Escolar Documentos
Profissional Documentos
Cultura Documentos
NUMÉRICO
PROF. JEAN CARLOS RODRIGUES
FACULDADE CATÓLICA PAULISTA
CÁLCULO
NUMÉRICO
Marília/SP
2022
Diretor Geral | Valdir Carrenho Junior
“
A Faculdade Católica Paulista tem por missão exercer uma
ação integrada de suas atividades educacionais, visando à
geração, sistematização e disseminação do conhecimento,
para formar profissionais empreendedores que promovam
a transformação e o desenvolvimento social, econômico e
cultural da comunidade em que está inserida.
Av. Cristo Rei, 305 - Banzato, CEP 17515-200 Marília - São Paulo.
www.uca.edu.br
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma
sem autorização. Todos os gráficos, tabelas e elementos são creditados à autoria,
salvo quando indicada a referência, sendo de inteira responsabilidade da autoria a
emissão de conceitos.
CÁLCULO NUMÉRICO
PROF. JEAN CARLOS RODRIGUES
SUMÁRIO
CAPÍTULO 01 A MODELAGEM MATEMÁTICA 08
INTRODUÇÃO
CAPÍTULO 1
A MODELAGEM MATEMÁTICA
A partir do conhecimento dos conceitos, vale ressaltar que as leis fun- damentais
da física e da química (como as leis de conservação de energia e massa) constituem a
base dos modelos matemáticos. Como se trata de um procedimento muito importante
para qualquer empreendimento, sua implantação deve ser realizada de forma criteriosa,
devendo ser coordenada por um profissional devidamente habilitado. Tal profissional deve
ter domínio sobre as principais áreas do conhecimento (termodinâmica, escoamento de
fluídos, cinética, transferência de calor e massa, controle e otimização de processos,
entre outras), sobre os proces- sos envolvidos (como colunas de destilação, reatores e
trocadores de calor, no caso da engenharia química) e sobre as ferramentas utilizadas.
Dentro de todo o contexto destacado, não se pode esquecer o principal objetivo da
modelagem e simulação de processos: auxiliar na tomada de decisões, em todas as
etapas, por meio de modelos matemáticos, sem a necessidade de realizar procedimentos
experimentais, que demandam mais tempo e custos e podem apresentar respostas
subjetivas. O Quadro 1 mostra um balanço entre as vantagens e desvantagens de
implementar esse processo de modelagem matemática e simulação de processos.
Vantagens Desvantagens
inicial pode ser resolvido pelo método de Runge-kutta de quarta ordem. Solução e
validação: esses elementos são contemplados na etapa final do processo de construção
de um modelo matemático, quando os resultados do modelo são comparados com
dados experimentais. Para facilitar o entendimento do processo de modelagem e seus
elementos básicos, veja o fluxograma da Figura 2.
Equacionamento
Considerações
Consistência
Solução desejada
Matemática e computação
Solução e validação
Figura 2. Fluxograma dos elementos básicos da modelagem matemática.
Fonte: autor (2022)
SAIBA MAIS
Neste vídeo, você vai conhecer uma simulação baseada no método heurístico
de Ziegler e Nichols para sintonizar o controlador PID (Proporcional + Integral +
Derivativo).
Disponível em < https://www.youtube.com/embed/ktEq1x-AFGA>
Acessado em 24/06/2022
Os sistemas não lineares são aqueles que não se aplicam aos princí- pios da
superposição e/ou homogeneidade. Se um desses princípios falhar, o sistema é dito
não linear.
onde:
• T é a temperatura do fluido;
• F é a vazão volumétrica;
• Ti é a temperatura na entrada;
• Q é o calor adicionado;
• ρ é a densidade do fluido;
• V é o volume do tanque;
• Cp é o calor específico.
onde:
• T é a temperatura do fluido;
• v é a velocidade do fluido;
• d é o diâmetro do tubo;
• U é o coeficiente global de troca térmica;
• ρ é a densidade do fluido;
• Cp é o calor específico;
• A é a área da seção transversal do tubo;
• Tst é a temperatura no estado estacionário.
SAIBA MAIS
CAPÍTULO 2
MÉTODOS ANALÍTICOS X
MÉTODOS NUMÉRICOS
o tempo, de modo a valer a pena. Na maioria das vezes, as organizações com fins
lucrativos não adotam essa abordagem. Estudos de corporações norte-americanas
revelam que a tendência entre os administradores é optar por um objetivo de lucros
satisfatórios em conjunto com outros objetivos, em vez de apostar na maximização de
lucros em longo prazo. Muitas vezes, alguns desses outros objetivos buscam manter
os lucros estáveis, aumentar (ou manter) a participação no mercado, favorecer a
diversificação de produtos e a estabilidade de preços, motivar os funcionários, preservar
o controle familiar do negócio e aumentar o prestígio da empresa. Além disso, há́ outros
fatores que envolvem responsabilidades sociais distintas da lucratividade. Para Hillier
(2013), as cinco partes geralmente afetadas por uma empresa comercial localizada
em um único país são:
1. Os proprietários (acionistas, etc.), que desejam lucros (dividendos, valorização
das ações e assim por diante);
2. Os funcionários, que desejam emprego estável com salários razoáveis;
3. Os clientes, que desejam um produto confiável a preços razoáveis;
4. Os fornecedores, que desejam integridade e um preço de venda razoável para
suas mercadorias;
5. O governo e, consequentemente, a nação, que desejam o pagamento de impostos
razoáveis e consideração pelo interesse nacional.
Essas cinco partes são essenciais para a empresa, e nenhuma das partes deve ser
vista como um servidor exclusivo em detrimento das demais. De modo semelhante,
corporações internacionais assumem obrigações adicionais para seguir práticas
socialmente responsáveis. Ou seja, mesmo que a responsabilidade principal da gerência
seja a de gerar lucros, o que, de qualquer forma, acabará beneficiando as cinco partes
envolvidas, é importante que suas responsabilidades sociais mais amplas também
sejam reconhecidas. Em geral, as equipes de PO dedicam um tempo consideravelmente
longo na coleta de dados relevantes sobre o problema em análise. A maioria desses
dados é importante para ter o entendimento preciso do problema, bem como para
fornecer os dados necessários para o modelo matemático que será desenvolvido na
fase seguinte do estudo. É comum grande parte desses dados não
estar disponível quando se inicia o estudo. Isso ocorre porque essas informações
não foram guardadas ou estão desatualizadas ou porque seu armazenamento foi feito
de modo inadequado. Desse modo, às vezes, é necessário instalar um sistema de
Segundo Humes (1984) boa parte dos problemas matemáticos surge devido à
necessidade de se ter soluções para problemas da natureza, já que muitos fenômenos
naturais podem ser descritos por meio de modelos matemáticos.
Ohse, 2005, p.1. traz
ANOTE ISSO
, com a ≠0
Os zeros da são:
Do fato que p>1, temos que 1< < p. Então, tem-se, com uma 1ª aproximação
para , , isto é, a média aritmética entre 1 e p. Logo:
se n=0
se n≥1
Caso tenha se interessado pelo algoritmo de Eudoxo e queira saber mais, basta
consultar o artigo intitulado Raiz Quadrada Utilizando Médias que foi publicado na
Revista de matemática 45 (CARNEIRO, 2001). O artigo traz as justificativas que levam
ao funcionamento deste método, bem como um procedimento generalizado para o
cálculo aproximado de raízes quadradas de números reais maiores que 1 a partir de
uso de médias. Há, também, uma discussão sobre a precisão do processo ao calcular
o erro cometido nas aproximações.
SAIBA MAIS
Existe uma variedade de pacotes de software para PCs que podem solucionar
muitos modelos matemáticos. Porém, há́ dificuldades que devem ser evitadas,
como usar modelos matemáticos que são, necessariamente, uma idealização
abstrata do problema, de modo que em geral se requerem aproximações e
suposições simplificadas, caso queira que o modelo seja possível de ser resolvido.
Por isso, deve-se garantir que o modelo permaneça uma representação válida do
problema.
CAPÍTULO 3
TÉCNICAS DE MODELAGEM
MATEMÁTICA
Imagem da capa: os gradientes como setas abaixo da representação da grade curva de uma função de duas variáveis: f (x, y) = - (cos² x + cos² y) ²
Fonte: Wikimedia Commons Disponível em: < https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/3d-gradient-cos.svg/2444px-3d-gradient-cos.svg.
png
ciências ambientais. Arenales et al. (2015) mencionam que fazer ciência é a capacidade
de observar e descrever fenômenos naturais, sociais, econômicos, entre outros, e que
a matemática tem uma importância fundamental na descrição desses fenômenos. A
partir da observação de fenômenos, processos ou sistemas, que podem ser físicos,
químicos, biológicos, econômicos, buscam-se as leis que os regem. Essas leis, se
passíveis de serem descritas por relações matemáticas, dão origem aos modelos
matemáticos. O termo modelo usado neste capítulo procura imitar as principais
características de um objeto real para fins de representá-lo. Andrade (2009) menciona
que a metodologia da pesquisa operacional é mais desenvolvida para a solução de
problemas que podem ser representados por modelos matemáticos. O modelo mais
apropriado para um dado contexto ou problema depende de vários fatores, como:
• a natureza matemática das relações entre as variáveis;
• os objetivos do encarregado da decisão;
• a extensão do controle sobre as variáveis de decisão;
• o nível de incerteza associado ao ambiente da decisão.
Com base nessas informações, Batalha (2008) e Andrade (2009) ressaltam que os
modelos matemáticos podem ser divididos ainda em dois grandes grupos.
Estes modelos não permitem flexibilidade na escolha das alternativas, uma vez que
são estruturados para selecionar uma única alternativa, que será considerada “ótima”
de acordo com o critério estabelecido pelo analista. O critério faz parte da estrutura
do modelo, que encontra a melhor alternativa a partir de uma análise matemática.
Essa análise matemática, por sua vez, é processada por métodos sistemáticos de
solução, os quais são chamados de algoritmos. Para facilitar o entendimento, observe
a Figura 2.
ANOTE ISTO
Em que f(x) é uma função, linear ou não linear, a ser otimizada (maximizada
ou minimizada), sujeita às restrições (lineares ou não lineares) que indicam uma
necessidade a ser satisfeita (“maior ou igual”), uma disponibilidade a ser respeitada
(“menor ou igual”) ou um condicionante a ser satisfeito de maneira exata (“igual”).
A pesquisa operacional e, em particular, a programação matemática tratam de
problemas de decisão, fazendo uso de modelos matemáticos que procuram representar
o problema real (de forma parcial), de acordo com Arenales et al. (2015). De modo
geral, o modelo de PL ou PO consiste em três elementos básicos:
1. Variáveis de decisão que se busca determinar;
2. Objetivo (meta) que se deseja otimizar;
3. Restrições que se deve respeitar.
SAIBA MAIS
• Os sistemas forem tais que algumas variáveis devem ter seus valores calculados
de maneira precisa para respeitar restrições ou evitar grandes variações no
resultado final.
ANOTE ISSO
A modelagem matemática pode ser aplicada em indústrias de diferentes
segmentos, como, por exemplo: indústria de petróleo (extração, refinamento,
mistura e distribuição); indústria de alimentos, como a ração animal (problema da
mistura); planejamento da produção (dimensionamento de lotes – o que, quando
e quanto produzir); indústria siderúrgica (ligas metálicas – problema da mistura);
indústria de papel (otimização do processo de cortagem de bobinas); indústrias de
móveis (otimização do processo de cortagem de placas retangulares); aplicações
financeiras (otimização do fluxo de caixa, análise de carteiras de investimento).
Sendo que:
Assim, pode-se resolver o problema derivando a função (CT) com relação à variável
de decisão Q e igualando o resultado a zero:
CAPÍTULO 4
ERROS E SUAS FONTES
Olá caros(as) alunos(as), sejam bem vindos(as) a mais uma aula de cálculo numérico!
Sobre a imagem da capa, o erro de paralaxe é causado pelo desvio óptico entre o
observador e a escalar a ser lida. Tanto a posição do observador, quanto o meio
material (vidrarias), que o separa da escala graduada afetam a leitura do valor. Dentro
do contexto do estudo dos erros, também há uma discussão sobre as diferenças
entre precisão e exatidão. São teorias que interessam muito os físicos experimentais,
teóricos, matemáticos, estatísticos, economistas, dentre outros. Os conceitos de
precisão e exatidão são de grande importância para o estudo do erro. O conceito
FACULDADE CATÓLICA PAULISTA | 41
CÁLCULO NUMÉRICO
PROF. JEAN CARLOS RODRIGUES
faixa estimada. Então, qual seria a margem de erro ou tolerância para classificar um
resultado como preciso ou exato? A resposta é: depende das métricas e das ordem de
grandeza. Certas análises de dados demandam maior rigor do que outras, entretanto,
os conceitos da precisão e exatidão você já conhece. Um jogador de dardos pode ver
a precisão de seus lançamentos, comparando a localização dos dardos lançados,
com o alvo. Isso ocorre, pois, os círculos delimitam, razoavelmente, por meio da sua
geometria, o que é ou não preciso e exato. Se atribuirmos valores de raio, diâmetro
ou área para estes círculos poderemos fazer algumas analogias utilizando números.
Esta discussão deve ser levada em consideração durante a coleta e análise de dados
experimentais nas práticas laboratoriais de física, matemática, engenharia, dentre
outras. Entendeu?
Esta aula tem como propósito o estudo das principais fontes de erros e apontar erros
absolutos e relativos. Pode-se afirmar que erros surgirão na resolução de problemas
reais utilizando os métodos numéricos. Ao longo deste capítulo, serão estudadas as
variadas fontes de erros que podem causar alteração nas soluções de problemas. A
análise dos erros é essencial devido ao fato de os métodos numéricos fornecerem
soluções aproximadas para os problemas sugeridos. Para nos auxiliar em um melhor
entendimento acerca dos conceitos tratados ao longo da disciplina, trabalharemos
as noções de erro absoluto e erro relativo. Existem 4 fontes principais de erros que
podem ocasionar as diferenças entre a solução exata e a solução aproximada do
problema real, sendo possível de ocorrerem tanto na fase de modelagem quanto na
fase de resolução:
a) Erros nos dados;
b) Simplificações na construção do modelo matemático;
c) Erros de truncamentos;
d) Erros de arredondamentos nos cálculos.
sempre são exatos. Logo, operações sobre valores não exatos propagam seus erros
aos resultados gerados;
Como não se consegue usar os infinitos termos, ela será interrompida e o erro
de truncamento (ɛt) é gerado. Um outro exemplo é a série de Maclaurin onde o valor
exato é dado pela série:
Porém, como é impossível somar os infinitos termos da série, faz-se uma aproximação
por um número finito de termos, que nos retornará:
ANOTE ISTO
Ressalta-se que não se pode contar com um resultado exato de uma operação
mesmo que haja parcelas ou fatores de uma operação representados de forma exta
no sistema. Por exemplo, não é possível multiplicar o número 0,333 por 2 já que não
se tem o último algarismo. No computador ou na calculadora, considera-se uma parte
muito grande o número 0,3333333333333333 para se realizar a multiplicação, tendo
0,6666666666666666 como resultado. Como, no exemplo acima, parte do número foi
desprezada a partir da 16ª casa decimal, então tem-se que ɛa ≤10-16.
Outro exemplo corre ao se escrever o número π como 3,1 ou 3,14 ou 3,1415,
cometem-se ɛa da ordem de 10-1, 10-2, e 10-4 respectivamente. Abaixo, seguem alguns
outros exemplos:
4) Erros devido à mudança de base: esses tipos de erros ocorrem devido à limitação
que há nos aparelhos eletrônicos quando a conversão é feita do sistema binário
para o decimal.
Espera-se, que ao conhecer as origens de alguns erros numéricos, exista uma maior
preocupação para controla-los ao máximo. Por isso, é primordial conhecer os efeitos
da propagação dos erros e a determinação do erro final das operações numéricas.
ANOTE ISTO
Pode-se comparar o erro de truncamento ao de arredondamento no seguinte
sentido: o erro de truncamento “corta” os números a partir de uma casa decimal
qualquer, já o erro de arredondamento “analisa” como deve ser feito o arredondar do
resultado encontrado. Por exemplo:
No número 3,0789, considerando a 2ª casa decimal, tem-se que, pelo ɛa teríamos o
resultado 3,08; já pelo ɛt, teríamos 3,07 como resultado.
Erro absoluto
Ao resolver um problema real com o auxílio de métodos numéricos, os resultados
encontrados são comumente aproximações do valor exato/real da solução do problema.
Dessa maneira, trabalhar com erros e aproximações torna-se algo intrínseco aos
métodos numéricos. Para se saber acerca da qualidade da aproximação e se ter
uma noção mais clara sobre o valor exato da solução, é de extrema importância se
ter a informação do erro ali contido.
Por definição, tem-se que ɛ>0, tal que <ɛ, é denominado de cota para o erro
EAx. No caso de <ɛ, teremos:
Dessa forma, vemos ser possível definir que o valor exato x estará entre 2 valores
conhecidos: e . O esperado é que uma cota para EAx, seja a mais próxima
de 0 possível. Entretanto, o erro absoluto nem sempre será o bastante para assegurar
a qualidade da aproximação.
absolutos são os mesmos, mas isso garante que as aproximações tenham a mesma
precisão?
Erro relativo
Dados um número x e ≠ 0 o erro relativo (ERx) será a razão entre o EAx e .
Ou seja:
A partir dos valores obtidos acima, podemos dizer que a aproximação para x é
mais precisa que a aproximação para y. Por certo, um erro da ordem de 0,1 é menos
significativo para x que é da ordem de milhares do que para y que é da ordem de
unidades.
Logo, observa-se que a aproximação para x é mais precisa do que a para y. Dessa
forma, um erro de ordem de 0,1 para x, que é da ordem de centenas, terá menos
importância que um erro de 0,0002 para y, que é da ordem de décimos de milésimos.
Considerações finais
CAPÍTULO 5
TEORIA DA
PROPAGAÇÃO DE ERROS
Exemplo Resolvido
O posicionamento de peças em uma esteira é dado pela seguinte expressão
Essa expressão representa a velocidade das peças na esteira. Note que ainda é
possível diferenciar novamente a expressão, de modo a obter a aceleração das peças:
Essa expressão representa a velocidade das peças na esteira. Note que ainda é
possível diferenciar novamente a expressão, de modo a obter a aceleração das peças:
Essa definição nos dá a derivada para um sistema com apenas uma variável de
entrada. No entanto, em processos industriais, muitas vezes trabalhamos com sistemas
que dependem de diversas variáveis independentes. Como o valor da função que
estamos estudando será afetado pela mudança em uma das variáveis independentes?
Por meio desse questionamento, surge o conceito de derivada parcial, em que podemos
considerar a mudança em uma variável independente por vez (LARSON; EDWARDS,
2013).
Começamos por definir a nossa função em relação a múltiplas variáveis, conforme
a expressão a seguir:
Nesta seção, vimos a importância da derivada parcial e como realizar seu cálculo. Os
sistemas multivariáveis são comuns e estão presentes no ambiente industrial. Assim,
o uso das derivadas parciais para a determinação da incerteza nesses processos é
fundamental. A seguir, veremos como a derivada parcial pode ser utilizada para o
cálculo da incerteza.
onde:
Segundo Hogg, McKean e Craig (2005), a incerteza das medições de x pode ser
dada pelo desvio-padrão, calculado por:
Por fim, sigma xi é o desvio-padrão das medições de xi. Essa incerteza no valor
da variável independente implica que o valor da grandeza estudada estará em algum
ponto dado por:
Por fim, podemos descrever a faixa de valores para a grandeza y com uma determinada
probabilidade por meio da expressão:
Exemplo:
Em um processo industrial, deseja-se a estimativa de uma grandeza z que está em
função das medições x e y, conforme o quadro a seguir. Sabendo que z é dado por Z=
X². Y. Determine a faixa de valores para z com uma probabilidade de 95%.
Autor (2018)
Figura 3. Exemplos de erros sistemáticos e randômicos: (a) impreciso e exato; (b) impreciso e inexato; (c) preciso e inexato; (d) preciso e exato.
Autor (2019)
Elemento Erros de calibração Erros na aquisição dos dados Erros na redução dos dados
1 Erro no valor de referência Medição das condições de operação do sistema Erro na adequação da curva
2 Erro no instrumento ou no sistema Sensor-transdutor (erro no instrumento) Erro de truncamento
3 Erro no processo de calibração Condicionamento do sinal (erro no instrumento) Erro de modelagem
4 Adequação da curva de calibração Saída (erro no instrumento)
5 Condições de operação do processo
6 Efeito da instalação dos sensores
7 Efeitos do ambiente
8 Erro de variação espacial (conjunto de dados)
9 Erro de variação temporal (conjunto de dados)
Quadro 1. Tipos de erros e seus exemplos
Fonte: Adaptado de Figliola e Beasley (2020).
Ainda, é possível apontar erros relacionados à leitura realizada pelo profissional que
está operando o instrumento. Esses erros são chamados de erros grosseiros e podem
ser causados tanto pelo descuido do operador quanto por fenômenos intrínsecos ao
processo de medição. Os erros mais comuns relacionados à leitura dos instrumentos
são o erro de interpolação e o erro de paralaxe (SILVA NETO, 2013).
O erro de interpolação ocorre devido ao posicionamento do ponteiro do instrumento
em relação à escala que está sendo medida. Quando, ao realizar uma medição, o
ponteiro está entre dois valores conhecidos da escala, esse valor não representa o
valor médio entre os dois valores conhecidos, e fica ao critério do operador o valor que
será atribuído à leitura. Assim, ocorre um erro relacionado à medida do instrumento.
Segundo Silva Neto (2013), o erro de paralaxe ocorre quando a posição do operador
e do instrumento de leitura não é a correta. Se existir um ângulo entre a linha de visão
do operador e a escala do aparelho, o erro de paralaxe ocorrerá, e um valor errôneo
será atribuído à leitura. Vale ressaltar que aparelhos analógicos apresentam uma
marcação auxiliar para evitar o erro de paralaxe.
Neste capítulo, você viu o papel da derivada parcial para a determinação da incerteza
combinada quando o processo está em função de múltiplas variáveis de entrada.
Além disso, conheceu o método de propagação de erro para avaliar a incerteza de
forma quantitativa e determinar a probabilidade de o valor da grandeza estar dentro
de uma faixa de valores. Por fim, estudou os erros e as incertezas que ocorrem no
processo de medição.
CAPÍTULO 6
ESTUDO DE FUNÇÕES: REVISÃO
Veja que existe uma relação entre as grandezas PIB e Renda per capita e tempo
em anos, certamente estas não são as únicas informações que devemos levar em
consideração para conclusões maiores sobre a relação direta, mas a representação
gráfica destes dados nos possibilitou facilitar o entendimento geral e extrair algumas
informações importantes. Diversos matemáticos como René Descartes, Gottfried
Wilhelm von Leibniz, Daniel Bernouilli, Jacob Bernoulli, Leonhard Euller, Jean Baptiste
Joseph Fourier, entre outros contribuíram fortemente suas definições para o campo
de estudo de cálculo e funções. A princípio entendemos função como uma regra
de correspondência entre dois grupos numéricos, onde um elemento x do conjunto
denominado domínio está ligado a um outro elemento y de um segundo conjunto,
chamado de contra domínio. Mas segundo GERÔNIMO J. e Franco V. (2008), uma
função de A em B, sendo estes dois conjuntos quaisquer, é uma terna (f, A, B) em que
f é uma relação dada por f : A → B em que o domínio da função é todo o conjunto A
de onde para qualquer elemento x em A existe um único elemento y em B, formando
um par ordenado (x,y) pertencente a f. Sendo x a chamada variável independente e
f(x) = y é a variável dependente.
desta relação, chamado gráfico. Cada tipo de função é representado por um gráfico
diferente, podendo ser uma reta, uma curva ou um conjunto de pontos. Para auxiliar
no desenho do gráfico é usado o plano cartesiano.
Definimos uma função polinomial uma função que possui a lei de formação um
polinômio. Este tipo de função é muito comum no estudo e comparação entre grandezas.
Uma função polinomial é representada por:
Raiz (zero)
A raiz, ou zero, da função, é o valor de x que faz com que a função tenha valor 0.
O número de raízes de uma função depende do grau da mesma, ou seja, uma função
do 1° grau possui apenas uma raiz. Para determinar a raiz da função a igualamos a
0 e operamos algebricamente para determinar o valor de x.
EXEMPLO
Um instituto de meteorologia localizado em uma cidade no Sul do Canadá e percebeu
que as temperaturas daquela cidade obedeciam um comportamento linear, de forma
que até as 15 horas a função que descrevia a temperatura era f(x) = 2x – 10 e após
as 15 horas a função passava a ser g(x) = -3.3x + 70. Determine a quais horas do dia
a temperatura era igual a 0°C.
Solução:
A temperatura ao longo do dia era descrita por duas funções do primeiro grau. O
exercício pede para encontrar quando a temperatura era igual a 0°, ou seja, encontrar
a raiz de cada função.
f(x) = 2x – 10
0 = 2x – 10
10 = 2x
x = 5.
g(x) = -3.3x + 70
0 = -3.3x + 70
-70 = -3.3x
x ≈ 21.
Como vimos, a função do primeiro grau possui apenas uma raiz e seu gráfico é
sempre uma reta que corta o eixo x no valor da raiz da função.
Em uma função afim crescente, todos os valores à direita da raiz são positivos, e
todos os valores à esquerda são negativos. Em uma função afim decrescente, todos os
valores à esquerda da raiz são positivos, e todos os valores à direita são negativos. Em
uma função afim constante, todos os valores serão positivos ou negativos, dependendo
do coeficiente linear da função.
EXEMPLO
f(x) = x² + 5x Incompleta a = 1, b = 5, c = 0
f(x) = 2x 2 − 8 Incompleta a = 2 , b = 0, c = − 8
1 1
f(x) = x² Incompleta a = , b = 0, c =0
9 9
Raiz (zero)
A raiz, ou zero, da função, é o valor de x que faz com que a função tenha valor 0.
Uma função do 2° grau pode possuir até NO MÁXIMO duas raízes. Para determinar
a raiz da função a igualamos a 0, transformando a função em uma equação do 2°
grau, e operamos algebricamente para determinar o valor de x.
Para o desenvolvimento da a equação do 2° grau podemos utilizar de vários processos
como a fatoração, a soma e produto ou a fórmula resolutiva para equação do 2° grau,
popularmente conhecida como Fórmula de Bhaskara.
Duas raízes reais Uma raiz real Não possui raízes reais
Figura 4: QUANTIDADE DE RAIZES DA FUNÇÃO QUADRÁTICA
FONTE: Elaborado pelo autor - Geogebra (2019).
Gráfico
O gráfico de uma função polinomial do 2° grau, ou função quadrática, é sempre
uma parábola, e sua concavidade é influenciada pelos coeficientes a, b e c. A direção
da concavidade está diretamente ligada ao valor do coeficiente “a”
a>0 a<0
O termo independente “c” é o que determina em qual valor a parábola corta o eixo y.
Chamamos de vértice o ponto máximo, quando a parábola está voltada para baixo,
ou ponto mínimo da função, quando a função está voltada para cima. O vértice é o
ponto o qual a parábola muda de sentido. Como qualquer ponto, o vértice tem uma
coordenada x e uma coordenada y. Podemos definir as coordenadas do vértice através
de duas fórmulas.
−b −∆
=Xv = ; Yv
2a 4a
Sinais da função
Como vimos, a função do primeiro grau possui apenas uma raiz e seu gráfico é
sempre uma reta que corta o eixo x no valor da raiz da função.
∆ >0 ∆ =0 ∆ >0
a>0
a<0
De maneira mais formal, temos que o limite da função f(x) quando x tende a 1 é 1.
E a notação usual é dada por:
Lendo temos: “o limite da função f(x) quando x tende a 1 é 1”. Observe agora uma
outra função:
Neste último exemplo vimos que quando o limite de f(x) quando x tende a “a”
pela direita ou pela esquerda temos então o limite lateral, sendo representado por
lim f(x) e lim+ f(x) . Com isso podemos concluir que o limite de uma função f(x) no
x →a− x →a
ponto a só existe quando os limites laterais são iguais a aplicação do ponto na função,
ou seja, lim f(x) = lim f(x) .
x →a− x →a +
O conceito de continuidade é intimamente ligado ao de limites. Dizemos que uma
função f é contínua em a se e somente se lim f(x) = f(a) , ou seja:
x →a
• f(a) é definido
Caso alguma destas condições não for satisfeita, a função f(x) é descontínua em
x = a.
EXEMPLO
Verifique se a função é contínua em
x = 1.
Solução:
Para que a função seja contínua em x = 1, os limites laterais devem ser iguais.
Para x tendendo a 1 pela direita, temos valores maiores do que 1, ou seja, aplicamos
o cálculo:
x² + x − 2 (x + 2)(x − 1)
lim+ = lim+ = lim(x + 2) =1 + 2 =3
x →1 x −1 x →1 x −1 x →1+
Como os limites laterais são diferentes, então o limite da função f(x) no ponto não
existe e consequentemente f(x) não é continua em x = 1.
CAPÍTULO 7
RAÍZES DE FUNÇÕES: MÉTODOS
DA BISSECÇÃO, DA FALSA
POSIÇÃO E DE NEWTON
para as aplicações matemáticas, porém suas técnicas de obtenção nem sempre são
exatas ou possuem teoremas fechados. Neste capítulo, você verá algumas técnicas
para obter raízes exatas ou por aproximação de funções em um dado intervalo real.
Após definir se existem raízes reais no intervalo, você deve utilizar métodos numéricos
para obter essas raízes. Como visto anteriormente, alguns métodos fornecem raízes
exatas, ao passo que outros fornecem uma sequência de aproximações com limite
na raiz da função.
Na maioria das vezes, a raiz não se encontra exatamente no ponto médio do intervalo
[a, b], porque se isso ocorre, temos f(x1) = 0, e o processo terá sido concluído. Então,
você deve considerar o fato de que a raiz está mais próxima de a ou de b. Lembre-se
que uma raiz tem coordenada cartesiana (x, 0), nesse caso, na maior parte das vezes,
a raiz estará mais próxima do extremo do intervalo com menor valor de y, f(a) ou f(b).
Portanto, use a média ponderada, em vez da média aritmética, com pesos |f(a)| e |f(b)|
para b e a, respectivamente:
Uma vez que seja encontrado o ponto x1, devemos verificar, como no método de
bissecção, se a raiz está no intervalo [a, x1] ou [x1,b]. Se f(a) × f(x1) < 0, então teremos
b = x1, caso contrário, teremos a = x1. A repetição do processo deve continuar até
que se obtenha uma aproximação dentro do desejado, ou se obtenha o valor exato
de ε para a função f(x), ou seja, f(ε) = 0.
Para decidir qual o melhor extremo do intervalo [a, b] para iniciar o método, basta
verificar qual dos extremos possui função e segunda derivada com mesmo sinal:
Condições:
Para a série convergir para uma raiz usando o método de Newton, basta que o
intervalo [a, b] em análise seja suficientemente pequeno e contenha uma raiz. Contudo,
como se define um intervalo suficientemente pequeno e se verifica a unicidade da
raiz? Para estabelecer essas condições, você deve seguir algumas etapas:
1. Se f(a) × f(b) > 0, então existe um número par de raízes reais (contando suas
multiplicidades) ou não existe raízes reais no intervalo [a, b] (teorema de Bolzano).
2. Se f(a) × f(b) < 0, então existe um número ímpar de raízes reais (contando suas
multiplicidades) no intervalo [a, b] (teorema de Bolzano).
3. Se f’(a) × f’(b) > 0, então o comportamento da função neste intervalo poderá ser
apenas crescente ou decrescente, nunca os dois se alternando.
4. Se f’(a) × f’(b) < 0, então a função terá o comportamento de ora crescer ora
decrescer.
Assim, podemos concluir que o intervalo irá convergir para uma raiz somente se:
Exemplo:
Considere a função f(x) = x² - 9x + 9. Para obter a raiz contida no intervalo [6,9] utilize
truncamento com 6 casas decimais após a vírgula, caso precise utilize calculadora
ou planilhas eletrônicas.
Para determinar a menor raiz positiva da função de quarto grau f(x) = x4 – 26x² +
24x + 21 pelo método da falsa posição, estime o resultado final e todas as iterações
com 2 casas decimais e com arredondamento.
Algoritmo da falsa posição:
F(x2) × f(x3) = (0,24) × (-0,17) = -0,04 < 0, portanto a raiz está no intervalo [x2, x3],
então b = x3 [1,58; 1,59].
Resultado:
A raiz procurada está entre 1,58 e 1,59. Uma nova iteração precisará de uma precisão
maior que 2 casas decimais, assim, considere 1,59 como a raiz procurada.
Resultado:
A raiz procurada pode ser arredondada para 𝜀 = 2,35.
CAPÍTULO 8
INTERPOLAÇÃO POLINOMIAL
Nesta aula, você vai adquirir conhecimentos sobre interpolação polinomial, que define
uma função a partir de alguns pontos dados. Você também aprenderá como deduzir
funções que servirão como modelos matemáticos para diversos sistemas. Por meio
Exemplo
Para relembrar a lei de formação de uma função de 1º grau, considere as coordenadas
de dois pontos em um plano cartesiano P(1, 5) e Q(-2, -4), qual a equação (lei de
formação) da reta que passa por eles?
ANOTE ISSO
Autor (2020)
Exemplo:
Em uma linha de produção, obtiveram-se os dados a seguir, que podem ser utilizados
na construção de um polinômio que sirva de modelo matemático:
Solução:
P3 (x) = 4 – 3( x + 2) + (x + 2) (x + 1) + 0 (x + 2) (x + 1) ( x + 0) = x²
carreira, embora obras relevantes tenham sido produzidas em Berlim, onde trabalhou
a convite do Rei Frederico, o grande. Na Prússia, deu início a um novo período da
álgebra, influenciando os estudiosos da teoria dos grupos. Em Paris, trabalhou na
reforma do sistema métrico decimal, sendo nomeado Senador e Conde do Império
por Napoleão Bonaparte (STRUIK, 2018)
Interpolação cúbica n = 3
Forma os polinômios de Lagrange:
Exemplo Resolvido
Para calcular o polinômio de grau igual ou menor que três que interpola os pontos
(-1, 1), (0,2), (-1,1), (2,2), forma-se os seguintes polinômios de Lagrange:
CAPÍTULO 9
CÁLCULO NUMÉRICO: REVISÃO
DE PRODUTO MISTO E VETORIAL
Uma grandeza física é um escalar quando pode ser medida ou associada a apenas
um número, sem ter nenhuma orientação, como por exemplo, a massa de um objeto,
o tempo de deslocamento de um corpo, a temperatura de uma ambiente, a carga
elétrica, entre outros, já outras grandezas não podem ser descritas por escalares,
como a velocidade, que além do seu valor a direção também é essencial.
EXEMPLO
Um turista está parado na Avenida Sapopemba, a maior avenida do Brasil, e pede
a orientação de onde tem um ponto turístico específico. Alguém pode lhe responder
que ele está a 2 quilômetros. Só isso não localiza exatamente para onde ele deve
seguir. Outra pessoa pode apenas lhe informar que o ponto mais próximo é nesta
mesma avenida. Informação inútil sozinha. Assim como alguém pode apenas lhe
indicar a direção que o turista deve seguir, sem dizer a distância. Essas informações
sem complementação não definem uma localização. A informação completa seria,
“Siga nesta rua, nesta direção por 2 quilômetros”. Esta forma de representar o trajeto
é a ideia intuitiva de um vetor. Algo com medida, direção e sentido.
Figura 1: Vetor V
FONTE: Elaborado pelo autor (2022)
ANOTE ISSO
Não existe vetor negativo. Todo vetor é positivo. Quando há um sinal de menos “-“
associado a um vetor significa que este vetor está em sentido contrário ao proposto.
Dois, ou mais, vetores são iguais se têm o mesmo comprimento e direção, sendo
paralelos ou coincidentes.
FIGURA 2: VETOR U
FONTE: Elaborado pelo autor (2022)
FIGURA 3: VETOR U
FONTE: Elaborado pelo autor (2022)
O vetor resultante é a linha que liga a origem dos vetores ao encontro das paralelas.
O módulo do vetor resultante é dado pela lei dos cossenos
Sendo:
R é o modulo do vetor resultante
a é o modulo do vetor a
b é o modulo do vetor b
θ o ângulo formado pelos vetores originais.
Há outra forma que encontrar o produto escalar. Cada vetor tem duas coordenadas,
uma x e uma y. logo, podemos dizer que
a = (x1, y1) e b = (x2, y2).
< a,b
= > x1x 2 + y1y 2
u⋅v
v
A projeção ortogonal de u em relação a v é dada por v ² , sendo que ela significa
que se deseja espelha o comprimento de um vetor u sobre o vetor v
A altura h do paralelepípedo é medida pela projeção ortogonal de w sobre o plano
u x v, sendo, portanto,
= h w cos θ , onde θ =(w,u x v) . Além disso, o produto [u,v, w ]
pode ser calculado pelo determinante
CAPÍTULO 10
MATRIZES E OPERAÇÕES
A ideia geral de uma matriz Amxn é uma tabela retangular composta por m linhas e n
colunas, a qual cada elemento da matriz, de forma genérica aij, ocupa uma posição única
na linha i e na coluna j. Assim, o elemento a54, é o elemento que está na 5ª linha e na 4ª
coluna. Geralmente uma matriz recebe como nome uma letra maiúscula do alfabeto latino.
EXEMPLO
Observe a matriz a seguir e determine o que se pede
1 0 −3
−2 4 3
D =
− 6 1 0
1 −5 4
a) A ordem é 4 x 3
b) 3
c) Não há este elemento
Lei de formação
Uma matriz pode ser formada com números aleatórios, provenientes de uma
observação, ou pode ser uma regra específica. Esta regra específica é a que chamamos
de lei de formação. Pode ser descrita por uma única sentença matemática ou um
conjunto de regras que dependem da posição do elemento.
EXEMPLO
A = [aij]2x2 tal que j²-3i
Classificação de Matrizes
Matriz Quadrada
Uma matriz é chamada de matriz quadrada quando o número de linhas é igual ao
número de colunas, ou seja, m = n.
EXEMPLO
Matriz Triangular
Uma matriz é classificada como triangular quando todos os elementos, acima ou
abaixo, da sua diagonal principal são iguais a zero.
EXEMPLO
Matriz Nula
Uma matriz é dita nula se todos os seus elementos são iguais a zero, ou seja, aij = 0.
EXEMPLO
Matriz Linha
É uma matriz que possui apenas uma linha
EXEMPLO
Matriz Coluna
É uma matriz que possui apenas uma coluna
EXEMPLO
Matriz Oposta
Duas matrizes de ordens iguais se os elementos correspondentes forem números
opostos, ou seja, aij = bij.
EXEMPLO
Matriz Diagonal
É uma matriz quadrada onde os elementos aij para i ≠ j são nulos.
EXEMPLO
Matriz Identidade
Uma matriz quadrada onde todos os elementos da diagonal principal são iguais a
1 e os demais elementos são 0, ou seja, sua lei de formação é dada por
Denotamos essa matriz pela letra I e o número que representa a sua ordem
Matriz Transposta
A matriz transposta de uma matriz Amxn é a matriz A mxn
T
em que aijT = a ji , ou seja, na
matriz transposta a primeira coluna corresponde a primeira linha da matriz original. A
segunda coluna corresponde à segunda linha da matriz original, e assim por diante.
EXEMPLO
Matriz Simétrica
Uma matriz A é dita simétrica quando ela é quadrada e é igual à sua transposta,
ou seja, os respectivos elementos das duas matrizes possuem o mesmo valor.
EXEMPLO
EXEMPLO
Observe as matrizes A e B a seguir e defina a matriz C de tal forma que C = A + B
e a matriz D onde D = A – B
Multiplicação de matrizes
Multiplicação por um escalar
Na multiplicação de uma matriz A = [aij] por um escalar k (número real qualquer),
o resultado é uma matriz kA = [kaij], ou seja, todos os elementos da matriz original
serão multiplicados pelo valor k.
EXEMPLO
EXEMPLO
Uma matriz A4x3 é multiplicável por uma matriz B3x5 e o resultado será uma matriz
C4x5, porém não é possível efetuar a multiplicação de B por A. O que mostra que a
multiplicação não é comutativa.
Para encontrar cada elemento dessa matriz resultado iremos somar o produto de
cada linha da primeira matriz por cada coluna da segunda matriz.
EXEMPLO
Dada a matriz encontre a matriz A-1.
Chamaremos A-1 de uma matriz genérica , logo:
Substituindo o valor de c:
a – 1 = 0 a = 1.
3(1 - d) + 2d = 0
3 - 3d + 2d = 0 3 –d = 0
-d = -3 d = 3
Substituindo o valor de d:
b = 1 - 3 b = -2
Assim a matriz .
E pra uma matriz quadrada de ordem 3, como encontrar uma matriz inversa?
Chegamos a três sistemas lineares de três incógnitas cada, mas vamos deixar
para resolver mais à frente.
2ª Operação: Multiplicar uma linha (ou coluna) por uma constante não nula
3ª Operação: Adicionar um múltiplo de uma linha (ou coluna) a outra linha (ou coluna)
CAPÍTULO 11
DETERMINANTES
Toda matriz quadrada possui um número real associado a ela. Este número é
chamado de determinante. O determinante possui diversas aplicações tanto no campo
da matemática quanto na física. Em matemática utilizamos o determinante no cálculo
de área de triângulos, verificar a colinearidade de três pontos, resolução de sistemas
lineares, já na física, o determinante auxilia no estudo de campos elétricos.
O determinante de uma matriz quadrada de ordem 1 é o próprio elemento da matriz.
11.1 O DETERMINANTE
O determinante de uma matriz de ordem 2 é calculado pela diferença do produtos
dos elementos da diagonal principal pelo produto da diagonal secundária. Observe o
diagrama abaixo:
EXEMPLO
Regra de Sarrus
Para o cálculo do determinante considere uma matriz quadrada de ordem 3:
Teorema de Laplace
O primeiro passo é o de calcular o cofator
O cofator de um elemento aij ( 1 ≤ i, j ≤ n ), sendo n a ordem da matriz, é chamado
( −1) ⋅ Dij , onde Dij é o determinante da matriz que se
i+ j
de Aij e definido por A ij =
obtém de A eliminando a i-ésima linha e a j-ésima coluna. Em seguida, escolhe-se
aleatoriamente uma linha ou uma coluna da matriz. O determinante da matriz será
dado por det
= A ∑a ij ⋅ A ij
Ao escolher aleatório uma linha ou coluna pode-se escolher a 1ª linha. Com isso:
1ª Propriedade: Caso uma das linhas ou colunas igual a 0, então o seu determinante
também será igual a 0.
4ª Propriedade: Caso duas linhas ou duas colunas de uma matriz sejam iguais ou
múltiplas de uma constante k, o determinante desta matriz será igual a 0.
Temos que
Onde: D, Dx, Dy e Dz são determinantes formados a partir do sistema.
D Determinante da matriz formada com os coeficientes das incógnitas
Dois sistemas lineares são equivalentes quando possuem o mesmo conjunto solução.
Dado um sistema de duas equações, é possível construir um sistema equivalente ao
realizar algumas manipulações algébricas.
a) Trocar de posição as equações de um sistema
b) Multiplicar uma ou mais equações por uma constante K diferente de 0.
c) Adicionar a uma das equações o produto de outra equação desses sistema por
uma constante K.
a1 b1 c1 k1 a1 b1 c1 k1
a b c k ⇒ 0 t u v
2 2 2 2
a3 b3 c 3 k 3 0 0 w j
matriz estendida matriz escalonada
EXEMPLO
Observe o sistema a seguir e resolva através da eliminação gaussiana
x + y + z =1
4x + 4y + 2z =
2
6x + 2y − 4z =
0
Resposta:
O ideal é deixar que o primeiro coeficiente da primeira matriz seja o valor 1, assim
facilita os cálculos. Como o sistema já obedece o critério, não é necessário realizar
alguma alteração.
Transforma-se o sistema em uma matriz expandida
1 1 1 1
4 4 2 2
6 2 −4 0
1º passo: Criar uma nova tabela repetindo a primeira linha dos coeficientes
4° Passo: Criar uma nova tabela mantendo a primeira e a segunda linha do sistema
modificado.
5° Passo: Zerar o coeficiente y da terceira linha do sistema. Para isso, basta somar
a segunda linha da tabela modificada com a terceira linha modificada. G12 = B11+B12,
e assim com as demais.
Com esta última tabela conseguimos descobrir os valores da incógnita z. Para isso,
vamos construir a linha solução. A variável z será o resultado da divisão do último
valor de k pelo último coeficiente de z.
1° Passo: Digitar na planilha a matriz original, sendo cada número em uma célula.
CAPÍTULO 12
SISTEMAS LINEARES:
DECOMPOSIÇÃO LU
12.1 Decomposição LU
Um sistema linear com n variáveis x1, x2, x3, ..., xn é um conjunto de m equações
lineares:
Método da decomposição LU
Neste método, para a solução de um sistema linear usa-se o fato de que, nas
condições necessárias, uma matriz quadrada pode ser decomposta como um produto
de duas matrizes triangulares. Considere o sistema linear Ax = B, onde A é uma matriz
invertível (det(A) ≠ 0). Nessa condição, a matriz A pode ser decomposta como o produto
A = LU, onde L é uma matriz triangular inferior e U é uma matriz triangular superior.
Teorema: se a matriz A é tal que det(A) ≠ 0, então existe uma única matriz triangular
inferior L = [lij], onde lij = mij (multiplicadores do método de Gauss) e uma matriz
triangular superior U = [uij], tal que A = LU (CONTE, 1965).
Podemos reescrever o teorema da seguinte forma: se o método da elimi- nação de
Gauss pode ser efetuado sobre a matriz A, então pode ser escrita por A = LU, onde
L é uma matriz triangular inferior com lii = 1, e U é uma matriz triangular superior. O
teorema fornece um processo para construir as matrizes L e U. A matriz L é obtida
pelos multiplicadores utilizados no processo da eliminação de Gauss, sendo que lii = 1,
e a matriz L é a própria matriz triangular superior obtida no processo da decomposição
de Gauss.
Exemplo resolvido
Resolva o sistema linear pelo método LU.
Observe que a matriz A é a mesma do exercício anterior. Nesse caso não é necessário
refazer todos os passos para determinar as matrizes L e U, que já estão determinadas:
d) Calcular a solução do sistema Ux = y (e, por sua vez, a solução do sistema Ax = B).
Por retrossubstituição
ANOTE ISSO
Exemplo:
Considere o sistema linear trabalhado no primeiro exemplo:
Pelo método da decomposição LU, a cada etapa construímos uma matriz L e uma
matriz U:
E as matrizes L e U são:
Exemplo:
Resolva o sistema linear:
Por retrossubstituição:
Note que é possível verificarmos se a solução obtida está de acordo com o sistema
linear. Nesse caso, basta fazer o produto Ax e verificar se o resultado será igual a B.
CAPÍTULO 13
SISTEMAS LINEARES:
DECOMPOSIÇÃO LU
COM PIVOTAMENTO
são gerados erros de arredondamento que vão se acumulando ao longo das eliminações
sucessivas. Outros problemas que observamos nesse método são o caso em que um
dos pivôs é igual a zero (o que impossibilita a obtenção do multiplicador) ou o caso
em que os multiplicadores assumem valores muito grandes (pivô próximo de zero).
Podemos associar o processo da decomposição LU a um processo de pivotamento
parcial para evitar pivôs nulos (ou próximos de zero) e diminuir a perda
de significação. Para aplicar a estratégia de pivotamento parcial ao Método da
Decomposição LU, faz-se necessário armazenar um vetor de permutação P, que armazena
a informação das trocas de linhas. Nesse caso, continuamos com a decomposição A
= LU e os sistemas triangulares a serem resolvidos são: Ly = B– e Ux = y
Onde B– é o vetor obtido do vetor B alterando a ordem das linhas de acordo
com o vetor de permutação P.
Exemplo:
Resolva o sistema linear:
d) Calcular a solução do sistema Ux = y (e, por sua vez, a solução do sistema Ax = B).
Exemplo:
Determine a inversa da matriz:
Por retrossubstituição:
Por retrossubstituição:
Por retrossubstituição:
Condicionamento de sistemas
A inversa de uma matriz tem muitas aplicações em áreas científicas e na engenharia.
Além disso, a inversa também fornece formas de determinar se um sistema é mal
condicionado. De acordo com Chapra (2013), existem três métodos para determinar
se um sistema é mal condicionado, descritos a seguir.
• Alterar a escala da matriz A de tal forma que o maior elemento de cada linha
seja igual a 1. Inverta a matriz obtida. Se houver elementos em A–1 que sejam
várias ordens de grandeza maiores que 1, é provável que o sistema seja mal
condicionado.
• Multiplique A–1 pela matriz A original. Verifique se a multiplicação obtida
• está próxima da matriz identidade. Se não, indica mau condicionamento.
• Determine a inversa de A–1. Verifique se o resultado está próximo de A. Caso
contrário, significa um sistema mal condicionado.
CAPÍTULO 14
INTEGRAÇÃO NUMÉRICA
Imagem de capa: Superfície em vermelho representa o valor estimado da integral pelo método Simpson
Fonte: wikimedia commons Disponível em < https://pt.wikipedia.org/wiki/Integra%C3%A7%C3%A3o_num%C3%A9rica#/media/Ficheiro:Int%C3%A9gration_num_
Simpson.svg >
À medida que começamos a ver que a integração por fórmulas é uma coisa
muito mais difícil do que a diferenciação, e às vezes impossível de fazer em termos
elementares, torna-se razoável pedir aproximações numéricas para integrais definidas.
Como uma integral definida é apenas um número, isso é possível. Em contraste, integrais
indefinidas, sendo funções em vez de apenas números, não são facilmente descritas por
aproximações numéricas. Existem várias abordagens relacionadas, todas elas usando
a ideia de que uma integral definida está relacionada à área, sendo assim, cada uma
dessas abordagens é essencialmente uma maneira de aproximar a área sob uma curva.
Isso não é exatamente correto porque integrais não são necessariamente áreas, mas
pensar em área é uma heurística razoável. Nesta aula, você vai aprender as técnicas
mais comumente usadas para a integração numérica: regra do ponto médio, regra
trapezoidal e regra de Simpson. A regra do ponto médio aproxima a integral definida
usando regiões retangulares, ao passo que a regra trapezoidal aproxima a integral
definida usando aproximações trapezoidais. A regra de Simpson aproxima a integral
definida primeiramente aproximando a função original usando funções quadráticas
por partes.
Uma vez que a derivada de uma constante é zero, integrais indefinidas são definidas
apenas até uma constante arbitrária de integração C, ou seja:
As primitivas de muitas funções não podem ser expressas ou não podem ser
expressas facilmente de forma fechada, isto é, em termos de funções conhecidas,
consequentemente, em vez de avaliar integrais definidas dessas funções diretamente,
recorremos a várias técnicas de integração numérica para aproximar seus valores. Nesta
seção, exploraremos várias dessas técnicas, além disso, também iremos examinar o
processo de estimativa do erro no uso dessas técnicas.
A soma de Riemann correspondente à contagem dos intervalos é dada por:
Assim então:
Consequentemente:
Simplificando, isto é, colocando ½ x em evidência (o que fica mais fácil para você
compreender):
É possível, porém, realizar uma generalização, isto é, deduzir para um caso geral
no qual o número de trapézios seja bem maior.
Dentro do conjunto de pontos:
Logo:
baixo. Por outro lado, a regra do ponto médio tende a calcular a média desses erros
de alguma forma, parcialmente superestimando e parcialmente subestimando o valor
da integral definida nesses mesmos tipos de intervalos. Isso nos leva a hipotetizar que,
em geral, a regra do ponto médio tende a ser mais precisa do que a regra trapezoidal.
A regra trapezoidal tende a ser menos precisa do que a regra do ponto médio.
Com a regra do ponto médio estimamos as áreas das regiões sob as curvas usando
retângulos. Em certo sentido, aproximamos a curva com funções constantes por partes,
conforme Dornelles Filho (2016), ao passo que com a regra trapezoidal aproximamos
a curva usando funções lineares por partes. E se fossemos, em vez disso, aproximar
uma curva usando funções quadráticas por partes? Com a regra de Simpson, fazemos
exatamente isso: dividimos o intervalo em um número par de subintervalos, cada um
de largura igual. Sobre o primeiro par de subintervalos, aproximamos:
Com:
Esse processo deve continuar com cada par sucessivo de subintervalos. Com a regra
de Simpson, aproximamos uma integral definida integrando uma função quadrática
por partes.
Assim, então:
teremos:
Assim como a regra trapezoidal é a média das regras da mão esquerda e da mão
direita para estimar integrais definidas, a regra de Simpson pode ser obtida a partir
do ponto médio e das regras trapezoidais usando uma média ponderada. Pode-se
mostrar que:
CAPÍTULO 15
INTEGRAÇÃO NUMÉRICA:
REGRA DO TRAPÉZIO
Nesta aula, você vai aprender a calcular integrais numéricas aproximadas utilizando
a regra do trapézio simples e composta, além de identificar quando cada regra deve
ser usada e a aplicá-las na resolução de problemas. Em diversas situações em que
Dado um conjunto de pontos diferentes [u0, u1, ..., un] pertencentes a um intervalo
fechado [a, b], ao integrarmos o polinômio interpolador de Lagrange
consideremos a aproximação como uma área de trapézios, por isso o nome regra
dos trapézios (BURDEN; FAIRES, 2008).
Quando a aproximação é realizada em um intervalo com grande amplitude, o erro
pode ser muito alto. Nesses casos, utilizamos a regra do trapézio composta ou repetida,
aproximando a cada intervalo de aplicação, ou seja, com subintervalos (FRANCO,
2006). O teorema abaixo caracteriza a regra do trapézio composta:
Dado t ∈:
(a, b) para o qual a regra do trapézio composta para n subintervalos pode ser
expressa com o termo de erro por:
As expressões (4) e (5) determinam um limitante para o erro nas regras do trapézio
simples e composta:
O valor de:
Primeiro passo.
CONCLUSÃO
ELEMENTOS COMPLEMENTARES
LIVRO
FILME
Gênio Indomável
Ano: 1998
Sinopse: Em Boston, um jovem de 20 anos (Matt Damon)
que já teve algumas passagens pela polícia e servente
de uma universidade, revela-se um gênio em matemática
e, por determinação legal, precisa fazer terapia, mas
nada funciona, pois ele debocha de todos os analistas,
até se identificar com um deles.
WEB
[Este trabalho apresenta uma explicação detalhada sobre as leis de Maxwell, sobretudo
as demonstrações e aplicações das quatro leis]
<https://docs.google.com/viewer?url=https%3A%2F%2Frepositorio.ufsc.br%2Fbitstre
am%2Fhandle%2F123456789%2F119376%2FAna_Paula%2520%25281%2529.pdf%3
Fsequence%3D1%26isAllowed%3Dy&embedded=true&chrome=false&dov=1 >
FACULDADE CATÓLICA PAULISTA | 168
CÁLCULO NUMÉRICO
PROF. JEAN CARLOS RODRIGUES
REFERÊNCIAS
MAYA, P. A.; LEONARDI, F. Controle essencial. 2. ed. São Paulo: Pearson Education
do Brasil, 2014.
OGUNNAIKE, B. A.; RAY, W. H. Process dynamics, modeling, and control. New York:
Oxford University Press, 1994.