Escolar Documentos
Profissional Documentos
Cultura Documentos
TRABALHO FINAL
Uberaba - MG
2023
Guilherme Santos Gouvêa
Marco Antônio Farias Rios
Mariana Foresto De Andrade Lima
TRABALHO FINAL
Uberaba - MG
2023
1. INTRODUÇÃO
Este trabalho de cálculo numérico computacional tem como objetivo apresentar a
implementação e comparação de três métodos numéricos para resolver um problema
específico. O problema em questão pode ser modelado como uma equação diferencial e
para resolvê-la numericamente, serão utilizados os métodos de Euler Aperfeiçoado e
Runge-Kutta de quarta ordem. Além disso, o trabalho irá comparar os resultados obtidos
com esses dois métodos com o método de Root Mean Square Error (RMSE).
Por fim, o método de RMSE será utilizado para comparar os resultados obtidos com
os dois métodos numéricos utilizados. Este método é uma medida da diferença entre os
valores obtidos pelo modelo e os valores observados, sendo amplamente utilizado para
avaliar a precisão de modelos numéricos.
2. MARCO TEÓRICO
2.1. Método de Euler aperfeiçoado
O processo é o seguinte: dada uma equação diferencial de primeira ordem, y' = f(x,y)
e um valor inicial y0 = y(x0), o método de Euler Aperfeiçoado calcula a solução aproximada
y1 = y(x1) no próximo ponto x1 = x0 + h, onde h é o tamanho do passo.
k1 = hf(x0, y0)
k2 = hf(x0 + h, y0 + k1)
y1 = y0 + (k1 + k2)/2
O processo é o seguinte: dada uma equação diferencial de primeira ordem, y' = f(x,y)
e um valor inicial y0 = y(x0), o método de Runge-Kutta de quarta ordem calcula a solução
aproximada y1 = y(x1) no próximo ponto x1 = x0 + h, onde h é o tamanho do passo.
k1 = hf(x0, y0)
Infelizmente, a equação diferencial y(t) = k(m - y(t))y(t) não pode ser resolvida de
forma analítica, ou seja, não existe uma solução em termos de funções elementares
conhecidas, como polinômios, exponenciais ou senos e cossenos.
3. RESULTADOS E ANÁLISE
Por fim, para comparar as duas soluções, utilizou-se a métrica RMSE (Root Mean
Square Error), que é uma medida de erro que representa a raiz quadrada da média dos
erros ao quadrado entre os valores observados e previstos em um modelo estatístico ou de
machine learning. Quanto menor o valor de RMSE, melhor será o desempenho do modelo
na predição dos valores.
clc
clear all
close all
m = 100000;
y0 = 1000;
k = 0.000002;
t0 = 0;
tf = 30;
N = 3000;
dydt = @(t, y) k*(m-y)*y;
h = (tf - t0)/N;
t(1) = t0;
y(1) = y0;
for i = 1:N
t(i+1) = t(i) + h;
k1 = h*dydt(t(i), y(i));
k2 = h*dydt(t(i+1), y(i)+k1);
y(i+1) = y(i) + (k1+k2)/2;
end
yf = y(end);
disp(['Aproximação para y(tf) = ', num2str(yf)]);
clc
clear all
close all
m = 100000;
y0 = 1000;
k = 0.000002;
t0 = 0;
tf = 30;
N = 3000;
dydt = @(t, y) k*(m-y)*y;
h = (tf - t0)/N;
t(1) = t0;
y(1) = y0;
for i = 1:N
t(i+1) = t(i) + h;
k1 = h*dydt(t(i), y(i));
k2 = h*dydt(t(i) + h/2, y(i) + k1/2);
k3 = h*dydt(t(i) + h/2, y(i) + k2/2);
k4 = h*dydt(t(i) + h, y(i) + k3);
y(i+1) = y(i) + (k1 + 2*k2 + 2*k3 + k4)/6;
end
yf = y(end);
disp(['Aproximação para y(tf) = ', num2str(yf)]);
clc
clear all
close all
m = 100000;
y0 = 1000;
k = 0.000002;
t0 = 0;
tf = 30;
N = 3000;
dydt = @(t, y) k*(m-y)*y;
% Método de Euler aperfeiçoado
h1 = (tf - t0)/N;
t1 = t0:h1:tf;
y1(1) = y0;
for i = 1:N
y1(i+1) = y1(i) + h1*dydt(t1(i) + h1/2, y1(i) + h1/2*dydt(t1(i),
y1(i)));
end
% Cálculo do RMSE
rmse = sqrt(sum((y1 - y2).^2)/N);
6. REFERÊNCIAS
MOLINA, F. A. L. Equações Diferenciais Ordinárias. Notas de Aula.Curso de Cálculo
Numérico Computacional. 2023.