Escolar Documentos
Profissional Documentos
Cultura Documentos
Cálculo Numérico
UFV
Professor: MehranSabeti,
Colaboradora: Valéria Martins da Costa Pena
1
Sumário
Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1. INTRODUÇÃO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 23
2
2.3.1. Convergência do método Newton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
Exercícios Complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3-Interpolação
3.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Exercícios complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3
5-Integração Numérica
5.1. Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Exercícios complementares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4
6.4.1. Método de Runge-Kutta de ordem 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102
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.
6
b) RESOLUÇÃO: é a etapa de obtenção da solução do modelo matemático através da aplica-
ção de métodos numéricos.
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.
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
7
1.5. ERRO RELATIVO
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
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
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) x5,4 e y5,39
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
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!
∞
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.
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.
π = 3,1416
Exercício 1.2
∞
𝑥
𝑥𝑖
𝑒 =
𝑖!
𝑖=0
10
𝒎
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 .
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.
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.
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 .
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:
12
Assim:
0.75 × 2 = 1.50
0.50 × 2 = 1.00
0.00 × 2 = 0.00
Logo, (0.75)10 = (0.110)2.
O procedimento neste caso é transformar a parte inteira seguindo o item iii) o que nos fornece
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.
Exemplo 1.5
Dado o número 12.20 que está na base 4, representá-lo na base 3.
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
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
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
14
Exercício 1.8
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
𝑚 = ± 0. 𝑑1 𝑑2 𝑑3 … 𝑑𝑛
Exemplo 1.6
15
Exemplo 1.7
Exemplo 1.8
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.
Exemplo 1.9
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
Exercício 1.10
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
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
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
Para cada item, fazendo o arredondamento após cada uma das operações efetuada, segue que:
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,
Exercício 1.12
Trabalhando como no exemplo 1.14 acima, no mesmo sistema de ponto flutuante ena mesma forma
de representação, verifique que:
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
Para calcular o valor exato consideremos todos os dígitos de uma máquina, sem usar
arredondamento a cada operação. Assim:
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
Exercício 1.15
17.678 9.617 2
Seja 𝑥 = +
3.471 3.716×1.85
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
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
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.
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
Exemplo2.2
Usando o método da bissecção, resolva a equação x2 + ln (x) = 0, com 𝜖 = 0,01.
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].
27
Exercício 2.2
Determinar um valor aproximado para 5, com erro inferior a 102.
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).
∅′ 𝑥
= 1 + 𝜃 ′ 𝑥 𝑓 𝑥 + 𝑓 ′ 𝑥 𝜃 𝑥 = 0.
−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)
∅ 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.
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.
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.
𝑒 𝑖+1
Definição: Dizemos que um método iterativo apresenta convergência quadrática se lim𝑖→∞ =
𝑒𝑖2
30
Exemplo 2.3:
𝑓(𝑥𝑘 ) 1 2
𝑥𝑘+1 = 𝑥𝑘 − = . (𝑥𝑖 + )
𝑓′(𝑥𝑘 ) 2 𝑥𝑖
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
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 )
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.
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,
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:
→x3 = 1.431
Fazendo:
𝑥3 − 𝑥2
≅ 0.0007 < 10−2
𝑥3
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.
𝑥0 𝑓 𝑥1 − 𝑥1 𝑓 𝑥0
𝑥2 =
𝑓 𝑥1 − 𝑥0
Se
𝑥 2 −𝑥 0 𝑥 2 −𝑥 1
<𝜀 ou <𝜀
𝑥2 𝑥2
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.
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:
𝑥2 = 0.7383
Fazendo:
𝑥 2 −𝑥 0 𝑥 2 −𝑥 1
≅0.052e ≅0.084
𝑥2 𝑥2
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:
𝑥3 = 0.7390
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
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
(b) Usando a fórmula do item anterior, calcule 4 com precisão de 10−2 .
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:
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
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.
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:
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.
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.
Definição 3.1:
𝐸 𝑥 =𝑓 𝑥 −𝑃 𝑥
42
Apresentamos, a seguir, uma expressão geral para o erro cometido quando aproximamos 𝑓(𝑥)
por um polinômio interpolador 𝑃(𝑥).
Teorema 3.2
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 ]
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 ]}
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.
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
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
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
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
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 )
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
Exemplo 3.4
1
Considere uma função 𝑓 (𝑥) = tabelada nos pontos:
(1+𝑥)
𝑥𝑖 1 2
f(𝑥𝑖 ) 1/2 1/3
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
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
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
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 )
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.
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
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
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
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
[] 0.1 larvas/cm3 [ ] 0.2 larvas/cm3 [ ] 1.0 larvas/cm3 [ ] 0.6 larvas/cm3 [ ] 0.8 larvas/cm3
1
𝐼= 𝑐𝑜𝑠(𝑥 2 ) 𝑑𝑥
0
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
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
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:
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
60
Consideremos agora o sistema (II)
O gráfico mostra essas duas retas.
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.
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.
Definição: Dois sistemas lineares são equivalentes quando admitem a mesma solução.
62
𝐴 ∙ 𝑥 = 𝑏 ≈ 𝑈 ∙ 𝑥 = 𝑐, o que se resolve por substituição.
𝐴: 𝑏 ≈ 𝑈: 𝑐
Exemplo 4.3
62−1/2 𝑥1 7
24 2 𝑥2 = 7
32 17/2 𝑥3 13
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
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
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
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.
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:
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:
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:
𝑖−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.
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:
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
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
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
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
70
𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 = 𝑏2
Ax 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
(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.
Critério de Convergência
Uma condição suficiente (mas não necessária) para garantir a convergência do método de
Gauss aplicado ao sistema Ax b, com aii ≠ 0, i, é
71
𝑛
Neste caso, a matriz dos coeficientes das incógnitas A é dita estritamente diagonal
dominante.
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
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
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
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
−10 2 2 𝑥1 −8
1 6 0 𝑥2 = 7
−1 1 3 𝑥3 0
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
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
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
2) Gauss-Seidel
75
𝑛
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
(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:
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.
Neste capítulo serão vistos os métodos mais utilizados, que podem ser classificado em dois
grupos:
77
- fórmula de quadratura gaussiana que utiliza pontos diferentemente espaçados, onde este
espaçamento é determinando por certas propriedades de polinômios ortogonais.
𝑥−𝑥 0
onde 𝑧 =
𝑅𝑛 é o resíduo da interpolação:
𝑏 𝑏 𝑏
𝐼= 𝑓(𝑥) 𝑑𝑥 = 𝑝1 (𝑥) 𝑑𝑥 = [𝑦0 + 𝑧∆𝑦0 ] 𝑑𝑥
𝑎 𝑎 𝑎
𝑥−𝑥 0
Com 𝑧 = → 𝑑𝑥 = 𝑑𝑧
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)
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.
𝐴= [𝑓 𝑥0 + 𝑓(𝑥1 )]
2
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
3,4
𝑑𝑥
𝐼=
3,0 𝑥2
Comparar os resultados.
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
3,4
𝑑𝑥 1 1
𝐼= 2
=− + = 0.039216
3,0 𝑥 3.4 3.0
Exercício 5.1
1
𝑐𝑜𝑠 𝑥
𝐼= 𝑑𝑥
0 1+𝑥
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)
O erro total cometido é a soma dos erros cometidos na aplicação da fórmula dos trapézios a
cada subintervalo.
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
− 3 𝑛−1 ′′
𝐸𝑖 = 𝑖=0 𝑓 𝜉𝑖 (5.9)
12
𝑛−1 ′′
𝑛𝑓 ′′ 𝜉 = 𝑖=0 𝑓 𝜉𝑖 (5.10)
− 3
E= 𝑛𝑓 ′′ 𝜉 .
12
82
𝑏−𝑎
Como = 𝑛
(𝑏−𝑎)3
𝐸=− 𝑓′′(𝜉) , 𝑎 ≤ 𝜉 ≤ 𝑏 (5.11)
12𝑛 2
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
2
𝑓′′(𝜉) 𝑚á𝑥 = 27
Logo,
83
(3,4−3,0)3 2
𝐸=− ∙ = −2,46 ∙10-5
12∙ 4 2 27
Então:
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
1
𝑐𝑜𝑠 𝑥
𝐼= 𝑑𝑥
0 1+𝑥
A regra de Simpson recebe este nome devido o seu criador, o matemático inglês Thomas
Simpson.
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
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
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
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).
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.
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
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:
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
−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
1
𝑑𝑥
𝜋=4
1 + 𝑥2
0
(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
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
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
90
5.4.2. Erro de Truncamento da Fórmula Simples
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
3
𝐼= 𝑦 + 3𝑦1 + 3𝑦2 + 2𝑦3 + 3𝑦4 + 3𝑦5 + 2𝑦6 + ⋯ + 3𝑦𝑛−2 + 3𝑦𝑛−1 + 𝑦𝑛
8 0
O erro será:
−(𝑏 − 𝑎)5 𝐼𝑉
𝐸= 𝑓 (𝜉) 𝑎≤𝜉≤𝑏
80𝑛4
Exemplo 5.4
𝐼= ln 𝑥 3 + 𝑒 𝑥 + 1 𝑑𝑥
0
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
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
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
−3𝑁5 (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
93
CAPÍTULO 6
Solução Numérica de Equações Diferenciais Ordinárias
6.1. INTRODUÇÃO
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.
𝑏−𝑎
onde𝑥0 = 𝑎, 𝑥𝑁 = 𝑏, e 𝑁 = .
95
Gráfico: Diferença entre a aproximação e a solução verdadeira
𝑦 𝑥0 = 𝑦0 = 𝜂,
Para se aproximar 𝑦𝑗 para as soluções exatas 𝑦(𝑥𝑗 ), com j 1, 2, , m, procura-se inicialmente
𝑦𝑗 .
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 ).
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!
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,
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
2
𝐸 = 𝑚á𝑥{ 𝑦 ′′ (𝜉) , 0 < 𝜉 < 1},
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.
Método de Euler
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
2
𝑦𝑛+1 = 𝑦𝑛 + 𝑦′𝑛 + 𝑦′′
2! 𝑛
onde
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
(𝑏 − 𝑎)
= = 0.25
𝑁
Logo,
2
𝑦𝑛+1 = 𝑦𝑛 + 𝑦′𝑛 + 𝑦′′ , 𝑛 = 0, 1, 2, … , 4
2! 𝑛
onde
𝑦′𝑛 = 𝑓(𝑥𝑛 , 𝑦𝑛 ) = 𝑥𝑛 − 𝑦𝑛 + 1
Cálculo de y1
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
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
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
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.
𝑦𝑛+1 = 𝑦𝑛 + (𝑐1 𝑘1 + 𝑐2 𝑘2 )
com
𝑐1 + 𝑐2 = 1
𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )
102
𝑦𝑛+1 = 𝑦𝑛 + (… ) + (… )2 +O(3 )
1
𝑦𝑛+1 = 𝑦𝑛 + 𝑓(𝑥𝑛 , 𝑦𝑛 ) + [𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑓(𝑥𝑛 , 𝑦𝑛 )]2
2
Assim, substituindo:
𝑦𝑛+1 = 𝑦𝑛 + (𝑐1 + 𝑐2 )𝑓(𝑥𝑛 , 𝑦𝑛 ) + (𝑐2 𝑎2 )[𝑓𝑥 (𝑥𝑛 , 𝑦𝑛 ) + 𝑓𝑦 (𝑥𝑛 , 𝑦𝑛 )𝑓(𝑥𝑛 , 𝑦𝑛 )]2 +O(3 )
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 )
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
Cálculo de 𝒚𝟑
Para 𝑛 = 2
𝑘1 = 𝑓 𝑥2 , 𝑦2 → 𝑘1 = 𝑥2 − 𝑦2 + 1 = −0.2207
Cálculo de 𝒚𝟒
Para 𝑛 = 3
𝑘1 = 𝑓 𝑥3 , 𝑦3 → 𝑘1 = 𝑥3 − 𝑦3 + 1 = 0.0463
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 )
105
Exercício 6.3
𝑦𝑛+1 = 𝑦𝑛 + 𝜑𝑅 (𝑥𝑛 , 𝑦𝑛 , )
𝑘1 = 𝑓(𝑥𝑛 , 𝑦𝑛 )
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
𝑦1 = 𝑦0 + 4 (𝑘1 + 3𝑘3 ) , onde
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
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
𝑦𝑛+1 = 𝑦𝑛 + 𝑐1 𝑘1 + 𝑐2 𝑘2 + 𝑐3 𝑘3 + 𝑐4 𝑘4
onde
𝑐1 + 𝑐2 + 𝑐3 + 𝑐4 = 1
𝑘1 = 𝑓 𝑥𝑛 , 𝑦𝑛
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 )
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
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
Exemplo 6.5
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
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,...
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
𝑑𝑦
= 2𝑥𝑦 + 𝑦
(∗) 𝑑𝑥
𝑦(−1) = 1
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%
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%
[ ] 32anos e 10meses [ ] 68anos e 4meses [ ] 67anos e 5meses [ ] 33anos e 3meses [ ] 12anos e 1mês
equivalente
𝑦′ = 𝑧
𝑧′ = 𝐹(𝑥, 𝑦, 𝑧)
𝑦0 = 𝑦(𝑥0 ) = 𝑎, 𝑧0 = 𝑧(𝑥0 ) = 𝑏
𝑦𝑛+1 𝑦𝑛 𝑧𝑛
𝑧𝑛+1 = 𝑧𝑛 + 𝐹(𝑥𝑛 , 𝑦𝑛 , 𝑧𝑛 .
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.
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:
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:
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.
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.
𝑢𝑡 = 𝑐 2 𝑢𝑥𝑥
115
−4𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥 = −𝑐 2 𝜋 2 cos 2𝜋𝑡 sen 𝜋𝑥
𝑐2 = 4 𝑐 = ±2 𝑐 = 2 (𝑐 > 0)
Exemplo 7.2
𝑢 𝑥, 0 = 𝑓 𝑥 , 0 < 𝑥 < 𝐿
𝑢 0, 𝑡 = 𝑔 𝑡 , 0 < 𝑡 < 𝑇
𝑢 𝐿, 𝑡 = 𝑡 , 0 < 𝑡 < 𝑇
∆= 𝑏 2 − 4𝑎𝑐
∆= 02 − 4𝑎0 = 0
A equação é parabólica.
Exercício 7.1
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
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.
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
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.
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.
𝑦 𝑥 + − 𝑦(𝑥 − ) 2
𝐹 𝑥 = 𝑒 𝜀 𝑥 = 𝑦 ′′′ 𝜉 , 𝜉 𝜖 (𝑥 − , 𝑥 + )
2 3!
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!
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
1 2 2
= 𝛿 𝑥 𝑢(𝑥, 𝑡) − 𝑢 (𝜉, 𝑡) , (𝑥 − < 𝜉 < 𝑥 + )
2 12 𝑥𝑥𝑥
1 2 𝑘2
= 𝛿 𝑢(𝑥, 𝑡) − 𝑢 (𝑥, 𝜁) , (𝑡 − < 𝜁 < 𝑡 + )
𝑘2 𝑡 12 𝑡𝑡𝑡
1 2 𝑘2
= 𝛿𝑥 𝛿𝑡 𝑢(𝑥, 𝑡) − 𝑢𝑥𝑥𝑥𝑡 (𝜉1 , 𝜁1 ) − 𝑢𝑥𝑡𝑡𝑡 (𝜉2 , 𝜁2 ) ,
4𝑘 6 6
119
𝑥 − < 𝜉1, 𝜉2 < 𝑥 + 𝑒 𝑡 − 𝑘 < 𝜁1 , 𝜁2 < 𝑡 + 𝑘
Teorema 7.1
120
Discretização
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.
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 .
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 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.
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:
Exercício 7.3
Considere a equação diferencial
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.
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:
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
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
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).
Método Explícito
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
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
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
⋮ ⋮
𝑈01 = 0 = 𝑈31
128
Falta determinar 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
14
𝑈1,1 = 𝑈2,1 =
81
129
7.7. Equações Elípticas
-problemas de elasticidade;
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
−𝑢𝑥𝑥 − 𝑢𝑦𝑦 = 0
−(𝑢𝑥𝑥 + 𝑢𝑦𝑦 ) = 0
130
7.8. Método das diferenças finitas
𝑢 = 𝑔 𝑥, 𝑦 , ∀ 𝑥, 𝑦 ∈ 2𝑅 (7.11)
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
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
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
Para os pontos em 2𝑅𝛿 , calculamos 𝑈𝑖,𝑗 da condição de fronteira de Direchlet, isto é, de:
𝑈𝑖,𝑗 = 𝑔 𝑥𝑖 , 𝑦𝑗
−∆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.
pois h = k.
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
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
3) Seja
𝑢𝑥𝑥 + 𝑢𝑦𝑦 = 0
1
para1 < 𝑥 < 2, 0 < 𝑦 < 1, = 𝑘 = 3 e condições de fronteira
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
5) Considere a equação
𝑢𝑡𝑡 − 4𝑢𝑥𝑥 = 0
136