑓 𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑘2
2 2

𝑘4 = 𝑓 𝑥𝑛 + 𝑕, 𝑦𝑛 + 𝑘3

conhecido como método de Runge-Kutta de ordem 4.

Analogamente aos métodos anteriores de Runge-Kutta, também podemos construir novas

fórmulas por soluções alternativas para o sistema não-linear.

Exemplo 6.5

Usando o método de Runge-Kutta de ordem 4, calcule a solução do PVI dado por:

𝑦 ′ = 𝑓 𝑥, 𝑦 = 𝑥 − 𝑦 + 1
𝑥 𝜖 𝑎, 𝑏 = 0, 1 𝑒 𝑕 = 0.25
𝑦(𝑥0 ) = 𝑦 0 = 2

Temos:
(𝑏 − 𝑎)
𝑁= =4
𝑕
Logo,

Cálculo de 𝒚𝟏
Para 𝑛 = 0, temos a condição inicial 𝑦(𝑥0 ) = 𝑦 0 = 2, então:

𝑘1 = 𝑓 𝑥0 , 𝑦0 → 𝑘1 = 𝑥0 − 𝑦0 + 1 = −1
𝑕 𝑕
𝑘2 = 𝑥0 + − 𝑦0 + 𝑘1 + 1 = −0.75
2 2
𝑕 𝑕
𝑘3 = 𝑥0 + − 𝑦0 + 𝑘2 + 1 = −0.7813
2 2
𝑘4 = 𝑥0 + 𝑕 − 𝑦0 + 𝑕𝑘3 + 1 = −0.5547
Portanto, temos que:
𝑕
𝑦1 = 𝑦0 + 𝑘 + 2𝑘2 + 2𝑘3 + 𝑘4 = 1.8076
6 1

109
 Cálculo de 𝒚𝟐
Para 𝑛 = 1

𝑘1 = 𝑓 𝑥1 , 𝑦1 → 𝑘1 = 𝑥1 − 𝑦1 + 1 = −0.5576
𝑕 𝑕
𝑘2 = 𝑥1 + − 𝑦1 + 𝑘1 + 1 = −0.3629
2 2
𝑕 𝑕
𝑘3 = 𝑥1 + − 𝑦1 + 𝑘2 + 1 = −0.3872
2 2
𝑘4 = 𝑥1 + 𝑕 − 𝑦1 + 𝑕𝑘3 + 1 = −0.2108

Assim,
𝑕
𝑦2 = 𝑦1 + 𝑘 + 2𝑘2 + 2𝑘3 + 𝑘4 = 1.7131
6 1

Cálculo de 𝒚𝟑
Para 𝑛 = 2
𝑕
𝑦3 = 𝑦2 + 𝑘 + 2𝑘2 + 2𝑘3 + 𝑘4 = 1.6948
6 1

Cálculo de 𝒚𝟒
Para 𝑛 = 3
𝑕
𝑦4 = 𝑦3 + 𝑘 + 2𝑘2 + 2𝑘3 + 𝑘4 = 1.7358
6 1

Exercício 6.3

Achar aproximações para a solução do PVI

𝑑𝑦
=𝑥−𝑦+2
𝑑𝑥
𝑦(0) = 2

na malha [0,1] com h =0,1 usando o método de Runge-Kutta de ordem 4.

110
Observação:

Pelo que foi visto, nos da a impressão de que podemos obter sempre métodos de Runge-Kutta
de R estágios e ordem R. Entretanto, [Butcher. 1964] provou a não existência de métodos de
Runge-Kutta de 5 estágios e ordem 5. Além disso, provou o seguinte resultado:

Seja q(R) a maior ordem que pode ser obtida por um método de Runge-Kutta, de R estágios.
Então:

q(R) = R, R = 1,2,3,4

q(5) = 4

q(6) = 5

q(7) = 6

q(8) = 6

q(9) = 7

q(R) ≤ R – 2 ; R = 10,11,...

Na prática, os métodos de Runge-Kutta mais utilizados são os de ordem 4.

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.

111
 Exercícios Complementares

1) Considere a EDO com condição inicial

𝑑𝑦
= 2𝑥𝑦 + 𝑦
(∗) 𝑑𝑥
𝑦(−1) = 1

a) Verifique que 𝑠(𝑥) = 𝑒𝑥𝑝(𝑥 2 + 𝑥) é a solução exata de (*);

b) Usando RK4, encontre uma aproximação para a solução de (*) no ponto 𝑥 = − 0,55 para
𝑕 = 0,15;
c) Calcule o erro relativo na aproximação feita acima.

2) Certa colônia conta com y(x) indivíduos depois de decorridos x anos. Sabe-se que a
população inicial é y0 = y(0) = 1000 e que o modelo de crescimento mais simples é dado pela
equação diferencial
𝑑𝑦
= 𝜆𝑦
𝑑𝑥
onde𝜆 = 0.1. Usando Runge-Kutta de ordem 4 e h = 1 ano, estima-se que a população no final
do segundo ano é:

[ ] < 1300 [ ]entre 1300 e 1400 [ ]entre 1450 e 1550 [ ]entre 1600 e 1700 [ ] > 2500

3) Agora com h = 0.5 anos e mesma população inicial, resolvendo o problema da questão (2)
no Método de Euler e sabendo que a solução exata é s(x) = y0eλx encontramos um erro relativo:

[] < 0.3% [ ]entre 0.4% e 0.5% [ ]entre 10% e 14% [ ]entre 15% e 20% [ ] > 25%

4) Um modelo de crescimento populacional mais adequado para a colônia da questão (2) é

dado pela equação
𝑑𝑦
= 𝜇(𝑦 2 − 𝑦)
𝑑𝑥

onde𝜆, y0 e h são os mesmos da questão (2) e 𝜇 = (0.5)× 𝜆 × 10−3 . Usando RK4, estima-se que
apopulação no final do primeiro ano é:

112
 [] < 1150 [ ]entre 1150 e 1200 [ ]entre 1200 e 1250 [ ]entre 1250 e 1300 [ ] > 1400

5) Agora com h = 0.5 anos e mesma população inicial, resolvendo o problema da questão (4)
no Método de Euler encontramos um erro relativo à resposta encontrada na questão (4):

[]entre 5% e 6% [ ]entre 0.9% e 1% [ ]entre 1.5% e 2% [ ]entre 0.15% e 0.16% [ ] < 0.14%

6) No modelo considerado na questão (2), fazendo 𝜆 negativo teremos um decrescimento na

população. Usando o Método de Euler, h = 0.5 anos, a mesma população inicial e 𝜆 = -0.1 na
equação diferencial da questão (2) estimamos que a colônia estará extinta depois de:

[ ] 32anos e 10meses [ ] 68anos e 4meses [ ] 67anos e 5meses [ ] 33anos e 3meses [ ] 12anos e 1mês

7) Uma EDO de segunda ordem com condição inicial tem a forma

𝑦′′ = 𝐹(𝑥, 𝑦, 𝑦′)

𝑦(𝑥0 ) = 𝑎
𝑦′(𝑥0 ) = 𝑏
𝑑2𝑦 𝑑𝑦
onde 𝑦′′ = 𝑑𝑥 2 e 𝑦′ = 𝑑𝑥 . Introduzindo a variável z = 𝑦′, ficamos com o seguinte sistema

equivalente
𝑦′ = 𝑧
𝑧′ = 𝐹(𝑥, 𝑦, 𝑧)
𝑦0 = 𝑦(𝑥0 ) = 𝑎, 𝑧0 = 𝑧(𝑥0 ) = 𝑏

para o qual temos a seguinte expressão vetorial no Método de Euler:

𝑦𝑛+1 𝑦𝑛 𝑧𝑛
𝑧𝑛+1 = 𝑧𝑛 + 𝑕 𝐹(𝑥𝑛 , 𝑦𝑛 , 𝑧𝑛 .

Considere a EDO de segunda ordem com condição inicial

𝑦′′ = 𝑥 − 𝑦
(∗∗)
𝑦(0) = 0, 𝑦′(0) = 2

a) Verifique que s(x) = x + sen(x) é a solução exata de (**);

b) Usando o Método de Euler na forma vetorial explicada acima, encontre uma aproximação
para asolução de (**) no ponto x = 0.52 para h = 0.13;
c) Calcule o erro relativo na aproximação feita em (b).

113
 CAPÍTULO 7
Equações Diferenciais Parciais

7.1. Introdução

Vimos no capitulo anterior que vários problemas na engenharia podem ser obtidos utilizando as
equações diferenciais ordinárias. Esse fato ocorre também com as chamadas equações diferenciais
parciais, as EDPs, que estão presentes por exemplo em problemas que envolvem velocidade e
pressão de um liquido, a temperatura na previsão do tempo, trajetória de um satélite, entre outras.
Se um modelo envolve derivadas em varias variáveis se trata de um modelo de equação diferencial
parcial ou sistema de equações diferenciais parciais.

Por envolverem um número maior de variáveis, as equações diferenciais parciais são, em geral,
mais complexas do que as ordinárias e geralmente não se consegue determinar as soluções exatas.
Os métodos numéricos se apresentam como uma boa forma de obter soluções, na medida em que
trazem uma representação discreta (finita) do problema que, em geral, é contínuo. Esta discretização
possibilita o uso dos computadores no tratamento numérico das equações diferenciais.

7.2. Classificações das Equações

As equações diferenciais parciais podem ser classificadas em três grupos distintos: equações
parabólicas, equações elípticas e equações hiperbólicas. No caso de equação de segunda ordem em
duas dimensões da forma:

𝑎 𝑥, 𝑦 𝑢𝑥𝑥 + 𝑏 𝑥, 𝑦 𝑢𝑥𝑦 + 𝑐 𝑥, 𝑦 𝑦𝑦𝑦 + 𝑑 𝑥, 𝑦, 𝑢𝑥 , 𝑢𝑦 , 𝑢 = 0, (7.1)

114
 onde 𝑢𝑥 denota a derivada de u em relação à variável x e a, b, c e d são funções conhecidas, a
classificação é feita em função do sinal do discriminante: ∆= 𝑏 2 − 4𝑎𝑐. Assim, em (7.1) temos:

- Equação parabólica quando ∆= 0

- Equação elíptica quando ∆< 0
- Equação hiperbólica quando ∆> 0

Uma mesma equação pode se definir como sendo de um, dois ou dos três tipos, dependendo da
região do domínio considerada, ou seja, como a, b e c dependem de x e y, o valor de ∆também
depende e, portanto, seu sinal pode variar para diferentes valores de x e y.

A classificação anterior é de extrema importância, tanto do ponto de vista prático quanto do

ponto de vista da solução numérica. É relevante na área de aplicações porque cada tipo de equação é
adequada para um tipo de problema, como por exemplo: as equações elípticas são usadas para
modelar problemas de equilíbrio; as equações parabólicas, problemas de difusão; e as equações
hiperbólicas, problemas de convecção. Já no contexto de solução numérica, sabemos da teoria
matemática das equações diferenciais parciais que as equações parabólicas e elípticas apresentam
soluções altamente regulares, enquanto as equações hiperbólicas podem apresentar soluções
singulares. Esta informação pode ser crucial no desenvolvimento de um método numérico.

Esse capítulo tem como objetivo apresentar uma introdução à solução numérica de equações
diferenciais parciais, por meio da discretização por diferenças finitas. Faremos restrição aos casos
das equações parabólicas e elípticas, por serem mais adequada para a solução por diferenças finitas.

Exemplo 7.1

Verifique se a função 𝑢 𝑥, 𝑡 = cos(2𝜋𝑡) sen(𝜋𝑥) é solução da equação da onda dada abaixo, para
algum 𝑐 > 0.

𝑢𝑡𝑡 = 𝑐 2 𝑢𝑥𝑥 0 < 𝑥 < 1 𝑒 0 < 𝑡 < 0.5

𝑢 0, 𝑡 = 0 𝑢 1, 𝑡 = 0, 0 < 𝑡 < 0.5
𝑢 𝑥, 0 = sen(𝜋𝑥) 𝑢𝑡 𝑥, 0 = 0, 0 < 𝑥 < 1

𝑢𝑡 = 𝑐 2 𝑢𝑥𝑥

𝑢𝑡 = −2𝜋 sen 2𝜋𝑡 sen 𝜋𝑥

𝑢𝑡𝑡 = −4𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥

𝑢𝑥 = 𝜋 cos 2𝜋𝑡 cos 𝜋𝑥

𝑢𝑥𝑥 = −𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥

115
 −4𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥 = −𝑐 2 𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥

𝑐2 = 4 𝑐 = ±2 𝑐 = 2 (𝑐 > 0)

𝑢 0, 𝑡 = cos 2𝜋𝑡 sen 0 = 0

𝑢 1, 𝑡 = cos 2𝜋𝑡 sen 𝜋 = 0

𝑢 𝑥, 0 = cos 0 sen(𝜋𝑥) = sen(𝜋𝑥)

𝑢𝑡 𝑥, 0 = −2𝜋 sen 0 sen 𝜋𝑥 = 0

Exemplo 7.2

Considere a equação diferencial

𝑢𝑡 = 𝑎𝑢𝑥𝑥 + 𝑏𝑢𝑥 , 𝑎 > 0, 0 ≤ 𝑥 ≤ 𝐿, 0 < 𝑡 < 𝑇

𝑢 𝑥, 0 = 𝑓 𝑥 , 0 < 𝑥 < 𝐿
𝑢 0, 𝑡 = 𝑔 𝑡 , 0 < 𝑡 < 𝑇
𝑢 𝐿, 𝑡 = 𝑕 𝑡 , 0 < 𝑡 < 𝑇

Classifique a EDP acima.

∆= 𝑏 2 − 4𝑎𝑐

∆= 02 − 4𝑎0 = 0

A equação é parabólica.

Exercício 7.1

Considere a equação diferencial parcial 𝑥 2 + 𝑦 2 − 1 𝑢𝑥𝑥 − 3𝑢𝑡𝑡 + 𝑢𝑥 = 0. Determine o domínio

𝐷 ⊂ 𝑅 2 sobre o qual essa EDP é hiperbólica. Represente este domínio no plano cartesiano.

7.3. Equações Parabólicas

Serão apresentados nessa seção os métodos mais conhecidos para a solução de equações
parabólicas. Com esse objetivo, introduzimos brevemente a aproximação das derivadas de uma
função de uma variável por diferenças finitas, a discretização dos pontos.

116
Diferenças finitas

A ideia geral do método de diferenças finitas é a discretização do domínio e a substituição das

derivadas presentes na equação diferencial por aproximações envolvendo somente valores
numéricos da função. Na prática, substituímos as derivadas pela razão incremental que converge
para o valor da derivada quando o incremento tende a zero. Dizemos então, que o problema foi
discretizado. Quando o domínio tem mais de uma variável, esta ideia é aplicada para cada uma
delas separadamente.

Seja 𝑥0 um número real pertencente ao domínio em questão e 𝑕, um número positivo.

Definimos malha de passo 𝑕 associada a 𝑥0 como o conjunto de pontos:

𝑥𝑖 = 𝑥0 ± 𝑖𝑕, i = 1, 2,..., N

Nos pontos dessa malha serão calculadas as aproximações de uma função 𝑦(𝑥) e suas
derivadas.

A fórmula de Taylor, que relaciona valores da função e suas derivadas num ponto x com
valores dessa mesma função numa vizinhança de x, ou seja, com y(x + h), é a ferramenta básica no
cálculo de aproximações para as derivadas. Se y(x) tem derivadas até a ordem n + 1 em x, obtemos:

𝑕2 𝑕𝑛 𝑕𝑛+1
𝑦(𝑥 + 𝑕) = 𝑦(𝑥) + 𝑕𝑦′(𝑥) + 𝑦′′(𝑥) + ⋯ + 𝑦 (𝑛) (𝑥) + 𝑦 (𝑛+1) (𝜉), 𝑥 < 𝜉 < 𝑥 + 𝑕 (7.2)
2! 𝑛! (𝑛 + 1)!

O último termo da expressão representa o erro da aproximação de y(x + h) pelo polinômio (na
variável h) de grau n.

Se n = 1 em (7.2) teremos a fórmula progressiva que utiliza diferença progressiva ∆𝑦(𝑥) e

seu erro, ou seja:

𝑦 𝑥 + 𝑕 − 𝑦(𝑥) 𝑕 ′′ 1 𝑕
𝑦′ 𝑥 = − 𝑦 𝜉 𝑦′ 𝑥 = ∆𝑦 𝑥 − 𝑦 ′′ 𝜉
𝑕 2 𝑕 2

De modo semelhante, tomando –h em (7.2) ainda com n = 1, obtemos a fórmula regressiva que
utiliza a diferença regressiva (∇𝑦 𝑥 ) e seu erro, ou seja:

𝑦 𝑥 − 𝑦(𝑥 − 𝑕) 𝑕 ′′ 1 𝑕
𝑦′ 𝑥 = − 𝑦 𝜉 𝑦′ 𝑥 = ∇𝑦 𝑥 + 𝑦 ′′ 𝜉
𝑕 2 𝑕 2

Fazendo agora, n = 2 em (7.2) com h e –h, respectivamente, temos

117
 𝑕2 𝑕3
𝑦(𝑥 + 𝑕) = 𝑦(𝑥) + 𝑕𝑦′(𝑥) + 𝑦′′(𝑥) + 𝑦 ′′′ (𝜉2 )
2! 3!

𝑕2 𝑕3 ′′′
𝑦(𝑥 − 𝑕) = 𝑦(𝑥) − 𝑕𝑦′(𝑥) + 𝑦′′(𝑥) − 𝑦 (𝜉1 )
2! 3!

Subtraindo a última expressão da penúltima obtemos a fórmula centrada que utiliza a diferença
central (𝛿𝑕 𝑦(𝑥)) e seu erro, ou seja:

′
𝑦 𝑥 + 𝑕 − 𝑦(𝑥 − 𝑕) 𝑕2 ′′′ 1 𝑕2 ′′′
𝑦 𝑥 = + 𝑦 𝜉 = 𝛿 𝑦 𝑥 + 𝑦 𝜉 , 𝜉 𝜖 (𝑥 − 𝑕, 𝑥 + 𝑕)
2𝑕 3! 2𝑕 𝑕 3!

Quando se fizer necessário deixar claro o passo h para o qual um operador está sendo utilizado
escreveremos: 𝛿𝑕 , 𝛿𝑕 2 , ∆𝑕 , ∇𝑕, , caso contrário o índice h será omitido.

Erro de ordem de aproximação de uma fórmula de diferenças

Seja 𝐹(𝑥) uma fórmula de diferenças para a proximacao da derivada de ordem q de uma
função𝑦(𝑥) com erro 𝜀(𝑥), então:

𝑞
𝑦 𝑥 = 𝐹 𝑥 + 𝜀(𝑥)

A fórmula 𝐹(𝑥) é de ordem p se 𝜀 𝑥 = 𝑕𝑝 𝑅(𝑥), onde 𝑅(𝑥) não depende de h. Neste caso,
𝜀(𝑥)
usamos a notação 𝜀 𝑥 = 𝑂(𝑕𝑝 ). Esta notação significa que lim𝑕→0 é uma constante finita, não
𝑕𝑝

nula.

Por exemplo, no caso da fórmula centrada, temos que:

𝑦 𝑥 + 𝑕 − 𝑦(𝑥 − 𝑕) 𝑕2
𝐹 𝑥 = 𝑒 𝜀 𝑥 = 𝑦 ′′′ 𝜉 , 𝜉 𝜖 (𝑥 − 𝑕, 𝑥 + 𝑕)
2𝑕 3!

e, assim, esta fórmula centrada é de segunda ordem.

Seguindo as mesmas ideias, podemos ter uma expressão para o cálculo aproximado da segunda
derivada. Tomando n = 3 em (7.2) com h e –h obtemos:

𝑕2 𝑕3 𝑕4
𝑦(𝑥 + 𝑕) = 𝑦(𝑥) + 𝑕𝑦′(𝑥) + 𝑦′′(𝑥) + 𝑦 ′′′ (𝑥) + 𝑦 (4) (𝜉1 ) ,
2! 3! 4!

𝑕2 𝑕3 ′′′ 𝑕4 (4)
𝑦(𝑥 − 𝑕) = 𝑦(𝑥) − 𝑕𝑦′(𝑥) + 𝑦′′(𝑥) − 𝑦 (𝑥) + 𝑦 (𝜉2 )
2! 3! 4!

Somando estas duas expressões e isolando 𝑦′′(𝑥) temos:

118
 𝑦 𝑥 + 𝑕 − 2𝑦 𝑥 + 𝑦(𝑥 − 𝑕) 𝑕2 (4)
𝑦 ′′ 𝑥 = + 𝑦 𝜉
𝑕2 12
1 2 𝑕2 (4)
= 𝛿 𝑦 𝑥 + 𝑦 𝜉 , 𝜉 𝜖 (𝑥 − 𝑕, 𝑥 + 𝑕)
𝑕2 12

𝑕
na última expressão o operador 𝛿 2 é utilizado com passo .
2

As fórmulas de diferenças finitas em uma dimensão obtidas anteriormente, podem agora ser
utilizadas em cada variável para gerar aproximações para as derivadas parciais de uma função de
várias variáveis. Assim, temos as seguintes fórmulas:

Progressiva

𝑢(𝑥, 𝑡 + 𝑘) − 𝑢(𝑥, 𝑡) 𝑘 1 𝑘
𝑢𝑡 (𝑥, 𝑡) = − 𝑢𝑡𝑡 (𝑥, 𝜁) = ∆𝑡 𝑢(𝑥, 𝑡) − 𝑢𝑡𝑡 (𝑥, 𝜁) , (𝑡 < 𝜁 < 𝑡 + 𝑘)
𝑘 2 𝑘 2

Regressiva

𝑢(𝑥, 𝑡) − 𝑢(𝑥, 𝑡 − 𝑘) 𝑘 1 𝑘
𝑢𝑡 (𝑥, 𝑡) = + 𝑢𝑡𝑡 (𝑥, 𝜁) = ∇𝑡 𝑢(𝑥, 𝑡) + 𝑢𝑡𝑡 (𝑥, 𝜁) , (𝑡 − 𝑘 < 𝜁 < 𝑡)
𝑘 2 𝑘 2

Central

𝑢(𝑥 + 𝑕, 𝑡) − 𝑢(𝑥 − 𝑕, 𝑡) 𝑕2
𝑢𝑥 (𝑥, 𝑡) = − 𝑢𝑥𝑥𝑥 (𝜉, 𝑡)
2𝑕 6

1 𝑕2
= 𝛿𝑥 𝑢(𝑥, 𝑡) − 𝑢𝑥𝑥𝑥 (𝜉, 𝑡) , (𝑥 − 𝑕 < 𝜉 < 𝑥 + 𝑕)
2𝑕 6

𝑢(𝑥 + 𝑕, 𝑡) − 2𝑢(𝑥, 𝑡) + 𝑢(𝑥 − 𝑕, 𝑡) 𝑕2

𝑢𝑥𝑥 (𝑥, 𝑡) = − 𝑢𝑥𝑥𝑥 (𝜉, 𝑡)
𝑕2 12

1 2 𝑕2
= 𝛿 𝑥 𝑢(𝑥, 𝑡) − 𝑢 (𝜉, 𝑡) , (𝑥 − 𝑕 < 𝜉 < 𝑥 + 𝑕)
𝑕2 12 𝑥𝑥𝑥

𝑢(𝑥, 𝑡 + 𝑘) − 2𝑢(𝑥, 𝑡) + 𝑢(𝑥, 𝑡 − 𝑘) 𝑘 2

𝑢𝑡𝑡 (𝑥, 𝑡) = − 𝑢𝑡𝑡𝑡 (𝑥, 𝜁)
𝑘2 12

1 2 𝑘2
= 𝛿 𝑢(𝑥, 𝑡) − 𝑢 (𝑥, 𝜁) , (𝑡 − 𝑕 < 𝜁 < 𝑡 + 𝑕)
𝑘2 𝑡 12 𝑡𝑡𝑡

𝑢(𝑥 + 𝑕, 𝑡 + 𝑘) − 𝑢(𝑥 + 𝑕, 𝑡 − 𝑘) − 𝑢(𝑥 − 𝑕, 𝑡 + 𝑘) + 𝑢(𝑥 − 𝑕, 𝑡 − 𝑘)

𝑢𝑥𝑡 (𝑥, 𝑡) =
4𝑕𝑘
𝑕2 𝑘2
− 𝑢𝑥𝑥𝑥𝑡 (𝜉1 , 𝜁1 ) − 𝑢𝑥𝑡𝑡𝑡 (𝜉2 , 𝜁2 )
6 6

1 𝑕2 𝑘2
= 𝛿𝑥 𝛿𝑡 𝑢(𝑥, 𝑡) − 𝑢𝑥𝑥𝑥𝑡 (𝜉1 , 𝜁1 ) − 𝑢𝑥𝑡𝑡𝑡 (𝜉2 , 𝜁2 ) ,
4𝑕𝑘 6 6

119
 𝑥 − 𝑕 < 𝜉1, 𝜉2 < 𝑥 + 𝑕 𝑒 𝑡 − 𝑘 < 𝜁1 , 𝜁2 < 𝑡 + 𝑘

onde∆𝑠 , ∇𝑠 e 𝛿𝑠 denotam, respectivamente, as diferenças progressiva, regressiva e central na variável

s.

7.4. O Problema de Dirichlet

Em aplicações, uma forma comum de ocorrência de equações parabólicas é dada por:

𝑢𝑡 − 𝛼(𝑥, 𝑡)𝑢𝑥𝑥 = 𝑟(𝑥, 𝑡, 𝑢, 𝑢𝑥 ) , 𝑎 < 𝑥 < 𝑏 e0 < 𝑡 < 𝑇,

𝑢(𝑥, 0) = 𝜓 (𝑥) , 𝑎≤𝑥≤𝑏,

𝑢(𝑎, 𝑡) = 𝑓(𝑡) , 0 < 𝑡 < 𝑇,

𝑢(𝑏, 𝑡) = 𝑔(𝑡) , 0 < 𝑡 < 𝑇.

que é chamado de Problema de Dirichlet.

Teorema 7.1

Se 𝛼(𝑥, 𝑡) é contínua e limitada e 𝑟(𝑥, 𝑡, 𝑢, 𝑢𝑥 ) é monotonicamente decrescente em u, então existe

uma única solução para a equação acima.

O modelo fundamental das equações parabólicas é a versão linear da equação do Problema de

Dirichlet, conhecida como equação do calor, a qual é dada por:

𝑢𝑡 − 𝛼(𝑥, 𝑡)𝑢𝑥𝑥 = 𝑟(𝑥, 𝑡), 𝛼(𝑥, 𝑡) > 0, 0 ≤ 𝑥 ≤ 𝐿, 0 < 𝑡 < 𝑇

e as condições inicial e de fronteira:

𝑢(𝑥, 0) = 𝜓 (𝑥), 0 ≤ 𝑥 ≤ 𝐿 𝑐𝑜𝑛𝑑𝑖çã𝑜 𝑖𝑛𝑖𝑐𝑖𝑎𝑙,

𝑢(0, 𝑡) = 𝑓(𝑡), 0 < 𝑡 < 𝑇,

condições de fronteira.
𝑢(𝐿, 𝑡) = 𝑔(𝑡) , 0 < 𝑡 < 𝑇

Em equações parabólicas, a solução em cada ponto interior depende da condição inicial em

todos os pontos. Além disso, mesmo quando a condição inicial de uma equação parabólica não é
regular, a solução sempre é. Assim, por exemplo, se 𝑓(0) ≠ 𝜓(0) haverá uma descontinuidade em
x = 0, t = 0, mas a solução será regular para todo t > 0 em x = 0. A mesma observação é válida
próximo de x = L.

120
 Discretização

As técnicas de solução de equações parabólicas serão apresentadas para o problema modelo da

equação do calor, com 𝛼 (x, t) constante e r(x, t)≡0, isto é, para equações da forma:
𝑢𝑡 = 𝛼 𝑢𝑥𝑥 , (7.3)
com as condições iniciais e de fronteira dadas pela equação de calor. Dividindo o intervalo [0,
L], da variável espacial x, em N partes iguais de comprimento h, obtemos os N+1 pontos 𝑥𝑖 = 𝑖𝑕,
𝐿
i = 0, 1,..., N, onde 𝑕 = 𝑁 , e dividindo o intervalo [0, T], da variável tempo t, em M partes iguais de
𝑇
comprimento k, obtemos os M+1 pontos 𝑡𝑗 = 𝑗𝑘, j = 0, 1,..., M, onde 𝑘 = 𝑀. Assim, obteremos uma

aproximação da solução nos pontos (𝑥𝑖 , 𝑡𝑗 ) da malha, no domínio da equação, como na figura
abaixo.

Denotaremos por 𝑢𝑖,𝑗 a solução exata no ponto (𝑥𝑖 , 𝑡𝑗 ) e por 𝑈𝑖,𝑗 , um valor aproximado de 𝑢𝑖,𝑗 .
Exemplo 7.3
Considere a equação diferencial
𝑢𝑡 = 𝑢𝑥𝑥 , 0 ≤ 𝑥 ≤ 1, 𝑡 ≥ 0
𝑢 𝑥, 0 = sen 𝜋𝑥 , 0≤𝑥≤1
−𝜋 2 𝑡
𝑢𝑥 0, 𝑡 = 𝜋𝑒 , 𝑡≥0
2
𝑢𝑥 1, 𝑡 = −𝜋𝑒 −𝜋 𝑡 , 𝑡≥0
Utilizando 𝑕 = 0.5, 𝑘 = 0.1 e os valores de 𝑢𝑥 0, 𝑡 e 𝑢𝑥 1, 𝑡 calcule uma aproximação 𝑢(−0.5,0)
e 𝑢 1.5,0 . Dica: use diferenças centradas.

𝑢 𝑕, 𝑡 − 𝑢(−𝑕, 𝑡)
𝑢𝑥 (0, 𝑡) ≅
2𝑕
Para 𝑡 = 0 e 𝑕 = 0.5:
𝑢 0.5, 0 − 𝑢(−0.5,0)
𝜋𝑒 0 ≅
2 ∙ 0.5

121
 𝜋 ≅ 1 − 𝑢 −0.5, 0
𝑢 −0.5, 0 = 1 − 𝜋

𝑢 1 + 𝑕, 𝑡 − 𝑢(1 − 𝑕, 𝑡)
𝑢𝑥 (1, 𝑡) ≅
2𝑕
Para 𝑡 = 0 e 𝑕 = 0.5:
𝑢 1.5, 0 − 𝑢(0.5,0)
−𝜋𝑒 0 ≅
2 ∙ 0.5
𝜋 ≅ 𝑢 1.5, 0 − 1
𝑢 1.5, 0 = 1 − 𝜋

Exercício 7.2
Uma placa de 12 cm de lado tem suas bordas mantidas à temperatura de 100 °C. Sabendo que a
temperatura é dada pela função u e considerando 𝑕 = 4 e 𝑘 = 6, faça um esboço da malha que
representa a placa.

7.5. Métodos de Diferenças Finitas

Descrevemos a seguir como obter método explicito para soluções de equações parabólicas,
baseados em diferenças finitas, apresentadas anteriormente.

7.5.1. Método Explícito

Usando diferenças centradas de segunda ordem na variável espacial para aproximar a derivada
desegunda ordem obtemos:
𝑈𝑖−1,𝑗 −2𝑈𝑖,𝑗 +𝑈𝑖+1,𝑗
𝑢𝑥𝑥 (𝑥𝑖 , 𝑡𝑗 ) = =𝛿𝑥2 𝑈𝑖,𝑗 ,
𝑕2

e usando agora diferenças progressivas no tempo para aproximar a derivada de primeira ordem
produzimos a aproximação:
𝑈𝑖,𝑗 +1 −𝑈𝑖,𝑗
𝑢𝑡 𝑥𝑖 , 𝑡𝑗 ≃ 𝑘
= ∆𝑡 𝑈𝑖,𝑗 .

Substituindo essas aproximações em (7.3), obtemos a equação aproximada:

𝑈𝑖,𝑗 +1 − 𝑈𝑖,𝑗 𝑈𝑖−1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖+1,𝑗
= 𝛼( )
𝑘 𝑕2
ou seja,
𝑈𝑖,𝑗 +1 = 𝑈𝑖,𝑗 + 𝜎(𝑈𝑖−1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖+1,𝑗 ) (7.4)
𝑘𝛼 .
onde𝜎 = 𝑕 2

122
 Assim, conhecidos os valores 𝑈𝑖−1 , 𝑗 , 𝑈𝑖,𝑗 𝑒 𝑈𝑖+1,𝑗 calculamos 𝑈i,j+1 explicitamente, sem
qualquercomplicação suplementar (ver Figura):

A molécula computacional do método explícito.

A molécula computacional é uma tradução gráfica da fórmula (7.4), pois ela estabelece a
relaçãode dependência existente entre o valor no ponto (𝑖, 𝑗 + 1) e seus vizinhos. Note que no caso
do métodoexplícito o ponto (𝑖, 𝑗 + 1) depende apenas dos pontos 𝑖 − 1, 𝑗 , (𝑖, 𝑗) 𝑒 (𝑖 + 1, 𝑗) todos
do nível anterior e daí a palavra explícito. Observe também na Figura que, como os valores sobre a
linha 𝑗 = 0são conhecidos (dados iniciais), é possível calcular os valores da linha 𝑗 = 1 a menos do
primeiro e do último,mas esses dois valores são dados exatamente pelas condições de fronteira
completando assim o cálculoda linha 𝑗 = 1. Tendo a linha 𝑗 = 1 procedemos de maneira análoga
para calcular a linha 𝑗 = 2. . ..Ilustraremos essas ideias através de um exemplo.

Exemplo 7.4
1 1
Usando o método explícito, com 𝜎 = 4 e 𝑘 = 36 , calcule a primeira linha de solução da equação.

𝑢𝑡 = 𝑢𝑥𝑥 , 0 ≤ 𝑥 ≤ 1, 0 < 𝑡 < 𝑇

𝑢(𝑥, 0) = 𝑥(1 − 𝑥), 0 ≤ 𝑥 ≤ 1
𝑢 0, 𝑡 = 0, 0 < 𝑡 < 𝑇
𝑢 1, 𝑡 = 0, 0 < 𝑡 < 𝑇

1 1 1
Como 𝜎 = 4···, 𝛼 = 1 e 𝑘 = 36 temos que 𝑕 = 3 e, portanto:
1 2 1 2
𝑥0 = 0, 𝑥1 = , 𝑥2 = , 𝑥3 = 1 𝑒 𝑡1 = , 𝑡2 = ,…
3 3 36 36

123
 Da condição inicial vem que:

𝑢00 = 𝑢 𝑥0 , 𝑡0 = 𝑢 0,0 − 0 1 − 0 = 0 = 𝑈00

1 1 1 2
𝑢10 = 𝑢 𝑥1 , 𝑡0 = 𝑢 ,0 − 1 − = = 𝑈10
3 3 3 9
2 2 2 2
𝑢20 = 𝑢 𝑥2 , 𝑡0 = 𝑢 ,0 − 1 − = = 𝑈20
3 3 3 9
𝑢30 = 𝑢 𝑥3 , 𝑡0 = 𝑢 1,0 − 1 1 − 1 = 0 = 𝑈30

Das condições de fronteira deduzimos que:

1
𝑢01 = 𝑢 𝑥0 , 𝑡1 = 𝑢 0, = 0 = 𝑈01 ,
36
1
𝑢31 = 𝑢 𝑥3 , 𝑡1 = 𝑢 1, = 0 = 𝑈31 .
36
Assim usando o método explícito, obtemos:

𝑈11 = 𝑈10 + 𝜎(𝑈00 − 2𝑈10 + 𝑈20 )= 0.1667 ≃ 𝑢11 = 𝑢(𝑥1 , 𝑡1 )

𝑈21 = 𝑈20 + 𝜎(𝑈10 − 2𝑈20 + 𝑈30 ) = 0.1667 ≃ 𝑢21 = 𝑢(𝑥2 , 𝑡1 )

Observe que a solução exata da equação é 𝑢11 = 𝑢21 = 0.16667.

Exercício 7.3
Considere a equação diferencial

𝑢𝑡 = 𝑎𝑢𝑥𝑥 + 𝑏𝑢𝑥 , 𝑎 > 0, 0 ≤ 𝑥 ≤ 𝐿, 0 < 𝑡 < 𝑇

𝑢 𝑥, 0 = 𝑓 𝑥 , 0 < 𝑥 < 𝐿
𝑢 0, 𝑡 = 𝑔 𝑡 , 0 < 𝑡 < 𝑇
𝑢 𝐿, 𝑡 = 𝑕 𝑡 , 0 < 𝑡 < 𝑇

Mostre que, discretizando esta equação pelo método explícito e diferenças centrais para aproximar
𝑢𝑥 , obtém-se:
𝑘𝑎 𝑏𝑘 𝑘𝑎 𝑘𝑎 𝑏𝑘
𝑈𝑖,𝑗 +1 = + 𝑈𝑖+1,𝑗 + 1 − 2 2 𝑈𝑖,𝑗 + 2 + 𝑈
𝑕 2 2𝑕 𝑕 𝑕 2𝑕 𝑖−1,𝑗

124
Exercício 7.4
Uma placa de 12 cm de lado tem suas bordas mantidas à temperatura de 100 °C. Sabendo que a
temperatura é dada pela função u, considerando 𝑕 = 4 e 𝑘 = 6 no método de diferenças finitas e
sabendo que 𝑢𝑥𝑥 + 𝑢𝑦𝑦 = 0, encontre os valores das temperaturas no interior da placa.

7.5.2. Método Implícito

Uma fórmula implícita é aquela em que dois ou mais valores desconhecidos na linha j são
especificadosem termos de valores conhecidos das linhas 𝑗 − 1, 𝑗 − 2. . .. Claramente, não será
possível o cálculodireto de 𝑈𝑖, 𝑗; usualmente exige-se a solução de um sistema linear.
Aplicando diferenças regressivas do lado esquerdo da equação e diferenças centradas do lado
direito, obtemos:

𝑈𝑖,𝑗 +1 − 𝑈𝑖,𝑗 𝑈𝑖−1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖+1,𝑗

= 𝛼( )
𝑘 𝑕2

que depois de alguma manipulação algébrica pode ser reescrita na forma:

−𝜎𝑈𝑖−1,𝑗 + 1 + 2𝜎 𝑈𝑖,𝑗 − 𝜎𝑈𝑖+1,𝑗 = 𝑈𝑖,𝑗 −1 , 𝑖 = 1,2, … , 𝑁 − 1, 𝑗 = 1,2, … (7.5)

A molécula computacional dá-nos uma ideia precisa da relação de dependência entre os

diversoselementos da fórmula.

Figura 13.5: Molécula computacional do método implícito

Observe que a equação acima forma um sistema tridiagonal de equações, e ao resolvê-lo

encontramos todas as aproximações do estágio j. Escrevendo mais detalhadamente, o sistema a ser
resolvido em cada estágio é:

125
 1 + 2𝜎 −𝜎 0 … 0 𝑈1𝑗 𝑈1,𝑗 −1 𝜎𝑈0,𝑗
−𝜎 1 + 2𝜎 −𝜎 … 0 𝑈2𝑗 𝑈2,𝑗 −1 0
⋮ ⋮ ⋮ = ⋮ + ⋮ ,
0 … −𝜎 1 + 2𝜎 −𝜎 𝑈𝑁−2,𝑗 𝑈𝑁−2,𝑗 −1 0
0 … 0 −𝜎 1 + 2𝜎0 𝑈𝑁−1,𝑗 𝑈𝑁−1,𝑗 −1 𝜎𝑈𝑁,𝑗

ou na notação vetorial:
𝐴𝑈𝐽 = 𝑈𝐽 −1 + 𝐶𝐽 ,
onde𝑐𝑗 = (𝜎𝑈0,𝑗 , 0, … , 𝜎𝑈𝑁,𝑗 = (𝜎𝑓(𝑗𝑕), 0, … , 0, 𝜎𝑔(𝑗𝑕))𝑇 para o caso de condições de fronteira
como as da equação do calor.
Podemos observar que A é uma matriz (𝑁 − 1) × (𝑁 − 1) estritamente diagonalmente
dominante e, portanto o sistema tem solução única. Além disso, a propriedade de diagonal
dominância nosgarante que ele pode ser resolvido por qualquer método de solução de sistemas de
equações lineares.

Exemplo 7.5
1 1
Usando o método implícito, com 𝜎 = 4, e 𝑘 = 36, calcule a primeira linha de soluções da equação

dada no exemplo 7.1.

1
Dos valores de 𝜎 e k dados, obtemos 𝑕 = 3 e, assim:
1 2 1 2
𝑥0 = 0, 𝑥1 = , 𝑥2 = , 𝑥3 = 1 𝑒 𝑡0 = 0, 𝑡1 = , 𝑡2 = ,…
3 3 36 36
Usando as aproximações U00, U10, U20, U30, U01 e U31, calculadas no exemplo anterior,
podemos obter U11 e U21 do seguinte modo:
𝑈10 = − 𝜎𝑈01 + (1 + 2𝜎)𝑈11 − 𝜎𝑈21 ,
𝑈20 = − 𝜎𝑈11 + (1 + 2𝜎)𝑈21 − 𝜎𝑈31
e colocando na forma matricial, obtemos:
(1 + 2𝜎) −𝜎 𝑈11 𝑈10 + 𝜎𝑈01
= , 𝑜𝑢 𝑠𝑒𝑗𝑎:
−𝜎 (1 + 2𝜎) 𝑈21 𝑈20 + 𝜎𝑈31
3/2 −1/4 𝑈11 2/9
=
−1/4 3/2 𝑈21 2/9
Resolvendo este sistema linear, obtemos: 𝑈11 = 𝑈21 = 0.17778.
Note que a utilização de um método implícito como o anterior é de difícil justificativa prática,
uma vez que a precisão dos resultados não melhorou na mesma proporção do aumento do esforço
computacional.

126
Exercício 7.5
Considere o seguinte problema de valor de fronteira de Neumann:
𝑢𝑡 = 𝑎𝑢𝑥𝑥 , 𝑎 > 0, 0 ≤ 𝑥 ≤ 𝐿, 0 < 𝑡 < 𝑇
𝑢 𝑥, 0 = 𝜓 𝑥 , 0 < 𝑥 < 𝐿
𝜕𝑢 0, 𝑡
= 𝛼1 𝑢 − 𝑢1 , 0 < 𝑡 < 𝑇
𝜕𝑥
𝜕𝑢 𝐿, 𝑡
= −𝛼2 𝑢 − 𝑢2 , 0 < 𝑡 < 𝑇
𝜕𝑥

onde 𝛼1 e 𝛼2 contantes positivas.

a) Obtenha o método resultante da aproximação das condições de fronteira por diferenças
centrais e da equação pelo método implícito.
b) Obtenha o método resultante da aproximação da fronteira esquerda por diferenças
progressivas da fronteira direita por diferenças regressivas e da equação pelo método implícito.

7.6. Método de Crank-Nicolson

É um dos métodos mais utilizados nas soluções de equações parabólicas. O método de Crank-
Nicolson é obtido fazendo-se a “média aritmética” entre as expressões para o método explicito e
implícito (com j+1).

Logo, teremos o seguinte:

𝑈𝑖,𝑗 +1 = 𝑈𝑖,𝑗 + 𝜎(𝑈𝑖−1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖+1,𝑗 ) (7.4)

Método Explícito

𝑈𝑖,𝑗 −1 = −𝜎𝑈𝑖−1,𝑗 + 1 + 2𝜎 𝑈𝑖,𝑗 − 𝑈𝑖+1,𝑗 (7.5)

ou, equivalentemente

127
 𝑈𝑖,𝑗 +1 = 𝑈𝑖,𝑗 + 𝜎𝑈𝑖−1,𝑗 +1 − 2𝜎𝑈𝑖,𝑗 +1 + 𝜎𝑈𝑖+1,𝑗 +1 (7.6)

Método implícito

(7.4)+(7.6)
Fazendo a média das equações :
2

𝜎
𝑈𝑖,𝑗 +1 = 𝑈𝑖,𝑗 +2 [𝑈𝑖−1,𝑗 + 𝑈𝑖−1,𝑗 +1 − 2(𝑈𝑖,𝑗 + 𝑈𝑖,𝑗 +1 ) + 𝑈𝑖+1,𝑗 + 𝑈𝑖+1,𝑗 +1 ] (7.7),

𝛼𝑘
com 𝜎 = .
𝑕2

Ou ainda, representando o método de CrankNicolson:

𝜎
𝑈𝑖,𝑗 +1 − 𝑈𝑖,𝑗 =+2 [𝑈𝑖−1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖+1,𝑗 + 𝑈𝑖−1,𝑗 +1 − 2𝑈𝑖,𝑗 +1 ) + 𝑈𝑖+1,𝑗 +1 ] (7.8)

𝛼𝑘
com 𝜎 = 𝑕2

Exemplo 7.6

1 1
Usando o método de Crank-Nicolson, com 𝜎 = 4 e 𝑘 = 36, calcule a primeira linha de soluções da

equação

𝑢𝑡 = 𝑢𝑥𝑥 , 0 ≤ 𝑥 ≤ 1, 0 < 𝑡 < 𝑇

𝑢 𝑥, 0 = x(1 − x), 0≤𝑥≤1
𝑢𝑥 0, 𝑡 = 0, 0< 𝑡<𝑇
𝑢𝑥 1, 𝑡 = 0, 0< 𝑡<𝑇

𝛼𝑘 1 1 1
Como 𝜎 = , 𝛼 = 1, 𝑘 = 36 𝑒 𝜎 = 4, temos que 𝑕 = 3. Logo,
𝑕2

1 2 1 2
𝑥0 = 0, 𝑥1 = , 𝑥2 = , 𝑥3 = 1 𝑒 𝑡0 = 0, 𝑡1 = , 𝑡2 = ,…
3 3 36 36

Já sabemos que das condição inicial e de fronteira, temos:

𝑢00 = 𝑢 𝑥0 , 𝑡0 = 𝑢 0,0 − 0 1 − 0 = 0 = 𝑈00

⋮ ⋮

𝑢30 = 𝑢 𝑥3 , 𝑡0 = 𝑢 1,0 − 1 1 − 1 = 0 = 𝑈30

𝑈01 = 0 = 𝑈31

128
 Falta determinar 𝑈1,1 𝑒 𝑈2,1 .

Utilizando o método de Crank-Nicolson vamos obter um sistema linear nas variáveis

𝑈1,1 𝑒 𝑈2,1 .

2 1 1 2 2
𝑈1,1 − = . 0−2 + + 0 − 2𝑈1,1 + 𝑈2,1
9 4 2 9 9
2 1 1 2 2
𝑈2,1 − = . −2 + 0 + 𝑈1,1 − 2𝑈2,1 + 0
9 4 2 9 9

2 1 4 2
𝑈1,1 = + − + − 2𝑈1,1 + 𝑈2,1
9 8 9 9
2 1 2 4
𝑈2,1 = + − + 𝑈1,1 − 2𝑈2,1
9 8 9 9

7 1 1
𝑈1,1 = − 𝑈1,1 + 𝑈2,1
36 4 8
7 1 1
𝑈2,1 = + 𝑈 − 𝑈
36 8 1,1 4 2,1

1 1 7
1+
𝑈1,1 − 𝑈2,1 =
4 8 36
1 1 7
− 𝑈1,1 + 1 + 𝑈2,1 =
8 4 36

5 1 7
𝑈1,1 − 𝑈2,1 =
4 8 36
1 5 7
− 𝑈1,1 + 𝑈2,1 =
8 4 36

Resolvendo o sistema temos,

14
𝑈1,1 = 𝑈2,1 =
81

Portanto a solução do sistema é

𝑈1,1 = 𝑈2,1 = 0,1728395

129
7.7. Equações Elípticas

Problemas elípticos caracterizam-se pela propagação de suas propriedades físicas em todas as

direções coordenadas indistintamente, ao contrario das equações parabólicas e hiperbólicas, onde
estas propriedades propagam-se em direções preferenciais. Portanto, as condições de fronteira de
um problema elíptico são normalmente especificadas ao longo de toda a fronteira.

Alguns exemplos de equações elípticas:

-problemas de difusão e de pressão;

-problemas de elasticidade;

-problemas de vibração de membranas.

Seja R uma região limitada do plano com fronteira 2R. A equação

𝐴 𝑥, 𝑦 𝑢𝑥𝑥 + 𝐵 𝑥, 𝑦 𝑢𝑥𝑦 + 𝐶 𝑥, 𝑦 𝑢𝑦𝑦 = 0 𝑥, 𝑦, 𝑢, 𝑢𝑥 , 𝑢𝑦 (7.9)

é elíptica em R se ∆= 𝐵 2 − 4𝐴𝐶 < 0, para todo (x,y) de R.

Estudaremos o problema de Dirichlet, o qual requer que a solução de (7.9) seja conhecida sobre
a fronteira 2R, isto é,

𝑢 𝑥, 𝑦 = 𝑔 𝑥, 𝑦 ; ∀ 𝑥, 𝑦 ∈ 2𝑅

Quando em (7.9)tomamos A ≡ C ≡ 1 𝑒 𝐵 ≡ 0, obtemos o protótipo de equações elípticas mais

conhecido, que é a famosa equação de Laplace

−𝑢𝑥𝑥 − 𝑢𝑦𝑦 = 0

−(𝑢𝑥𝑥 + 𝑢𝑦𝑦 ) = 0

130
7.8. Método das diferenças finitas

Consiste em substituir as derivadas parciais presentes na EDP por aproximações usando

diferenças finitas.

Considere a equação de Poisson:

−∆𝑢 = − 𝑢𝑥𝑥 + 𝑢𝑦𝑦 = 𝑓, (7.10)

definida no retângulo 𝑅 = { 𝑥, 𝑦 ; 0 ≤ 𝑥 ≤ 𝑎, 0 ≤ 𝑦 ≤ 𝑏} com condição de Dirichlet

𝑢 = 𝑔 𝑥, 𝑦 , ∀ 𝑥, 𝑦 ∈ 2𝑅 (7.11)

Denotemos por 𝑅𝛿 os pontos da malha interiores a R, isto é

𝑅𝛿 = { 𝑥𝑖 , 𝑦𝑗 , 0 < 𝑖 < 𝑛, 0 < 𝑗 < 𝑚}

e por 2𝑅𝛿 os pontos da malha que estão sobre a fronteira, ou seja,

2𝑅𝛿 = 𝑥𝑖 , 𝑦𝑗 , 𝑖 = 0, 𝑛 𝑒 0 ≤ 𝑗 ≤ 𝑚 𝑒 (0 < 𝑖 < 𝑛 , 𝑗 = 0, 𝑚

Sendo

𝑥𝑖 = 𝑥0 + 𝑖𝑕 = 𝑖𝑕; 𝑖 = 0,1, … , 𝑛

𝑦𝑗 = 𝑦0 + 𝑗𝑘 = 𝑗𝑘; 𝑗 = 0,1, … , 𝑚

A equação (7.10)é valida para todos os pontos de R. Em particular, para um ponto arbitrário de
𝑅𝛿 , podemos escrever

−(𝑢𝑥𝑥 𝑥𝑖 , 𝑦𝑗 + 𝑢𝑦𝑦 𝑥𝑖 , 𝑦𝑗 ) = 𝑓 𝑥𝑖 , 𝑦𝑗 (7.12)

Assim, vamos aproximar as derivadas por:

𝑢 𝑥𝑖 + 𝑕, 𝑦𝑗 − 2𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑢 𝑥𝑖 − 𝑕, 𝑦𝑗
𝑢𝑥𝑥 𝑥𝑖 , 𝑦𝑗 ≈
𝑕2

𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑘 − 2𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑢 𝑥𝑖 , 𝑦𝑗 − 𝑘
𝑢𝑦𝑦 𝑥𝑖 , 𝑦𝑗 ≈
𝑘2

Substituindo estas aproximações em (7.12), obtemos:

131
 𝑢 𝑥𝑖 + 𝑕, 𝑦𝑗 − 2𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑢 𝑥𝑖 − 𝑕, 𝑦𝑗 𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑘 − 2𝑢 𝑥𝑖 , 𝑦𝑗 + 𝑢 𝑥𝑖 , 𝑦𝑗 − 𝑘
− +
𝑕2 𝑘2
≈ 𝑓 𝑥𝑖 , 𝑦𝑗 , ∀ 𝑥𝑖 , 𝑦𝑗 ∈ 𝑅𝛿

Considerando 𝑈𝑖,𝑗 ≈ 𝑢 𝑥𝑖 , 𝑦𝑗 , teremos

𝑈𝑖+1,𝑗 − 2𝑈𝑖,𝑗 + 𝑈𝑖−1,𝑗 𝑈𝑖,𝑗 +1 − 2𝑈𝑖,𝑗 + 𝑈𝑖,𝑗 −1

− + = 𝑓𝑖,𝑗 , ∀ 𝑥𝑖 , 𝑦𝑗 ∈ 𝑅𝛿 (7.13)
𝑕2 𝑘2

Para os pontos em 2𝑅𝛿 , calculamos 𝑈𝑖,𝑗 da condição de fronteira de Direchlet, isto é, de:

𝑈𝑖,𝑗 = 𝑔 𝑥𝑖 , 𝑦𝑗

𝑈𝑖+1,𝑗 −2𝑈𝑖,𝑗 +𝑈𝑖−1,𝑗 𝑈𝑖,𝑗 +1 −2𝑈𝑖,𝑗 +𝑈𝑖,𝑗 −1

Definamos o operador −∆𝛿 𝑈𝑖,𝑗 = − +
𝑕2 𝑘2

Portanto, a equação de diferenças torna-se

−∆𝛿 𝑈𝑖,𝑗 = 𝑓 𝑥𝑖 , 𝑦𝑗 , ∀ 𝑥𝑖 , 𝑦𝑗 ∈ 𝑅𝛿
(7.14)
𝑈𝑖,𝑗 = 𝑔 𝑥𝑖 , 𝑦𝑗 , ∀ 𝑥𝑖 , 𝑦𝑗 ∈ 2𝑅𝛿

Exemplo 7.7

Consideremos a malha mostrada na figura abaixo para o domínio 0 < 𝑥 < 1, 0 < 𝑦 < 1. Sejam
1
𝑕 = 𝑘 = 3 e a condição de fronteira

𝑢(0, 𝑦) = 0
𝑢(1, 𝑥) = 1
𝑢(𝑥, 0) = 0
𝑢(𝑥, 1) = 0

132
Encontre a solução nos pontos interiores da malha.

Existem quatro pontos internos:

𝑃1,1 , 𝑃1,2 , 𝑃2,1 , 𝑃2,2 , 𝑃𝑖.𝑗 = 𝑈𝑖.𝑗 = 𝑥𝑖 , 𝑦𝑗 ; 𝑖, 𝑗 = 1,2

Neste caso, n=m=3.

A equação (7.14) pode ser reescrita como:

+4𝑈𝑖,𝑗 −𝑈𝑖+1,𝑗 − 𝑈𝑖−1,𝑗 − 𝑈𝑖,𝑗 +1 − 𝑈𝑖,𝑗 −1 = 𝑕2 𝑓𝑖,𝑗

pois h = k.

Variando os índices i,j nesta equação, obtemos:

1
+4𝑈1,1 −𝑈2,1 − 𝑈0,1 − 𝑈1,2 − 𝑈1,0 = 𝑓
9 1,1
1
+4𝑈1,2 −𝑈2,2 − 𝑈0,2 − 𝑈1,3 − 𝑈1,1 = 𝑓1,2
9
1
+4𝑈2,1 −𝑈3,1 − 𝑈1,1 − 𝑈2,2 − 𝑈2,0 = 𝑓2,1
9
1
+4𝑈2,2 −𝑈3,2 − 𝑈1,2 − 𝑈2,3 − 𝑈2,1 = 𝑓2,2
9

Observe que

1
𝑈0,1 ≈ 𝑢(𝑥0 , 𝑡1 ) = 𝑢 0, =0
3

1
𝑈1,0 ≈ 𝑢(𝑥1 , 𝑡0 ) = 𝑢 ,0 = 0
3

2
𝑈0,2 ≈ 𝑢(𝑥0 , 𝑡2 ) = 𝑢 0, =0
3

1
𝑈1,3 ≈ 𝑢(𝑥1 , 𝑡3 ) = 𝑢 ,1 = 0
3

1
𝑈3,1 ≈ 𝑢(𝑥3 , 𝑡1 ) = 𝑢 1, =1
3

2
𝑈2,0 ≈ 𝑢(𝑥2 , 𝑡0 ) = 𝑢 ,0 = 0
3

133
 2
𝑈3,2 ≈ 𝑢(𝑥3 , 𝑡2 ) = 𝑢 1, =1
3

2
𝑈2,3 ≈ 𝑢(𝑥2 , 𝑡3 ) = 𝑢 ,1 = 0
3

Na forma matricial, temos:

𝑓1,1
9
4 −1−1 0 𝑈1,1 𝑓1,2
−1 4 0 −1 𝑈1,2 9
=
−1 0 4 −1 𝑈2,1 𝑓2,1
0 −1−1 4 +1
𝑈2,2 9
𝑓1,2
+1
9

Assim, o valor de 𝑃1,1 , 𝑃1,2 , 𝑃2,1 , 𝑃2,2 , dependem do valor dado de 𝑓𝑖.𝑗 .

134
 Exercícios Complementares

1) Nos domínios D especificados, determine o tipo de cada uma das equações diferenciais
abaixo:
a) 𝑥𝑢𝑥𝑥 − 𝑦𝑢𝑦𝑦 = 0, 𝐷 = {𝑥 > 0, 𝑦 > 0}
b) 𝑥 2 𝑢𝑥𝑥 + 2(1 − 𝑦 2 )𝑢𝑦𝑦 = 0, 𝐷 = {−1 < 𝑥 < 1, −1 < 𝑦 < 1}
c) 𝑢𝑥𝑥 − 2𝑢𝑥𝑦 = 0, 𝐷 = 𝑅 2
d) 𝑢𝑥𝑥 − 2𝑢𝑥𝑦 + 4𝑢𝑦𝑦 = 0, 𝐷 = 𝑅 2
e) 𝑢𝑥𝑥 − 2𝑢𝑥𝑦 + 𝑢𝑦𝑦 = 0, 𝐷 = 𝑅 2
f) 𝑢𝑥𝑦 − 𝑢𝑥 = 0, 𝐷 = 𝑅 2

2) Considere a equação
𝑢𝑥𝑥 + 𝑢𝑦𝑦 = 𝑥𝑒 𝑦
para0 < 𝑥 < 1.5, 0 < 𝑦 < 1.5, 𝑕 = 𝑘 = 0.5 e condições de fronteira
𝑢(0, 𝑦) = 0, 𝑢(1.5, 𝑦) = 1.5𝑒 𝑦
𝑢(𝑥, 0) = 𝑥, 𝑢(𝑥, 1.5) = 𝑥𝑒 1.5

a) Verifique que u(x, y) = 𝑥𝑒 𝑦 é solução (exata) da equação;

b) Encontre o erro relativo para cada uma das aproximações obtidas pelo Métodos das
Diferenças nos pontos interiores da malha.

3) Seja
𝑢𝑥𝑥 + 𝑢𝑦𝑦 = 0
1
para1 < 𝑥 < 2, 0 < 𝑦 < 1, 𝑕 = 𝑘 = 3 e condições de fronteira

𝑢(1, 𝑦) = 𝑙𝑛(𝑦 2 + 1), 𝑢(2, 𝑦) = 𝑙𝑛(𝑦 2 + 4)

𝑢(𝑥, 0) = 2𝑙𝑛 𝑥, 𝑢(𝑥, 1) = 𝑙𝑛(𝑦 2 + 1)

a) Verifique que 𝑢(𝑥, 𝑦) = 𝑙𝑛(𝑥 2 + 𝑦 2 ) é solução (exata) da equação;

b) Encontre o erro relativo para cada uma das aproximações obtidas pelo Método das
Diferenças nos pontos interiores da malha.

135
 4) Um cilindro tem sua temperatura, ao longo do tempo t, definida em cada seção transversal
pela função
2 /4)𝑡 𝜋𝑥
𝑢(𝑥, 𝑡) = 2𝑒 −(𝜋 𝑠𝑒𝑛
2
conforme a figura

a) Encontre a constante 𝛼 da Equação do Calor inerente a esse problema;

b) Formule a condição inicial e de fronteira;
c) Fazendo h = 0.1 e k = 0.5 encontre as aproximações obtidas pelo Método das Diferenças
para a temperatura nos pontos inteiros da malha no instante t = 0.5.

5) Considere a equação
𝑢𝑡𝑡 − 4𝑢𝑥𝑥 = 0

para0 < 𝑥 < 1, 0 < 𝑡, 𝑕 = 0.5, 𝑘 = 0.05, condições de fronteira

𝑢(0, 𝑡) = 𝑢(1, 𝑡) = 0
e condições iniciais
𝑢(𝑥, 0) = 𝑠𝑒𝑛(𝜋𝑥) 𝑒 𝑢𝑡 (𝑥, 0) = 0

a) Verifique que 𝑢(𝑥, 𝑦) = 𝑠𝑒𝑛(𝜋𝑥)𝑐𝑜𝑠(2𝜋𝑡) é solução (exata) da equação;

b) Faça um esboço da malha até o tempo t = 0.25;
c) Usando as aproximações obtidas pelo Método das Diferenças, trace o esboço de um gráfico
para a função u(0.5, t) onde 0 ≤ t ≤ 0.25.

136