PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE MATEMÁTICA

CÁLCULO NUMÉRICO
Notas de Aula – Aplicações – Exercícios

Eliete Biasotto Hauser

Índice

1 Sistema de Ponto Flutuante Normalizado – Teoria dos Erros....................4

2 Resolução de Equações Algébricas e Transcendentes.............................. 9

3 Sistemas de Equações Lineares................................................................ 25

4 Interpolação Polinomial............................................................................ 36

5 Ajuste de Funções..................................................................................... 46

6 Integração Numérica.................................................................................60

5 Resolução Numérica de Equações Diferenciais Ordinárias..................... 65

8 Resolução Numérica de Equações Diferenciais Parciais.......................... 72

9 Bibliografia ..............................................................................................85

Formulário................................................................................................... 86

Laboratórios utilizando Sistema Maple....................................................... 90

se e < m (ultrapassa a capacidade mínima) . 8191) d) Burroughs B6700: F(8. Em geral. ( β − 1)( β − 1). 63) c) Cray1 : F(2. 3517 . M). 48. d d L d t é a mantissa (uma fração na base β). Obs: precisão ≠ exatidão(depende da precisão da máquina e do algorítmo utilizado) A união de todos os números de ponto flutuante normalizados com o zero: 0 = 0 .. 2) 0. m..2. 13. se e > M (ultrapassa a capacidade máxima) 4 . em módulo.( β − 1) x β M é o maior número.000 L 0×β m 1 4 2 4 3 t vezes é chamado Sistema de Ponto Flutuante Normalizado e representado por F(β. vale β − 1 ≤ mantissa < 1 . d1 d 2 L d t ⎟ × β ⎝ ⎠β i) ii) 0 .t iii) “e” é um expoente inteiro que varia no intervalo [m. Se o expoente da base não pertencer a [m.M]. Alguns exemplos de máquinas com precisão simples: a) HP 48 : F(10. não nulo.. m = -M ∈ Z.. y = a n a L a a a a . 12.1 x β m é o menor número em módulo.overflow. t. b b2 L pode ser descrito n −1 3 2 1 0 1 na forma β n − 1 + L + a 3 β 3 + a 2 β 2 + a1 β + a0 + b1 β − 1 + b2 β − 2 + L . é o número de dígitos da mantissa. 64) Em F valem as propriedades: 1) 0. 6) 0 ∈ F e 1 ∈ F . iv) t define a precisão da máquina.. y = an β n + a n −1 Por exemplo. 6. São os casos de erro de: . y não pode ser representado em F. 1 2 0 ≤ d j ≤ β − 1. d 1 ≠ 0 . de F. -498. então − y ∈ F . j=1. 5) Se y ∈ F . -64.underflow. 500) b) IBM 3090 : F(16. 144424443 t vezes 2( β − 1) β t −1 ( M − m + 1)⎤ + 1 é o cardinal de F 3) # F = ⎡ ⎥ ⎢ ⎦ ⎣ 4) Para qualquer mantissa.1 –Teoria dos Erros . não nulo. M e m dependem da máquina utilizada. -8192. -63.Sistema de Ponto Flutuante Um número y na base β ≥ 2 . y tem a forma: ⎞ e y= ⎛ ⎜ 0 . de F.26 = 3 × 10 3 + 5 × 10 2 + 1 × 10 + 7 + 2 × 10 − 1 + 6 × 10 − 2 Em aritmética de ponto flutuante normalizado de t dígitos..M].

Arredondamento por falta.3 = ≈ 4% x− y 0.13000 x 10-3 Assim.1248121 x 10 .1248121 x 10 .3 Na resolução de um problema o valor exato da solução x pode ser desconhecido. geralmente.3721478693 y = 0. y*= 0. vamos considerar a diferença entre os números a seguir. associativas e nem distributivas.Hauser – Cálculo Numérico Se a representação do real y em F não é exata.13000 x 10 . Podemos usar duas aproximações sucessivas de x. Aqui µ representa a unidade de arredondamento da máquina ( µ = to for Ox ). 499) com arredondamento Ox: x*= 0.3 − 0 .00013 = 0.0001248121=0. ou truncamento ( ∇ y). 1 1− t β se o arredondamen2 5 . .E. por exemplo: x = 0. nem sempre as operações aritméticas válidas para os números reais são válidas em F. 5. Define-se: x − x* para x ≠ 0 . Isto influi na solução obtida através de um método numérico. o arredondamento é feito após cada operação. é necessário utilizar um arredondamento. Ou seja.B. métodos numéricos matematicamente equivalentes. as operações de adição e multiplicação não são comutativas. o erro relativo entre os dois resultados é grande: x − y − ( x * -y*) 0.Arredondamento por excesso ( ∆ y) Em F.Arredondamento para número mais próximo de máquina (Oy).1248121 x 10-3 Se os cálculos forem feitos em F(10. -499.37215. . Medidas de Exatidão Quando se aproxima um número real x por x*. pois numa série de operações aritméticas. x k +1 ) = − ⎢0. definindo: ⎡ ⎛ x k +1 − x k ⎞⎤ ⎟⎥ DIGSE ( x k . podem fornecer resultados diferentes. o erro que resulta é x-x*. erro absoluto: EA = x − x * e o erro relativo: ER = x A fim de ver o tipo de situação que pode ocorrer um erro relativo de grande magnitude. Assim.37202 e x*-y*= 0. Os tipos de arredondamento mais conhecidos são: .3720230572 x − y = 0.3 + log⎜ µ + ⎜ ⎟ x k +1 ⎠⎦ ⎥ ⎢ ⎝ ⎣ o qual expressa o número de dígitos significativos exatos de x k em relação a x k + 1 .

difere da solução exata. b) Erro nos dados de entrada ( com frequência provindos de dados experimentais). propagação do erro. número de operações aritméticas. g) Eficiência: produz a resposta correta com economia Passos para a resolução de um problema: tipos de erros A resolução de problemas reais envolve diversas etapas: Problema Real Modelagem Matemática Solução Estudaremos algoritmos numéricos a fim de obter uma solução numérica do problema.nl/users/vuik/wi211/disasters. geralmente.Teoria dos Erros Algoritmos Numéricos O Cálculo Numérico tem por objetivo estudar e aplicar algoritmos numéricos para a solução de problemas. 6 . por exemplo) d) Quantidade finita de cálculos. Um bom algoritmo numérico deve se caracterizado por: a) Independência da máquina :a execução do programa pode ser realizada em diferentes máquinas.html Aplicação O volume de uma esfera de raio r pode ser obtido de 4π r 3 V= .tudelft. b) Inexistência de Erro Aritmético: problemas de overflow e underflow devem ser detectados a priori c) Inexistência de Erro Lógico: previsão de tudo o que poderá ocorrer durante o processo (divisão por zero. 98). -98 . visando o menor "custo" e confiabilidade do resultado (observar tempo de execução. Curiosidades: Some disasters caused by numerical errors. etc). e) Existência de um critério de exatidão. Possíveis fontes de erro que geram essa diferença são: a) Simplificação do modelo matemático ( algumas variáveis envolvidas são desprezadas). f) O erro deve convergir para zero com precisão infinita. c) Truncamento (por exemplo. Utilizar arredondamento para número mais próximo de máquina (0x) em F( 10 . substituição de um processo infinito por um finito e linearizações). d) Erro de arredondamento em aritmética de ponto flutuante. http://ta. a qual. 4 .1 .twi. 3 Estimar o volume do hemisfério de raio “e” representado graficamente ao lado. quantidade de memória.

b) Utilizando arredondamento por truncamento ( ∇x ) em F(10.11917x10 Obs: Estimar p(x) pelo algoritmo usual p ( x) = a n x n + a x n −1 + . os números abaixo em utilizando arredondamento por truncamento( ∇x )e arredondamento para número mais próximo de máquina (Ox) em F(10.B.Hauser – Cálculo Numérico Exercícios 1) No sistema MapleV estimar e − 8. 3) Sejam A..2485168271x10 . -98 . Qual das duas abaixo é mais eficiente? Porque? b) (Ax(BxC))xD a) Ax(Bx(CxD)) 4) Representar o número real x na base 2 usando 8 algarismos significativos? Essa representação é exata? a) x=0. B. + a x 3 + a x 2 + a x + a n −1 3 2 1 0 exige n adições e (n +n)/2 multiplicações enquanto que o algoritmo de Horner p ( x) = (((.a 2 ) x + a1 ) x + a 0 n −1 requer n adições e n multiplicações.73) ≈ 0.2) 6) Representar..( { a n x + a n −1 ) x + a n − 2 ) x + .3. C e D matrizes genéricas de ordem 10x20.2.2). pode-se determinar o produto matricial AxBxCxD de diversas formas. 50x1 e 1x100 respectivamente.-2. Comparar os resultados.3 ≈ 0. 98) e arredondamento por truncamento estimar p(2.-98.. 20x50.98).6 b) x=13.-2..2) b) F(3. 3 .-1.2. estimar o valor de A somando da direita para esquerda e após somando da esquerda para a direita.47 5) Determinar o cardinal .. Utilizando a propriedade associativa.3 utilizando ∞ ( − x )i e e− x = i! i =0 ∑ e− x = com 26 termos cada e comparar com e − 8.2) c) F(2. regiões de underflow e overflow e todos elementos reais de: a) F(2. -3 1 1 = x ∞ e xi i! i =0 ∑ 2) Em F(10 .3.E.73) se: a) p( x ) = x 3 − 5 x 2 + 6 x + 0. 7 .-1..5. 200 2000 1 b) e) c) d) e f) 2 a) 3 3 3 3000 7) Considerando: A = 10 1 ∑ i i =1 2 a) Calcular o valor de A utilizando precisão infinita.55 -1 Em ambos os casos estimar o erro absoluto ao comparar com p(2. se possível. 2 .55 b) p( x ) = (( x − 5 )x + 6 )x + 0..25 c) x= 2.

5/16. 3/4. 1/4.25)): > f2a:=unapply(f2. e seus simétricos.27183*102 c) overflow (0. 2.0002485170000 2) a)p(2. 4-a) (0.001241405905 Obs: Causas desse erro: subtração de grandezas muito próximas e adição de grandezas de diferentes ordens.47)10 ≈ (10. 3/2.9990234375 b) 0. 1/4.73)= -0.+∞) Região de underflow: (-1/4. 4/9. então MxN.{0} 6-a) 0.x): > f2a(8. 1/2.−7 / 2) ∪ (7 / 2. 2. # F = 33 Região de oferflow: ( −∞.1/4) .10011001)2 b) (13. . 1/3. 3/16.05 . 5/9. i=0.1/9) .032 . 5/4.66666*103 ∉ e 0. 5/2. 2. 3/8. 5/3.998 8 . 7/9. 1/2.73)=0.999 e 0.25)10 ≈ (1101. 1. 4/27.4/3. 7/3. 5/27.+∞) Região de underflow: (-1/8. 3. 7/8.0002485168271 > f1:=sum(((-x)^i)/i!.+∞) Região de underflow: (-1/9.011110) 2 5)-a) 0.17320*101 e 0. 3/4. 5/8..{0} b) 0. 1/8.061917 b)p(2. 3. 5.25): > f1a:=unapply(f1.020083 3) (Ax(BxC))xD é mais eficiente pois exige 2200 multiplicações enquanto que para calcular o produto Ax(Bx(CxD)) são necessárias 125000 multiplicações . 8 e seus simétricos. 1/9.66667*102 d) 0.14142 *101 7-a) 0. 7/4. 2/9.17321 *101 b) 0.x): > f1a(8. 7/2 e simétricos.14142*10 e 0.33333*10 ∉ F) f) 0.1/8) . 2/3. . i=0.6)10 ≈ (0.01) 2 c) (2. 5/16.66666*102 e 0. > > f2:=1/(sum(((x)^i)/i!. 8/3..−8) ∪ (8.3.3) ∪ (3.erro absoluto = 0. 8/27. 8/9.3). -. é obtida efetuando pqr operações de multiplicações de elementos de M e N. # F = 21 Região de oferflow: ( −∞. 6. 7/16. 4. 3/2.66667*103 ∉ F) –3 1 e) underflow (0.Teoria dos Erros Respostas: 1) exp(-8. 1.{0} c) 0. 1. 7.3). 7/27. OBS: Se M é de ordem pxq e N de ordem qxr.1 .27182*101 e 0.erro absoluto = 0. # F = 49 Região de oferflow: ( −∞. de ordem pxr.3).

: polinômios. onde os coeficientes .K. tem raízes: x1 = 1.1. Se a função f ( x ) só contém operações algébricas repetidas um número finito de vezes. x 2 − x − 1 = 0 .2. senx − e x = 0 2. x2 . ln x + tgx = 0 . Ex. Ex.: e x + x 2 + 1 = 0 . x3 = −2 . 2) Se x1 . x2 = −1. Ex1: p( x ) = x 3 + 2 x 2 − x − 2 .Equações Polinomiais Revisão sobre polinômio: Seja p( x ) = a n x n + a n −1 x n −1 + K + a 2 x 2 + a1 x + a 0 um polinômio de grau n. − x =0 x3 Equações Transcendentes são aquelas em que a variável independente x está submetida a uma operação não algébrica um número finito de vezes. 1 5 Ex. a equação é dita algébrica. determinar os valores de x para os quais a igualdade f ( x ) = 0 é satisfeita. 9 . Temos que: 1) p( x ) possui n raízes. contadas as multiplicidades. p ( x ) = ( x − 1)(x + 1)( x + 2 ) 3) Se a + bi é raiz de p( x ) então z = a − bi também o é.: p( x ) = x 2 − 6 x + 10 tem raízes 3 ± i . Resolução de Equações Algébricas e Transcendentes Objetivo: Resolver equações de forma f ( x ) = 0 . então p( x ) pode ser fatorado na forma: p( x ) = an ( x − x1 )( x − x2 )K( x − xn ) . xn forem raízes reais de p( x ) . são números reais e an ≠ 0 . isto é. Logo.

B. 1 ± i . 6) Uma raiz x0 de p( x ) tem multiplicidade m se p( x0 ) = p ' ( x0 ) = p " ( x0 ) = K = p m−1 ( x0 ) = 0 e p m ( x0 ) ≠ 0 Ex.E. então p ( x ) possui ao menos uma raiz real. 3 ± i . ( ) p( x ) = x 2 − 2 x + 2 ⋅ x 2 − 1 Ex. Ex. p( x ) = x 2 − 6 x + 10 ⋅ ( x − 1) ( ( )( ) ) 5)Se p ( x ) é de grau ímpar.Hauser – Cálculo Numérico 4) Se a + bi é raiz de p( x ) de grau n ≥ 2 .: a) p( x ) = x 4 − 2 x 3 + x 2 + 2 x − 2 tem raízes ± 1.:1) x0 = 2 é raiz de multiplicidade 2 p( x ) = 2 x 3 − 6 x 2 + 8 2) x0 = 2 é raiz de multiplicidade 3 de p( x ) = x 4 − 5 x 3 + 6 x 2 + 4 x − 8 10 . então p( x ) pode ser fatorado: p( x ) = x 2 − 2ax + a 2 + b 2 ⋅ q( x ) onde o grau de q( x ) é n − 2 .: b) p( x ) = x 3 − 7 x 2 + 16 x − 10 tem raízes 1.

Ex. O número de raízes reais negativas é obtido aplicando a regra de Descartes a p (− x ) Regra de Huat 2 Se p (0 ) ≠ 0 e para algum k. então p ( x ) tem raízes complexas. p(xi ) são necessárias n n(n + 1) adições e multiplicações. então existe único polinômio de grau n − 1. a k ≤ a k −1 × ak +1 então p( x ) possui raízes complexas.Resolução de Equações Algébricas e Transcendentes 7) Valor numérico de um polinômio: para calcular.2 . negativas ou complexas. Se α é raiz de p( x ) então p (α ) = 0 . tal que p ( x ) = ( x − α ) ⋅ q( x ) + p (α ) . sendo uma raiz de multiplicidade “m” contada como “m” raízes e não sendo considerados os coeficientes nulos”. α 1 = 1 ⇒ ( x − 1) x 2 − 6 x + 10 ( ) e p(1) = 0 α 2 = 2 ⇒ ( x − 2 )(x 2 − 5 x + 6 )+ 2 e p (2 ) = 2 α 3 = −3 ⇒ ( x + 3 )(x 2 − 10 x + 46 )− 148 e p(− 3) = −148 2.1-Enumeração das Raízes p ( x ) = x 3 − 7 x 2 + 16 x − 10 Enumerar as raízes de p( x ) é dizer quantas são as raízes e se positivas. q( x ) .: p( x ) = 3 x 5 + 4 x 4 − 2 x 3 − x 2 + 3 x − 4 = (((( 3 x + 4 )x − 2 )x − 1 )x + 3 )x4 8) Se p( x ) é de grau n . 11 . Regra da Lacuna Se p (0 ) ≠ 0 e para algum K. É o algoritmo de Briot-Ruffini utilizado para Deflacionar Raízes. 2 O Método de Horner faz esse cálculo com n adições e n multiplicações: p( x ) = (((KK (a n x + a n −1 ) x + K + a 2 ) x + a1 ) x + a 0 123 n −1 parênteses Ex. Regra de Descartes ou Regras de Sinais “O número de raízes reais positivas de p( x ) é igual ao número de variações de sinais na seqüência dos coeficientes ou menor do que este por um número inteiro par.1. de forma usual. a k = 0 e a k −1 × ak +1 > 0 .

ou • 1 raiz real positiva.94696658200 x17 = 3.9552764745 x19 = 3.1. nenhuma negativa.B. 2 raízes negativas e 2 complexas.61655565303 x5 = 3.: p( x ) = 3 x 5 + x 4 − 5 x 3 − x − 1 • p( x ) pode ter: 1 raiz real positiva.2-Localização das raízes de p(x) Localizar as raízes de p( x ) é determinar a região do plano que contém todas as raízes. Cota de Cauchy: Toda raiz α (real ou complexa) de p( x ) satisfaz α ≤ β .: p( x ) = x 4 − 3x 3 + 3. 2.9575796715 M ∴α ≤ 4 12 .00483390194 M x15 = 3.68 x k + 0. e 4 complexas.E.93973077126 x16 = 3.47358396156 x3 = 2.3136) x0 = 0 e 3 k 2 k 1 4 x1 = 0.37 x + 1. Onde β = lim x k .748331477355 x 2 = 1.37 x 2 − 1.Hauser – Cálculo Numérico Ex.68 + 0.95190592045 x18 = 3. x0 = 0 e k →∞ x k +1 = a n −1 n −1 a n − 2 n − 2 a a xk + K + 1 xk + 0 xk + an an an an Ex.3136 x − 1 x k +1 = (3 x + 3.10693957916 x 4 = 2.

2 .Resolução de Equações Algébricas e Transcendentes 2.3923 11 3 − 5 − 7.3923 − 7 3 Obs: Devemos dar uma atenção especial para os casos de: ¾ Raízes muito próximas.Separação de Raízes Reais de f(x)=0 a) Métodos Gráficos: Utiliza-se um dos seguintes processos: esboçar gráfico da função f (x ) e localizar as abcissas dos pontos onde a curva i) intercepta o eixo dos x. ii) de f ( x ) = 0 obter uma equação equivalente f1 ( x ) = f 2 ( x ) . Se f (a ) ⋅ f (b ) < 0 .: p( x ) = x 3 − 9 x + 3 a) Análise gráfica: Logo. ¾ para raízes de multiplicidade par não ocorre troca de sinal. 1) . Localizar no mesmo eixo cartesiano os pontos r onde as duas curvas se interceptem: f1 (r ) = f 2 (r ) ⇒ f1 (r ) − f 2 (r ) = 0 ⇒ f (r ) = 0 b) Método Analítico: Seja f ( x ) continua no intervalo [a. (Se o sinal de f ' é constante em ( a . Ex. b ) .2. b] . existem três raízes reais: r1 ∈ (− 4 . então existe pelo menos uma raiz de f em ( a . 13 . 3) b) analiticamente: x −4 −3 − 3 −1 0 1 3 2 3 p ( x ) − 25 3 13. b ) a raiz é única nesse intervalo). − 3) r2 ∈ (0 . r3 ∈ (2 .

b] → ℜ continua e tal que f (a ) ⋅ f (b ) < 0 . isto é.3136 r1 = 0. b] 2) Se f ( x m ) ≠ 0 e: i) f (a ) ⋅ f ( x m ) < 0 então a raiz está em ( a . dividindo-se [a.Métodos para Resolução de equações algébricas e transcendentes Qualquer método deve observar um critério de parada. Características: É simples a convergência lenta mas garantida. a+b .B.8 são raízes de multiplicidade 2. ao qual está associado um estimador de exatidão. b ] em dois novos intervalos : 2 ℜ− 3 1 ⊂ total 0 4 2 4 14 .b ) . Volta-se para (1) ii) f ( x m ) ⋅ f (b ) < 0 então a raiz está em ( xm . [x m .5 x 2 − 20 x − 11 a) Enumeração das raízes de p (x ) ℜ+ Regras de Huat e Lacuna não aplicam 1 1 [a.E. A velocidade de convergência é 0.3. a cada 3 ou 4 passos ganha-se um DIGSE . xm ) . 2. ε 2 . Ex: p( x ) = x 4 + 2 x 3 − 7. isto é. 1) Calcula-se o ponto médio x m = x m ] .37 x 2 − 1.7 e r2 ≅ 0.3 ⋅ DIGSE /passo. até que um critério de parada seja satisfeito. L são dados: • • • • DIGSE( x k . Por exemplo. x k + 1 ) ≥ C f (xk ) ≤ ε 1 x k +1 − x k ≤ ε2 x k +1 k > L (número máximo de iterações) 2.1-Método da Bisseção ou Dicotomia (Algoritmo de quebra) Seja f : [a.68 x + 0. para onde C . Volta-se para (1) 3) Repete-se o processo até obter uma aproximação “razoável” da raiz.Hauser – Cálculo Numérico Ex1: p( x ) = x 4 − 3 x 3 + 3.3. ε 1 .

3.1891500395 (3.2 .03515625. 35 ) 1 3.03125. 3.0390625 ) 8 3.03515625.Resolução de Equações Algébricas e Transcendentes b) Cota de Cauchy: 3 x k +1 = 4 2 x k + 7.1. Os pontos x* que satisfazem a condição x * = G x * são ditos pontos fixos de G (x ) e geometricamente representam os pontos de intersecção da reta y = x com a curva y = G ( x ) .3883184832 (3. G ( x ) é dita função de iteração do método.5 r4 d) Cálculo da raiz r4 ∈ (3.03540039062 ) 13 3 . 3.0401045242 (3 .037109375 0 . x13 ) ≅ 4 .046875 1.002874148 M Obtemos r4 ≈ x12 = 3.03515625 − 0 .5 62 .871886353 (3.03125.14695320458 M M x14 = 4. 3.03515625.0361328125 0 .660400391 (3. 3.405335188 5 3. 3 .0625 2 . i = 0.037109375 ) 9 3. 3. x 0 = 0 x1 = 1.0897548754 11 3.64729539211 x15 = 4.03515625.0625 ) − 0 .25 ) 2 3.03564453125 ) 12 3. 4 ) utilizando o método da bissecção.0361328125 ) 10 3.5 2 k + 20 x k + 11.039625 ) 7 3.03515625.5 x −5 − 4 − 3 − 2 −1 77 8.03080111616 x3 = 3.0625 ) 4 3.64784057829 x16 = 4.00390625 (3.0095143543 (3.9375 (3.03125 (3.03540039062 0 .0390625 0 .3.046875 ) 6 3.03564453125 0 .64813826094 x17 = 4.01529111512 (3 . k xk f ( xk ) Ik (3.74256184946 x 4 = 4.2-Método da Iteração Linear Consiste em escrever a equação f ( x ) = 0 na forma x = G ( x ) .096 2.82116028684 x 2 = 3.2.25 25 .K ( ) 15 .0354039062 com DIGSE ( x12 . e as outras aproximações são dadas por: xi +1 = G ( xi ). 3 .03125.64830079964 c) Separação de raízes p( x ) 276.1900454168 (3. 3.5 r1 0 1 2 3 4 5 −1 r2 5 r3 − 11 − 35. Inicia-se a iteração com um valor x0 próximo da raiz. 3.125 9 .5 − 49 − 35 173 576. 3.125 ) 3 3.0352783203 0 .

converge para a solução x* da equação f ( x ) = 0 sob certas condições .12132034356 x 2 = G2 ( x1 ) = 1. xi +1 = G1 ( xi ) x1 = G1 ( x0 ) = 6 − (1.converge para α .9694363804 x 3 = G2 ( x2 ) = 2. b] .99809249923 x 7 = G2 ( x6 ) = 2. então a seqüência { xk }..5 = 2. Se i) G e G’são contínuas em [a.75 x3 = G1 ( x 2 ) = 6 − (−8. Ex.b ).. ii) G' ( x ) 〈1. A construção de G não é única.∀x ∈ (a . iii) x0 ∈ Ι e xk + 1 = G( xk ) ∈ (a .00002980181 M x 5 = G2 ( x4 ) = 2.5 .5) 2 = 3.8342 M x 4 = G1 ( x3 ) = −3475. .5 . a seqüência {xi } não converge para 2. gerada por xk +1 = G ( xk ) . a seqüência {xi } converge para 2.00762636454 x 4 = G2 ( x3 ) = 1.b ) . k = 0 . c ) G3 = − 6 − x .2 . x1 = G2 (x0 ) = 6 − 1. 16 . a) G1 ( x ) = 6 − x 2 b) G 2 = 6 − x .46095276 x 2 = G1 ( x1 ) = 6 − (3.E. G4 = 6 .0625 ii) Tomando G2 e x0 = 1. e α 2 = 2 da presente equação. x 2 + x − 6 = 0 .99988079186 Teorema da Convergência: Seja α uma raiz isolada de f em [a. b] .B.Hauser – Cálculo Numérico A seqüência de aproximação xi .00390625 x5 = G1 (x 4 ) = −12078822. A escolha de uma G apropriada é dita “problema do ponto fixo.75) 2 = −8.00047681835 x 6 = G2 ( x5 ) = 1.. x +1 G5 = 6 −1 x Embora não seja preciso usar métodos numéricos para encontrar as duas raízes reais α 1 = −3.1.0625) 2 = −59. nota-se que: i) Tomando G1 e x0 = 1.

x k +1 ) ≥ 5 f ( x ) = 0 ⇒ e x + x 3 = 0 ⇒ x 3 = −e x ⇒ x = − e = −e Seja 3 x x 3 G ( x ) = −e x 3 x 1 G ' ( x ) = − e 3 .33 G e G’ são continuas em [-1.772882595 f ( x9 ) = 0.772884374 x10 = − 0.846481725 x 2 = −0.0] e G ' ( x ) < 1 ∀x ∈ [−1. G ' (− 1) ≅ 0.777723518 x 4 = −0.772877469 x9 = −0.772800243 x7 = −0.773204044 x 6 = −0. x10 ) ≅ 5. 17 . com DIGSE (x k .Resolução de Equações Algébricas e Transcendentes Ex: Utilizando o método da iteração linear calcule a raiz de f ( x ) = e x + x 3 .0] . maior será a convergência.772904269 x8 = − 0.771636903 x5 = −0.34 xi M *G não tem Maximo nem mínimo local em [0. Pode ocorrer dificuldade para encontrar G(x).2 .5 x1 = −0. A convergência é linear para raízes simples (a cada passo do método o erro é reduzido por um fato constante).754152577 x3 = −0. Seja x0 = −0. a seqüência gerada por xi +1 = −e 3 converge para α ∀x ∈ [−1. quanto menor este valor. testa-se então só os extremos. Características do Método da Iteração Linear: ¾ ¾ ¾ ¾ Não garante a convergência para toda função continua.000003188 e DIGSE ( x9 .1]. ¾ A velocidade de convergência depende de G ' (x ) .24 * 3 G ' (0 ) ≅ 0. Necessita do calculo de G’(x).0] . Logo .

Portanto. f ' (x* ) ( ) G ' (x ) = 1 − [ f ' ( x)] − f ( x) ⋅ f " ( x) f ' ( x) ⋅ f " ( x) = e [ f ' ( x)]2 [ f ' ( x)]2 2 f ( x * ) = 0 ⇒ G ' ( x * ) = 0 se f ' ( x * ) ≠ 0. G ( x * ) = 0 ⇒ 1 + A( x * ) ⋅ f ' ( x * ) = 0 ⇒ A( x * ) = Tomemos A( x) = − 1 f ( x) e G ( x) = x − . Temos que: f ( x * ) = 0 ⇔ G ( x * ) = x * Com efeito: ( ⇒ ) Seja x * tal que f ( x * ) = 0 . existem infinitas funções G(x) que são funções de iteração.1. tomamos a forma geral para G(x): G ( x) = x + A( x) ⋅ f ( x) ⇒ G ' ( x) = 1 + A' ( x) ⋅ f ( x) + A( x) ⋅ f ' ( x) ⇒ G ' ( x * ) = 1 + A' ( x * ) ⋅ f ( x * ) + A( x * ) ⋅ f ' ( x * ) ⇒ G ' ( x * ) = 1 + A( x * ) ⋅ f ' ( x * ).. pois −1 . Agora . x k +1 é abscissa do ponto de intersecção da reta tangente à curva f (x ) em ( x k . escolhendo para a função de iteração a função G(x) tal que G’(x)=0 Dada a função f ( x) = 0 .. ponto fixo de G(x). Assim.Hauser – Cálculo Numérico Obs. f ' ( x) f ' ( x) Então dada f ( x ) . conforme podemos observar na próxima figura. G ( x * ) = x * + A( x * ) ⋅ f ( x * ) = x * + A( x * ) ⋅ 0 = x * (⇐) Se G ( x * ) = x * ⇒ x * + A( x * ) ⋅ f ( x * ) = x * ⇒ A( x * ) ⋅ f ( x * ) = 0 ⇒ f ( x * ) = 0 pois A( x * ) ≠ 0 2. se tenha A( x * ) ≠ 0 .2. a seqüência ( x k ) é determinada por: f ( xk ) xk +1 = xk − . f ( x k )) e o eixo dos “x”.E. f ' ( xk ) ≠ 0 f ' ( xk ) Geometricamente . dado x k .3-Método de Newton-Raphson Procura garantir e acelerar a convergência do método da Iteração Linear. G ( x ) é tal que G ' x * = 0 . iniciando-se a iteração com um valor x0 escolhido.: Dada a equação f ( x ) = 0 . A forma geral destas funções é: G ( x ) = x + A( x) ⋅ f ( x) . k = 0. pois x * é ponto fixo de G ( x * = G ( x * ) ⇒ f ( x * ) = 0) .B.. f ( xk ) f ( xk ) tgθ = = f ' ( x k ) ⇒ x k +1 = x k − x k − x k +1 f ' ( xk ) 18 .3. com a condição que em x*.

x− 19 . f (a) ⋅ f " (a) > 0 ⇒ x0 = a Se f (b) ⋅ f " (b) > 0 ⇒ x0 = b (a + b) . Caso contrário. utilizando Newton-Raphson. O método de Newton-Raphson converge se: f ( x) f " ( x) G ' ( x) = < 1 ⇒ f ( x) f " ( x) < ( f ' ( x)) 2 .2 . pode-se considerar x0 = 2 Ex.b ) raiz de f . 2 x + ln x 1 2− x f ( x ) = 2 x + ln x x.Resolução de Equações Algébricas e Transcendentes f ( xk ) f ( xk + 1 ) θ xk + 1 x k +1 xk Convergência: (é trabalhoso mostrar que G' ( x ) < 1 ). 2 ( f ' ( x)) Para raízes simples a convergência é quadrática e para raízes duplas ou triplas é linear. Escolha do ponto inicial: Seja α ∈ ( a .: 1) Estimar o valor da única raiz real de f ( x ) = 2 x + ln x .

p(3) ⋅ p" (3) < 0 e p (4) ⋅ p" (4) > 0 ⇒ x 0 = 4 4 3 2 xk + 2 xk − 7.4] do polinômio dado anteriormente: p( x) = x 4 + 2 x 3 − 7.B.03524990 com 9 dígitos significativos e 5 iterações.Hauser – Cálculo Numérico xk + 1 = x k − x0 = 0 .03524990 x 6 = x5 Obs: Uma aproximação para a raiz é r4 = 3.5 x1 = 0 . 2) Calcular a raiz r4 ∈ [3.426302751 com 9 dígitos significativos corretos.E. oscilando indefinidamente.36397059 x 2 = 3.5 x 2 20 x + 11 . O Método de Newton pode divergir devido ao uso da tangente.42699599 x3 = 0 .03709653 x 4 = 3.08982331 x3 = 3.42 2 xk + ln xk 1 2+ xk x2 = 0 . 20 .03525211 x5 = 3.426302751 x4 = x 3 Logo a aproximação para a raiz é α = 0 .5 x k − 20 x k − 11 = xk − 3 2 4 x k + 6 x k − 15 x k − 20 x k +1 x0 = 4 x1 = 3.

960142348759 x3 = −0. x1 = 1 x1 = −0. 9 São necessárias duas aproximações da raiz a cada iteração.Resolução de Equações Algébricas e Transcendentes Isto acontece quando: i) Não há raiz real Ocorre simetria de f ( x ) em torno de α ii) O valor inicial x0 está longe da raiz exata. substituindo a derivada pelo quociente das diferenças: f ( x k ) − f ( x k −1 ) f ' ( xk ) ≅ x k − x k −1 onde xk e x k −1 são duas aproximações para a raiz de f ( x ) .931787651586 x 4 = −0. A formula iterativa é: ( x k − x k −1 ) ⋅ f ( x k ) f ( x k ) − f ( x k −1 ) Geometricamente. f ( x k )) .4-Método da Secante Uma desvantagem do Método de Newton-Raphson é o calculo do valor numérico de f ' ( x ) a cada iteração. f ( x k −1 )) e ( x k .932114856662 x7 = x6 21 . 2.888888888889 x 2 = −0.932112394706 x5 = −0. Ex: p( x ) = x 3 − 5 x 2 + 17 x + 21 e α ∈ ( −1.93211485688 x6 = −0. a partir das aproximações para a raiz de xk e x k +1 . fazendo que outra parte da função iii) prenda a iteração. x k +1 = Características do método da secante: 9 Garante a convergência para toda função continua 9 Pode divergir se f ( x k ) ≅ f ( x k −1 ) 9 Convergência mais lenta que o Método de Newton e mais rápida que Bissecção e Iteração Linear.0 ) 3 2 ( x k − x k −1 ) ⋅ ( x k − 5 xk + 17 x k + 21) = xk − 3 2 3 2 ( x k − 5 x k + 17 x k + 21) ⋅ ( x k −1 − 5 x k −1 + 17 x k −1 + 21) x k +1 x0 = −1.3. o ponto x k +1 é dado pela abscissa do ponto de intersecção do eixo Ox e da reta secante que passa por ( x k −1 . O método da secante contorna este problema.2 .

5.19728 i) p(x) = x4 + 1.4x8 + 3. supomos que a posição p partícula é dada por: g d ( t ) = vo t − t 2 .1111x2-1. b) Usar o método de Newton-raphson para determinar essa raiz 5) Enumerar.101x +11. todas as raízes dos polinomios tendo como critério de parada DIGSE (xk . xk+1) ≥ 5.98x3 +1.1424x2 +0. 3) A concentração de uma bactéria poluente num lago é descrita por C = 70 e − 1. Determinar todos os valores positivos de t para os quais I = 3.001 g) p(x) = x9.5.162602x .075t Encontrar o tempo para que a concentração seja reduzida para nove.5x4 +77.011x+0. 2 onde g é aceleração da gravidade.37152x2 -0.5x3 . se possível. determinar a multiplicidade da raiz e calcular as demais utilizando deflação. a partir do solo. com uma velocidade inicial vo . Determinar a altura máxima atingida pela partícula e o instante em que ocorreu.Hauser – Cálculo Numérico Exercícios 1) Uma partícula é arremessada verticalmente.3136 4 3 f) p(x) = x -11.2081.15.155x2 +124x -31 c) p(x) = x 4 − 121x 3 + 2247 x 2 − 15043x + 34300 d) p(x) = x 4 − 115x 3 + 1575x 2 − 7625x + 12500 e) p(x) = x 4 − 3x 3 + 3.0. t em segundos.E.02x6 .Desprezando a resistência do ar.64x. separar e calcular (via Newton-Raphson e/ou Bissecção ).5t + 2. No caso de raízes múltiplas.3. com DIGSE(xk . a) Determinar graficamente uma estimativa inicial do tempo necessário para o deslocamento decrescer para 4. x + 0. xk+1) ≥ 5: 22 .15552 h) p(x) = x3 .9x7 +3.0.83536x3 + 0.B.5 e w = 3. 2) Uma corrente oscilante num circuito elétrico é descrita por I = 9e − t sen( 2 π t ) .00174225 6) Localizar graficamente e calcular ( via Newton-Raphson e/ou Método da Iteração Linear) todas as raízes. a) p(x) = x 3 − 2 x 2 + 3x − 5 b) p(x) = x5 .59616x 0.5295x5 . localizar.5e − 0.93x2 +1424. 4) O deslocamento de uma estrutura está definido pela seguinte equação D = 8 e − kt cos wt onde k = 0.84732x4 + 2.37 x 2 − 168 .

2 - Resolução de Equações Algébricas e Transcendentes
a) b) c) d)

f(x) = x2 + ln x f(x) = x + 2 cos x f(x) = 2x + ln x f(x) = cos x + ln x + x
2

e) f(x)= x + e − Bx para B = 1,5,10,25,50

7) Responder resumidamente: a) Em que consiste o princípio da bissecção para determinar a primeira aproximação de uma raiz de uma equação f(x)=0? b) Explicar o método da iteração linear para calcular uma raiz de uma equação f(x)=0, partindo de uma primeira aproximação x0. c) Quando não converge a iteração linear? d) Quando não converge o Método de Newton Raphson? e) Interpretar geometricamente o Método de Newton-Raphson. f) Qual a vantagem de se utilizar o Algoritmo de Horner para se avaliar o valor do polinomio num ponto? Exemplificar.

Respostas:

1) O deslocamento máximo é vo2/2g e ocorreu em t = vo/g. 2) t = 0.06835432097 e t = 0.4013436927

3) t = 1.556787935

23

E.B.Hauser – Cálculo Numérico

4) t = 0 .3151660803 5-a) r+ r3 0 1 0

¢ 0 2

T 3 3

p tem raízes complexas. Existe uma raiz real em (1,2) Raízes: x=1,84373427779 x= 0.07813286110 ± 1.644926378i . b) Raízes: .4555300547, 1.092601944, 1.940878206, 4.011783883, 7.999205912 c) Raízes: R1=100 e R2= 7(multiplicidade 3), não tem raízes complexas. d) Raízes: R1=10 e R2=5(multiplicidade 3), não tem raízes complexas. e) f) g) h) i) Raízes: R1=0.7(multiplicidade 2), R2=0.8(multiplicidade 2) Raízes: R1=0,001 R2=0,1 R3=1 R4=10 Raízes: R1=-0,5(multiplicidade 4), R2=1,2(multiplicidade 5) Raízes: R1= 0.002251681490, R2 = 0.6822607762 , R3= 2081.245488 Raízes: R1=-1,01 R2=-0,75 R3=-0,23 R4=0,01 b) R ≅ -1.029866529 c) R ≅ 0 .42630275100 d) R ≅ .2875182754

6-a) R ≅ .6529186400

e) Existe única raiz de f em (-1,0)

24

3. Sistemas de Equações Lineares
O sistema com n equações lineares e n variáveis

a11 x1 + a12 x 2 + a13 x 3 + L + a1n x n = b1 a 21 x 2 + a 22 x 2 + a 23 x 3 + L + a 2 n x n = b 2 a n1 x1 + a n 2 x 2 + a n3 x 3 + L + a nn x n = b n
pode ser representado matricialmente por AX = B , onde
⎡ a 11 a 12 ⎢ a 21 a 22 A=⎢ ⎢ M M ⎢ ⎣ a n1 a n 2 K K K a 1n ⎤ ⎥ a 2n⎥ , M ⎥ ⎥ a nn ⎦ ⎡ x1⎤ ⎢ ⎥ x2 X =⎢ ⎥ , ⎢M⎥ ⎢ ⎥ ⎣ x n⎦ ⎡ b1 ⎤ ⎢ ⎥ b2 B=⎢ ⎥ ⎢M⎥ ⎢ ⎥ ⎣b n ⎦

M

M

M

M

M

e

A é a matriz dos coeficientes, X é o vetor das incógnitas e B o vetor dos termos independentes.

3.1- Introdução à problemática de sistemas Um SEL pode ser mal condicionado, bem condicionado ou sem solução. Um sistema é “mal condicionado” se uma pequena alteração nos dados pode provocar uma grande alteração na solução. Por exemplo: ⎧ x + 0 ,98 y = 4 ,95 (a) ⎨ ⎩x + y = 5 ⎧ x + 0 ,99 y = 4 ,95 (b) ⎨ ⎩x + y = 5 ⎛ 2 ,5 ⎞ tem solução exata x = ⎜ ⎜ 2 ,5 ⎟ ⎟ ⎝ ⎠ ⎛ 0 ,0 ⎞ tem solução exata x = ⎜ ⎜ 5 ,0 ⎟ ⎟ ⎝ ⎠

Uma alteração de 1% (0,01 no coeficiente 0,98) ocasionou uma alteração de 100% na solução. No caso de um sistema linear de ordem 2, cada equação representa uma reta. Resolver o sistema significa determinar a intersecção das duas retas. Três casos são possíveis:
R1 R1 R2 R2 R1 R2

Bem condicionado det ≠ 0 retas concorrentes

Não tem solução. det = 0 retas paralelas

Mal condicionado det ≅ 0 (perturbação em ℜ 2 )

25

2. 1) e quanto mais afastado de ± 1 (isto é.501 y = 25 .5 x + 7 .09901951359 1 det A = 7 .501 3.Hauser – Cálculo Numérico Exemplo2: ⎧ x + 5 y = 17 (a) ⎨ ⎩1. quanto mais próximo de zero) mais mal ⎛ 1 2) A = ⎜ ⎜ 1. = A=⎜ A ⎜ 1.2-Medidas de Condicionamento O determinante normalizado da matriz dos coeficientes A é dado por det A 2 2 2 NORM A = onde α k = ak + ak + L akn .5 x + 7 .501 ⎟ ⎜ − 1500 1000 ⎟ ⎟ ⎝ ⎝ ⎠ ⎠ A = 9 ..649550985358 0 .E...001 = = 0 .501 − 5 ⋅ 1. Utilizamos A = A ∞ = max ∑ aij . n Quanto maior for Cond ( A ) . como pode ser medido o condicionamento de um sistema linear? Dado um SEL AX = B .0050000128 Agora. o seu número de condicionamento é dado por: Cond ( A ) = A A−1 . 1≤ i ≤ n i = 1 Ex: 5 ⎞ − 5000 ⎞ ⎛ 1 − 1 ⎛ 7501 ⎜ ⎟ .001 .5 7 .5 = 0 .00002563773874 α 1 ⋅ α 2 39 . A − 1 = 12501 Cond ( A ) = A A − 1 = 112521.501⎟ ⎟ ⎝ ⎠ 5 ⎞ α 1 = (1 + 25 ) 2 = 5 .501 y = 25 . .5 7 .501 ) = 7 . n 1 2 α 1α 2 Lα n condicionado é a matriz A.5 ( 2 1 2 2 + 7 .001 norm A = α 2 = 1. mais sensível será o sistema linear.501 ≅ 1 ⋅ 10 5 26 .001 0 .B. Retomando o Ex2: Norm A ∈ (− 1 . a norma do máximo das linhas.503 ⎛2⎞ tem solução exata: x = ⎜ ⎜3⎟ ⎟ ⎝ ⎠ ⎛ 12 ⎞ tem solução: x = ⎜ ⎜1⎟ ⎟ ⎝ ⎠ ⎧ x + 5 y = 17 (b) ⎨ ⎩1. para k = 1.

: Se a ii = 0 é necessário trocar de linha. cnn xn − 1 = (d n −1 − cn −1. se possível.. Algoritmo: para k = 1. Métodos Iterativos: A solução x é obtida como limite de uma seqüência de aproximações sucessivas x1.Triangularização : Mediante operações elementares nas linhas.n − aik m= akk aik = 0 (indica a coluna a transformar da linha i) para j = k + 1. 2º.K .. Método de Eliminação de Gauss Algoritmo básico de Gauss: A solução de AX = B é calculada em duas etapas: 1º.n − 1 (indica a linha do pivô) (indica a linha a transformar de A) para i = k + 1.K . a matriz A é transformada numa matriz triangular superior.n −1 27 .Sistemas de Equaçõe Lineares 3. x2.K . no sistema equivalente: c 11 x 1 + c 12 x 2 + c 13 x 3 + L + c 1n x n = d 1 c 22 x 3 + c 23 x 3 + L + c 2 n x n = d 2 c 33 x 3 + L + c 3n x n = d 3 LLLLLLL c nn x n = d n cuja solução é dada por: xn = d − (c12 x2 + c13 x3 + L + c1n xn ) x1 = 1 a11 Teorema: O método de Gauss produz sempre a solução exata do sistema AX = B (utilizando precisão infinita) se det A ≠ 0 e as linhas de A forem permutadas quando aii = 0 . dn . n a ij = a ij + m ⋅ a kj bi = bi − m ⋅ b k Obs. .Retro-substituição: A triangularização transforma o sistema AX = B .3-Método de Resolução de Sistemas Métodos Diretos: A solução exata é obtida realizando-se um número finito de operações aritméticas em ℜ (com precisão infinita): Eliminação de Gauss e Gauss Jordan.n xn ) . . an −1.

(Obs. erros de arredondamento podem comprometer a solução obtida. supondo aii ≠ 0 .5 o que não 2x + 2 y = 6 ⎩ satisfaz a segunda equação do sistema.Hauser – Cálculo Numérico Quando é utilizada aritmética do ponto flutuante. além de apresentarem relativa insensibilidade ao crescimento dos erros de arredondamento. com arredondamento para número mais próximo de máquina “ox”.−98 .5 . (Obs.0002 x + 2 y = 5 elminação de Gauss aplicada ao sistema ⎨ produz x = 0 e y = 2 .0002 x + 2 y = 5 arredondamento para número mais próximo de máquina “ox”. esparsos (muito elementos aij = 0 ). Métodos Iterativos Os sistemas lineares de grande parte são. o vetor X é isolado mediante a separação de diagonal principal: 28 .98 ) .: Ver exercício 9. a ⎧0 .−98 .: Neste caso o multiplicador é menor m= .K .B. obtemo x = 0 . em geral.n . em F (10 . enquanto que os métodos iterativos sim.3 . Obs. Os métodos diretos não preservam a esparsidade. Ex. Procede-se da mesma forma para os demais pivôs: 3º pivô 1º pivô 2º pivô Aplicando a técnica ao último exemplo 2x + 2 y = 6 ⎧ . No sistema original AX = B .0.3 . com ⎨ ⎩0 . Escolhas dos pivôs: 1º pivô é o elemento de maior valor absoluto da coluna 1.5 e y = 2 .0001) Método de Gauss-Jordan (Matriz Inversa) A solução do SEL AX = B é calculado utilizando X = A −1 B se det A ≠ 0 .000 por L2 = L2 + L1 (m ) ) Gauss com Pivotamento Parcial O método consiste em trocar linhas (ou colunas) de maneira a minimizar a propagação de erros nas operações.98 ) . 2º pivô é o elemento de maior valor absoluto da coluna 2 e da diagonal para baixo.E.: multiplicador m = −10.: Em F (10 .i = 1.

29 .n −1 xn − 1 n2 2 n − an1 x1 Critério de Convergência ) O teorema abaixo estabelece uma condição suficiente para a convergência dos métodos de Gauss-Jacobi e de Gauss-Seidel. o processo iterativo produz aproximações sucessivas X 1 .n −1 xn −1 ) xn = ann Metodo de Gauss-Jacobi Dada a aproximação inicial X0. se a matriz A é Diagonalmente Dominante. obtidas de: (k +1) = x1 1 ⎛ (k ) ⎟ ⎜ b1 − a12 x 2(k ) − a13x 3 − K − a1n x n (k ) ⎞ ⎠ ⎝ a11 1 k +1) b 2 − a 21x1(k ) − a 23x 3(k ) − K − a 2n x n (k ) x( = 2 a 22 M M 1 (k ) (k ) (k ) ⎟ k +1) ⎛ x( = ⎜ b n − a n1x1 − a n 2 x 2 − K − a n .n −1x n −1 ⎞ n ⎠ ⎝ a nn ( ) Método de Gauss-Seidel Para X0 dado: 1 a11 (k + 1) = 1 x2 a22 (k + 1) = 1 x3 a33 M (k + 1) = 1 xn ann (k + 1) = x1 (b − a (b − a (b − a 1 2 3 12 x2 (k ) − a x (k ) − K − a x (k ) 1n n 13 3 ) ) 21 x1 (k + 1) − a x (k ) − K − a x (k ) 23 3 2n n 31 x1 (k + 1) − a x (k + 1) − a x( k ) − K − a x (k ) 3n n 32 2 34 4 M ) (b (k + 1) − a x (k + 1) − K − a (k + 1) n . se a ii > ∑ a ij j ≠i ∀ i .K . K. então tanto o método de Jacobi como o de Gauss-Seidel gera uma seqüência (X (k ) ) convergente para a solução do sistema dado. X 2 . X k .Sistemas de Equaçõe Lineares x1 = 1 (b1 − a12 x2 − a13 x3 − K − a1n xn ) a11 1 (b2 − a21 x1 − a23 x3 − K − a2 n xn ) x2 = a22 M M 1 (bn − an1 x1 − an2 x2 − K − an . independente da escolha da aproximação inicial X (0 ) . Teorema Dado o sistema linear AX = Y . isto é.

5 x1 + 4 x2 − x3 + x3 − x4 + 2 x4 + x4 =− 2 =−3 = 1 = 1.5 =−3 > > > > 2 4 1 2 1 1 + −1 0 .25 x (k ) = −0 .5 − 0 . ⎧ x1 ⎪ ⎪ ⎨ ⎪ 2 x1 ⎪ ⎩0 .Jacobi e Gauss-Seidel.5 x (k ) x3 1 ( −3 + x3 x (k + 1) = 4 (k ) ( ) (k ) = −1.5 x3 ) 2 Aproximação inicial: X (0 ) = 0 .25 x1 4 (k + 1) = 1.5 −1 Como a matriz dos coeficientes .5 − 0 .5 + 0 . Critério de Parada: erro absoluto da solução calculada for menor que 10-3. 30 .5 − 0 . ⎧ 2 x1 ⎪ x ⎪ 1 ⎨ 0 . é diagonalmente dominante. após a reordenação. então a aplicação dos métodos de Gauss-Jacobi e Gauss-Seidel produzirá uma seqüência (X (k ) ) convergente para a solução exata.5 x4 x1 = 2 (k + 1) = x2 ( −2 − x1 (k ) + x4 (k ) ) 4 (k ) + 0 .E.5 Reordenamos a fim de satisfazer ao critério de convergência. Gauss-Jacobi Fórmulas iterativas: (k ) ⎞ ⎛ ⎟ ⎜1 − x 4 ⎠ ( (k ) k + 1) ⎝ = 0 .B.Hauser – Cálculo Numérico Exemplo: Resolver o sistema abaixo por Gauss. 5 x 1 ⎪ ⎪ ⎩ + x4 + 4 x2 + x3 − x3 + 2 x4 − x4 = 1 =− 2 = 1.

96875 -0.999511718 : -1 na 12a.0 -0.0625 1.953125 -0.5 − 0 .984375 -1.0000 -1.0000 -1.984375 0.99806875 -0.9375 1.25 x (k ) x2 4 1 (k + 1) = 1.999755895 -0.0 -1.9960375 -0.9990234375 0.00390625 0.999023437 -1.03125 0.5 1.999908447 : -1 x3 0 1.875 0.75 -0. iteração consegue-se x (12 ) − x 11 Gauss-Seidel Fórmulas iterativas: (k + 1) = 0 .25 0.0000 -0.875 -0.5 1.Sistemas de Equaçõe Lineares k 0 1 2 3 4 5 6 7 8 9 10 11 : 40 x1 0 0.000976563 1.000488281 : 1 < 10 −5 x4 0 -1.000488282 : 1 x2 0 0.0000000 : -1 x3 0 1.984375 1.5 + 0 .00390625 0.998046875 0.03125 1.0000 -0.999877929 : 1 x2 0 -0.5 0.0078125 1.5 -0.875 -10625 -0.5 x (k + 1) x3 1 (k + 1) = −1.999969482 : -1 x (5 ) − x (4 ) < 10 − 5 31 .000976563 -0.998046875 1.984375 0.5 x (k ) x1 4 (k + 1) = −0 .9375 -1.5 -1.9992675781 -0.25 1.00390625 1.5 − 0 .9990234375 1.625 0.994140625 -0.9375 0.5 − 0 .875 1.998046875 -1.5 x (k + 1) x4 3 k 0 1 2 3 4 5 : 12 x1 0 0.03125 0.0078125 0.000488281 1.9921875 -1.25 0.9921875 0.9921875 1.000061035 : 1 x4 0 -0.25 x (k + 1) + 0 .

à direita e abaixo). com fluxo de calor desprezível na direção perpendicular à placa.33 x + 0 . ⎧ x1 + 0 .90 14.. A temperatura num vértice é aproximadamente igual à média dos quatro vértices vizinhos mais próximos (à esquerda.33 x2 + 0 . acima.78 1 2 3 ⎩ a) (#) é bem ou mal condicionado? Porque? O que isso significa? b) Resolver (#) pelo método de Gauss sem pivotamento.. Supomos que a placa da figura represente um seção transversal de uma barra de metal. . 20o 20o 20o 10o 1 10o 1 2 3 40o 4 5 6 40o 20o 20o 20o 2) Num experimento num túnel de vento.2 x = 0 . velocidade 0 2 4 6 8 10 força 0 2..08 . T6. 7 e 9 unidades de velocidade. .Hauser – Cálculo Numérico EXERCÍCIOS 1) Uma consideração importante no estudo da transferência de calor é a de se determinar a distribuição de temperatura numa placa. quando a temperatura nas bordas é conhecida.B.. Sejam T1.5 x1 + 0 .25 x3 = 1. 5.5 x2 + 0 . cuja solução fornece estimativas para as temperaturas T1. T2 . T2 .E. b) Resolver o sistema utilizando o sistema MapleV. 32 .8 39.33 x3 = 1. ⎪0 .83 ⎪ 3) Considere o sistema (#) ⎨0 . T6 as temperaturas nos seis vértices interiores do reticulado da figura..3 119 Expressar a força como função da velocidade aproximando-a a um polinômio de quinto grau: f ( v ) = a o + a 1 v + a 2 v2 + a 3 v3 + a 4 v4 + a 5 v5 Verificar a validade de f (v) encontrada e obter uma estimativa para a força sobre o projétil quando ele estiver se deslocando a uma velocidade de 1. Por exemplo: T1 = ( 10 + 20 + T2 + T4 )/4 ou 4T1 = 10 + 20 + T2 + T4 a) Escrever o sistema de seis equações. 3.6 74.. a força sobre um projétil devido à resistência do ar foi medida para velocidades diferentes.25 x + 0 .

2 x2 + 2. Justificar verificando o que acontece com ⎧x + y = 3 ⎧ x − 3 y = −3 a) ⎨ b) ⎨ ⎩ x − 3 y = −3 ⎩x + y = 3 7) Resolver pelo Método de Gauss-Seidel.9 ⎪ 1 2 3 4 c) ⎨ ⎪0. verificar se a afirmação é Verdadeira ou falsa .1x3 + x4 = 2.4 x + 0.5 x3 − x4 = 9.2 x4 = −3.3 x1 − x2 + x3 + 5. i) Se det A = 0 então o sistema não tem solução .5 x + 4 x − 8. ⎧3 x1 − 5 x2 + 47 x3 + 20 x4 = 18 ⎧8 x1 + 2 x2 + 3 x3 = 30 ⎪11x + 16 x + 17 x + 10 x = 26 ⎪ ⎪ 1 2 3 4 a) ⎨ b) ⎨ x1 − 9 x2 + 2 x3 = 1 ⎪2 x + 3 x + 6 x = 31 ⎪56 x1 + 22 x2 + 11x3 − 18 x4 = 34 2 3 ⎩ 1 ⎪ 17 x 66 x 12 x 7 x 82 + − + = 2 3 4 ⎩ 1 33 . ⎧3 x1 − 5 x2 + 6 x3 + 4 x4 − 2 x5 − 3 x6 + 8 x7 = 47 ⎪ x + x + 9 x + 15 x + x − 9 x + 2 x = 17 2 3 4 5 6 7 ⎪ 1 ⎪2 x1 − x2 + 7 x3 + 5 x4 − x5 + 6 x6 + 11x7 = 24 ⎪ a) ⎨− x1 + x2 + 3 x3 + 2 x4 + 7 x5 − x6 − 2 x7 = 8 ⎪4 x + 3 x + x − 7 x + 2 x + x + x = 13 2 3 4 5 6 7 ⎪ 1 ⎪2 x1 + 9 x2 − 8 x3 + 11x4 − x5 − 4 x6 − x7 = −10 ⎪ ⎩7 x1 + 2 x2 − x3 + 2 x4 + 7 x5 − x6 + 9 x7 = 34 ⎧− x1 + 2x 2 + 42x 3 = 83 ⎪ b) ⎨72x1 − 41x 2 − 14x 3 = 44 ⎪35x + 10x − 5x − = 25 2 3 ⎩ 1 ⎧2 x1 + x2 − 0. Apresentar as fórmulas iterativas e uma garantia de convergência (se possível).5 x = 21.9 6) Referente ao sistema linear AX=B.7 ⎪0.Justificar verificando o que acontece em : ⎧ x1 − x2 + x3 = 5 ⎧ x1 + x2 = 0 ⎪ ⎪ a) ⎨ x1 + x2 = 4 e b) ⎨ x1 − x3 = 0 ⎪− 2 x + x = 2 ⎪x + x = 0 2 3 3 ⎩ ⎩ 2 ii) Se A não é uma matriz Diagonal Dominante então os métodos de Gauss-Jacobi e Gauss-Seidel não geram uma sequência convergente para a solução .9 ⎪ ⎩ x1 + 0.Sistemas de Equaçõe Lineares ⎧ x1 + 1 / 2 x2 + 1 / 3 x3 + 1 / 4 x4 + 1 / 5 x5 = 137 / 60 ⎪ 1 / 2 x1 + 1 / 3 x2 + 1 / 4 x3 + 1 / 5 x4 + 1 / 6 x5 = 87 / 60 ⎪ ⎪ 4) Idem ao 3 para ⎨1 / 3 x1 + 1 / 4 x2 + 1 / 5 x3 + 1 / 6 x4 + 1 / 7 x5 = 459 / 420 ⎪1 / 4 x + 1 / 5 x + 1 / 6 x + 1 / 7 x + 1 / 8 x = 743 / 840 1 2 3 4 5 ⎪ ⎪ 1 / 5 x 1 / 6 x 1 / 7 x 1 / 8 x 1 / 9 x + + + + 1 2 3 4 5 = 1879 / 2520 ⎩ 5) Resolver por Eliminação de Gauss com pivotamento parcial.

25 x = 0. T4 = 120/7.a5}).T5. a4 = -. a5 = .64 1 2 3 ⎩ Respostas: 1) Solução obtida utilizando o MapleV: >solve({4*T1=10+20+T2+T4. T5 = 150/7.14285714. T2 = 21.42857143} 2) Solução utilizando o sistema MapleV: >solve({a0=0.002604166667.6614583333.14285714.15 x + 0.T3. T1 = 17. {a0 = 0.3=a0+a1*8+a2*(8^2)+a3*(8^3)+a4*(8^4)+a5*(8^5).f(2).52 ⎪0. {T6 = 27.6614583333*x^3-. 4*T4=10+T1+T5+20.f(4).24 x3 = 0. 39.T6}).8=a0+a1*4+a2*(4^2)+a3*(4^3)+a4*(4^4)+a5*(4^5).2604166667e-2*x^5. a1 = 1. T5 = 21.a3.2.25⎥ 3 1 0 ⎥ ⎦ 11) Qual o Resíduo produzido pela solução aproximada X’= [ -3 4 0]T de ⎧0. T1 = 120/7. {a0.4*T3=T2+20+40+T6.5 0 ⎤ 0 0 0 ⎥ ⎥ 3 0 3 ⎥ ⎥ 1 9 0.194791667*x^2+. a3 = .a2. 74.14285714.Hauser – Cálculo Numérico ⎧4 x + y 2 + z = 11 ⎪ ⎪ 8) Resolver o sistema de equações algébricas não lineares: ⎨ x + 4 y + z 2 = 18 ⎪ 2 x + y + 4 z = 15 ⎪ ⎩ ⎧2 x1 + x2 + 7 x3 = b1 9) Resolver ⎪ ⎨ x1 + 3 x2 + 2 x3 = b2 para: ⎪5 x + 3 x + 4 x = b 2 3 3 ⎩ 1 a) b1 =16 b2 = -5 b3=11 b) b1 =25 b2 = -11 b3 = -5 c) b1 =3 b2 = 5 b3 = -5 10) Utilizando Eliminação Gaussiana calcular detA.6=a0+a1*6+a2*(6^2)+a3*(6^3)+a4*(6^4)+a5*(6^5).194791667.4*T5=T4+T2+T6+20. T3 = 27. 14.84 ⎪ ⎨0. a2 = -1.14285714.42857143.4*T2=T1+20+T3+T5.36 x2 + 0.B.12 x1 + 0.f(8). ⎡7 0 ⎡− 2 − 3 − 1 − 2⎤ ⎢3 − 2 ⎥ ⎢− 1 0 ⎢ 1 2 − ⎥ a) A = ⎢ b) A = ⎢0 5 ⎢− 3 − 1 − 4 1 ⎥ ⎢ ⎥ ⎢ ⎢0 1 ⎣ − 2 2 − 3 − 1⎦ ⎢ ⎣1 0 8 0. 34 . 4*T6=T5+T3+40+20}.f(6).a4.T4.a1. T4 = 17.07005208333.7005208333e1*x^4+. T2 = 150/7} > evalf(%).f(10)].E. T3 = 190/7.24 x1 + 0.12 x3 = 0.712500000} >f:=x->1.T2. {T1.712500000*x-1. 119=a0+a1*10+a2*(10^2)+a3*(10^3)+a4*(10^4)+a5*(10^5)}.21x + 0. > validade:=[f(0).90=a0+a1*2+a2*4+a3*8+a4*16+a5*32. {T6 = 190/7.16 x2 + 0.

906078]T b) solução exata X = [2 1 4]T 8 .a) detA = -55 b) det A = 706.f(3). estimativas := [1.50981 18.29999994.f(7).376447 -8.930569 1.a)X=[-21.5 1.NORM A ≅ 0. 55.076888 1.soluções exatas: a) X = [3 -4 2]T b) X = [2 -7 4]T c) X = [-3 2 1]T 10 .474477 -1. Uma pequena perturbação nos dados de entrada pode causar uma grande alteração na solução. 39.08498]T b) solução exata X=[1 0 2]T c) solução exata X=[1 2 3 -1]T 6-i) a) detA=0 e o sistema e incompatível b) detA = 0 e o sistema tem infinitas soluções dadas por x=z e y=-z ii) A não é matriz Diagonal Dominante e Gauss-Jacobi e Gauss-Seidel a) converge (oscilando) para a solução exata [1.f(9)]. 7.R = [0. 14.a) X(10) = [-0.86188 11.990028 1.5]T b) diverge 7 .60000000.7475478 -15. 119. a solução exata é X=[1 1 1 1 1 1 1]T 5.46568 2.000181.899999998.Sistemas de Equaçõe Lineares validade := [0.9992188] 3-a) Mal condicionado. 25.0000000] > estimativas:=[f(1). 9 .A solução exata é x =1 y= 2 z = 3.359500 -1.111718750. NORM A ≅ 0.00257.73046873. 2.202343750.25]T 35 . 74.12 0.80000000.f(5).906078]T X(35) = [-1. 94.901519 1.89609367.24 0. b) A solução exata é X=[1 1 1]T 4 .514801 0.875 11 .

xn ] . 4. i = 0 .1. e para os demais pontos do intervalo p( x ) ≅ f ( x ) .2 Existência e Unicidade da Solução Dados xi ∈ ℜ p( xi ) = f ( xi ). e f ( xi ) ∈ ℜ . ∀x ∈ [xo . substituindo a f(x) pelo polinômio interpolador.Interpolação Polinomial 4. • Calcular uma aproximação para f ' ( x) para x ∈ [xo . xn • Determinar aproximações para ∫xo f ( x)dx . 4..1..1 Objetivo: Dado um conjunto de n+1 pontos distintos ( xi . ∀xi ..2 Aplicações • Obter uma expressão analítica aproximada de uma função que é conhecida em apenas um número finito de pontos.n . procuramos n p( x ) ∈ Pn tal que Seja p ( x) = ao + a1x + a2 x 2 + . queremos determinar o polinômio p(x) talque p( xi ) = f ( xi ). substituindo f(x) por p(x)... xn ] .n .. f ( xi )) .4. xn ] .. 36 . + an x n = k =0 ∑ ak x k . • Avaliar a função num ponto não tabelado x* ∈ [xo .. xn ] .. O polinômio p(x) é dito polinômio aproximante ou interpolador de f(x) no intervalo [xo . i = 0 ..

n e a matriz dos coeficientes é dada por: 2 n⎤ ⎡1 x0 x0 .3Polinômio Interpolador de Newton Para Diferenças Finitas Ascendentes Dados (xi .. xn ⎦ ⎣1 x n n −1 ⎡ n ⎤ det A = ∏ ⎢ ∏ ( x j − xi )⎥ ... Portanto o polinômio interpolador existe e também é único. o polinômio interpolador de Newton para diferenças finitas ascendentes é dado por : p( x ) = y o + ( x − xo )( x − x1 )L( x − x n − 1 ) n ( x − xo )( x − x1 ) 2 ( x − xo ) ∆y 0 + ∆ yo + L + ∆ yo 2 h 2! h n! h n 37 . yi = f ( xi ) i=0. .....1. 4.... a diferença finita de ordem k é dada por ∆k yi = ∆k − 1 yi + 1 − ∆k − 1 yi .... ⎥ ⎢.... xi + 1 − xi = h .. x1 ⎥ ⎢1 x1 2 n⎥ ⎢1 x x2 .. ⎥ ⎢ 2 n⎥ xn .... + an xn = f0 f1 .. = xn − xn −1 = h .B... + an x0 = ⎪ 2 n ⎪a0 + a1 x1 + a2 x1 + . n-k . x2 2 ⎥ ⎢ A= .. Para k = 1. ⎢. 2.. 2.2. ... E. . ⎥ ⎢. .. .. .n satisfazendo x1 − x0 = x2 − x1 = . + an x1 = ⎪ ⎨ ⎪.E. ⎪ 2 n ⎪ ⎩a0 + a1 xn + a2 xn + .... .Hauser – Cálculo Numérico Então de p( xi ) = k =0 ∑ ak xik = f ( xi ).. .... k = 0 ..... isto é .. . ... ... e i= 0.. 1... De acordo com Vandermonde. ..n. .. x0 ⎢ 2 n⎥ x1 .. yi ) ... . . n obtemos: 2 n ⎧a0 + a1 x0 + a2 x0 + .. . Como os pontos são ⎥ i =0 ⎢ ⎦ ⎣ j =i +1 distintos. a diferença x j − xi será sempre diferente de zero. . ⎥ ⎢ . ........ fn o qual representa um sistema linear de ordem n+1 onde as n+1 incógnitas são os ak .. . e então detA ≠ 0.

3 -------------------.9999999994 ( ≅ 1 ) p( 4 ) = 2 .1 + (x − 2 )(x − 4 )(x − 6 ) .--------------------------------------.( −2 .5 + (x − 2 )(x − 4 ) .-------------------.1.5 5 6. utilizando o polinômio interpolador de Newton para diferenças finitas. Obteve-se: c arg a( kg ) 2 4 6 8 alongamento( cm ) 1.3 1.5 ) p( 6 ) = 5 e p(8)=6.5 1 -2.0 2 .7 3) Verificação de validade de p(x) : p( 2 ) = 0 . Solução: 1) Tabela das diferenças finitas: i yi xi ∆yi ∆2 yi ∆3 yi 0 1 2 3 2 4 6 8 1 2.016666667 x + 2 .3 4) Estimativa do alongamento ao se aplicar uma carga de 7kg: O alongamento da mola neste caso é aproximadamente p( 7 ) = 5 . 5) Análise gráfica do problema: 38 .2 -------------------1.675 x 2 − 2 .2 ) p( x ) = 1 + 2 3! ( 2 )3 2! ( 2 )2 p( x ) = −0 .5 -1.0 6 .3 Estimar o alongamento para o caso de ser aplicada uma carga de 7kg .-------------------- 2) Polinômio interpolador: (x − 2) .4999999999 ( ≅ 2 .2 2.5 5 .4-Interpolação Polinomial Exemplo1: O alongamento de uma mola foi medido em função da carga aplicada.04583333333 x 3 + 0 .9375 cm.

. e i= 0.. 2. para o caso de n = 4: i 0 xi x0 yi y0 ∆ yi y1 − y0 x1 − x0 y2 − y1 x2 − x1 y3 − y 2 x3 − x 2 y4 − y3 x4 − x3 ∆ yi ∆ y1 − ∆ y0 x2 − x0 2 2 ∆ yi ∆ y1 − ∆ y0 x3 − x0 2 3 3 ∆ yi x4 − x0 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 4 ∆ y1 − ∆ y0 3 1 x1 x2 x3 y1 y2 ∆ y 2 − ∆ y1 x3 − x1 ∆ y2 − ∆ y1 x4 − x1 -------------------------------------------------------------------------------------------------------------------------------------- 2 2 2 ∆ y3 − ∆y2 x4 − x 2 3 y3 y4 4 x4 --------------- ----------------------------------------------------------------------------- Observação: Para h constante .. para k = 1. n qualquer. a relação entre diferenças divididas e finitas é dada por : 1 ∆ k yi = ∆k yi ....E.h Exemplo: x 0 2 3 5 6 f(x) 0 8 27 125 216 ∆ yi 4 19 49 91 ----- ∆ yi 5 10 14 --------- 2 ∆ yi 1 1 ------------- 3 ∆ yi 0 ----------------- 4 39 . 2.B. onde. n-k a diferença dividida de ordem k é dada por ∆ yi = k ∆ k −1 yi + 1 − ∆ k − 1 yi xi + k − xi Por exemplo. 1. . + ( x − xo )( x − x1 ).. k k !. yi = f ( xi ). n.. os pontos xi podem ter um espaçamento O polinômio de Newton para diferenças divididas é dado por: 2 p( x) = yo + ( x − xo )∆ y0 + ( x − xo )( x − x1 ) ∆ yo + .Hauser – Cálculo Numérico 4. .. não necessariamente eqüidistantes.. ..( x − xn −1)∆ n yo . 2.. yi ) ..4 Polinômio Interpolador de Newton Para Diferenças Finitas Divididas Dados (xi . 1. i= 0.

544 .9 104 .114 x 10-5 0.532 4) Estimativa da velocidade do som quando a temperatura da água atinge 100 0 C . é p( 100 ) ≅ 1.00071428 -0.552 + ( x − 86 )( −0.13666902 84 × 10 -6 x 4 − 0 .3 98 .00001289 -0.9 ) (-0.00054794 ) + ( x − 86 )( x − 93.175 x 10-5 ----------------------------3 ∆ y0 -0.532 Solução: 1) Cálculo das diferenças divididas x y ∆ y0 2 ∆ y0 -0.4 ) = 1. encontramos p(x) = 0.4 110 velocidade( m / s ) 1.55199999 .136 x 10 −6 ) Simplificando a expressão .544 1. 0077947032 83 x 2 − 0 . p( 104. 5036369194 3) Verificação da validade de p(x) calculado no item 2: p( 86 ) = 1.538 1.3 )( x − 98.114 x 10 −5 )+ ( x − 86 )( x − 93.3 )( x − 98.3 ) = 1.136 x 10-6 --------------------------------------------------------- 86 93.00003393 0.00107142 --------------- 2) Construção do polinômio: p( x ) = 1. p( 110 ) = 1.544 1.3 98.4 ) (0.00109090 -0.548 .00001289 ) + ( x − 86 )( x − 93.54293925 m/s 6) Análise gráfica do problema: 40 . p( 93.552 1.4 110 1.552 1.537999999 .548 1. 0000534327 9926 x 3 + 0 .548 1.9 ) = 1.9 104.00054794 -0.213 x 10-5 ------------------------------------------4 ∆ y0 0.3 )( −0.538 1.532 -0.9 )( x − 104.4-Interpolação Polinomial Exemplo2: A velocidade do som na água varia com a temperatura conforme tabela: temperatura( oC ) 86 93. p( 98.

( x − xn )* ∆ n + 1 yi .E. p(4) ≅ 75.. c) Verificar a validade do modelo encontrado.ξ ∈ [x0 .6536635972*t^2+10. 1 k !. Resposta: 0 0 0 0 0 ⎤ ⎡1 0 ⎢1 1 1 1 1 1 1 ⎥ ⎢ ⎥ ⎢1 3 3 2 33 34 35 36 ⎥ ⎢ ⎥ V = ⎢1 5 5 2 53 54 55 56 ⎥ ⎢1 7 7 2 7 3 7 4 7 5 7 6 ⎥ ⎢ ⎥ 2 10 3 10 4 10 5 10 6 ⎥ ⎢1 10 10 ⎢1 13 13 2 13 3 13 4 13 5 136 ⎥ ⎣ ⎦ Determinante Normalizado= 0.. É possível estimar a população no décimo quinto ano utilizando o polinômio determinado no ítem b.6 Aplicações utilizando o sistema Maple APLICAÇAO 1 Cinquenta animais de uma espécie ameaçada de extinção foram colocados numa reserva e um controle populacional mostrou os dados: t( anos ) 0 1 3 5 7 10 13 quantidade de animais 50 60 73 77 76 73 69 a) Determinar a matriz de Vandermonde para o problema e determinar o valor do respectivo Número de Condicionamento (Cond e Determinante Normalizado).5 Erro de Truncamento E ( x) = ϕ ( x) (n + 1)! f (n +1) (ξ ).9072675023 x 10 -11 Cond (V)= 39124291.5095984263e-4*t^6-. para h constante.2409954552*t^3. d) Estimar a a população no quarto ano. O que podemos concluir? b) Determinar o polinômio interpolador utilizando todos os dados tabelados.91851648 população máxima ≅ p(5. e) Em que ano essa população animal atingiu seu máximo? Qual a população máxima atingida? f) Plotar num mesmo sistemas de eixos os pontos tabelados e a e o polinômio interpolador determinado no ítem b.11 p(t) = .4187474562e-1*t^4-.( x − xn ) pois ∆ k yi = ∆n + 1 f 0 ( n + 1 )! h n +1 = ( x − x0 )( x − x1 ).Hauser – Cálculo Numérico 4.2488977072e-2*t^5+. xn ] com ϕ ( x ) = ( x − x0 )( x − x1 )..312779138)= 77.h k ∆k f i . 4..B.85522232*t+50.05456458 41 .

no Brasil. elevou-se em 8. a esperança de vida no Brasil de pouco mais que 71 anos ainda é relativamente baixa. enterra-se duas hastes de cobre e aplica-se uma determinada voltagem. mais 16.4-Interpolação Polinomial APLICAÇÃO 2 Para determinar a resistência elétrica de um solo num sistema de aterramento. perfazendo 76. somente por volta de 2040 o Brasil estaria alcançando o patamar de 80 anos de esperança de vida ao nascer.4 anos de vida.8 anos: mais 7. E.4 anos. em média. A esperança de vida ao nascer de 71.3 4 . (Ver www. foram obtidos os seguintes dados: x ( voltagem − volts( V )) 30 35 40 47 50 y ( corrente − ampere( A )) 2 2 . um homem ainda viveria mais 19.5 Estimar a corrente se a voltagem aplicada for de 43A usando o Polinômio Interpolador de Newton. ao completar tal idade.gov.1 anos de vida”. Resposta: p(43) ≅ 3.6 anos. especialmente. enquanto uma mulher teria pela frente mais 22.8 3 .88 APLICAÇÃO 3 “Ao considerar que no Japão a vida média já é superior a 81 anos. considerando as estimativas para 192 países ou áreas no período 2000-2005 (World Population Prospects: The 2002 Revision. 2003). resultando numa corrente elétrica.br em População / Tábuas Completas de Mortalidade).1 anos.5 anos para as mulheres. de acordo com a projeção mais recente da mortalidade. Vinte e três anos mais tarde. a esperança de vida ao nascer que expressa o número médio de anos que se espera viver um recém-nascido (que. um indivíduo na mesma situação alcançaria. Aos 60 anos de idade os diferenciais por sexo já não são tão elevados comparativamente ao momento do nascimento: em 2003.Na tabela acima obtemos informações sobre a esperança de vida às idades exatas.3 anos coloca o Brasil na 86ª posição no ranking da ONU. estivesse exposto aos riscos de morte da tábua de mortalidade em questão 42 .ibge. Numa experiência deste tipo.9 anos para os homens e mais 9. Em 1980. os 80. em média. uma pessoa que completasse 60 anos de idade teria. Entre 1980 e 2003 a esperança de vida ao nascer. ao longo da vida.5 4 .

4 55 . i 14.165308 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢29 ⎢29 49. D)Estimar a expectativa de vida para pessoas com idade em 2003.476507 ⎥ ⎥ 47. ⎡14 ⎡14 63. a tabela é utilizada para determinar.8000000 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢21 ⎢21 56.7236187 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢19 ⎢19 58.br/home/presidencia/noticias/noticia_visualiza. Além dos múltiplos usos.E.6353083 ⎥ ⎥ ⎥ 52.230445 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎢30 ⎢30 48.1523108 ⎥ ⎥ ⎥ 49.1 26. pexpvidah(i)]. 5 26 . o chamado fator previdenciário para o cálculo das aposentadorias das pessoas regidas pelo Regime Geral de Previdência Social.Hauser – Cálculo Numérico http://www.373125 ⎥ ⎥ ⎥ 42..101122 ⎥ ⎥ ⎥ 44.0 22. 5 19 .954138 ⎥ ⎥ 45. em 2003 ) − Homens 0 10 15 20 25 30 50 55 60 65 70 67 .6000001 ⎥ ⎢ ⎢ ⎥ ⎢16 ⎢16 61. idade em 2003 0 10 15 20 25 30 50 55 60 65 70 exp ectativa de vida( anos . 1 A) Determinar o polinômio interpolador utilizando todos os dados tabelados. 2 22 . 6 60 .0 idade em 2003 exp ectativa de vida ( anos . juntamente com outros parâmetros.7625088 ⎥ ⎢ ⎢ ⎥ ⎢20 ⎢20 57.ibge.9129142 ⎥ ⎢ ⎢ ⎥ ⎢24 ⎢24 53.5000000 ⎥ ⎥ 54. mas também pelas demais Ciências Sociais.8368317 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ Estimativas_homens := ⎢ ⎥ Estimativas_mulheres := ⎢ 22 55.7375232 ⎥ ⎥ ⎥ 51. > Estimativas_mulheres:= array( [ seq( [i. pexpvidam(i)].3 30.B. TAREFA: Considerar os resultados de 2003.46550812 ⎤ ⎥ ⎥ 55.30)]).240601 ⎥ ⎥ ⎥ 43.3126236 ⎥ ⎥ ⎥ 48. 9 13 .30)]).6831095 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢18 ⎢18 59.954550 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢25 ⎢25 53.0 48.8 53.1 18.5559710 ⎥ ⎥ 53. 14.gov.6 57.105097 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢28 ⎢28 50. C) Plotar num mesmo sistema de eixos os pontos tabelados e a e o polinômio interpolador determinado no item b.php?id_noticia=266&id_pagina=1). 5 51 .6414611 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢17 ⎢17 60. Sugestão: ?interp B) Verificar a validade do modelo encontrado.050032 ⎥ ⎢ ⎢ ⎥ ⎢27 ⎢27 51. 8 42 ..8740682 ⎢22 ⎢ ⎥ ⎢ ⎢ ⎥ ⎢23 ⎢23 54. > Estimativas_homens:= array( [ seq( [i.300001 ⎥ ⎥ ⎣ ⎣ ⎦ i = = 56.800001 ⎥ ⎥ ⎥ 45.0000001 ⎥ ⎥ ⎥ 50. variando de 14 a 30 anos.8602890 ⎥ ⎥ 51.500001 ⎥ ⎦ 43 . 1 15 . não somente pela Demografia e Previdência Provada.56097596 ⎤ ⎢ ⎢ ⎥ ⎢15 ⎢15 62.640028 ⎥ ⎥ ⎥ 46.em2003 ) − Mulheres 75.2 67.4 15.000000 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢26 ⎢26 52. 0 46 .5 62.

56 85 13. Determinar y(0. de acordo com a altura. A distância apresentada na tabela abaixo é relativa à circunferência. Dalcídio Moraes e Marins.12).Atlas. leite. São Paulo: Ed. Jussara M.) 1. x(m) 0. 15Mw e 15Mw. ALTURA (m) DISTÂNCIA DO ALVO O 1 SALTO (1500) 35 2O SALTO (1250) 25 O 3 SALTO (1000) 15 4O SALTO (750) 10 O 5 SALTO (500) 7 Levando em consideração os dados acima.9 16 28 36. quando se analisou o consumo de combustível de acordo com a velocidade média imposta ao veículo.28 100 12. Verificar o consumo aproximado para o caso de ser desenvolvida a velocidade de 80km/h. Sabe-se que a demanda mínima ocorre entre 1 e 5h e a demanda máxima entre 13 e 17h . saltando de alturas distintas em cada salto. após vários testes. Um paraquedista realizou seis salto. A tabela abaixo dá o volume de água num tanque elástico (usado para transpor-te de óleo.4 15. etc.1052 1.1662 y ( m3 ) 2.1 0.5 43 34 31.9530 8.0042 4.2 14.08 70 13. VELOCIDADE (km/h) CONSUMO (km/l) 55 14. A demanda de energia varia num ciclo de 24h e é uma função dela que o engenheiro operacional distribui as tarefas dos geradores. Claudio.2 3. Pede-se para achar a partir dos dados abaixo essas demandas máximas e mínimas .4-Interpolação Polinomial 4.3 140 10. a que provável distância do alvo cairia o paraquedista se ele saltasse de uma altura de 850m ? 4. Uma hidroelétrica tem capacidade máxima de 60Mw.8221 3. numa distância de 72 km.1 1. em caminhões) para várias cotas de água.1 1.6 2.27 120 11.7 Exercícios (Fonte: Cálculo Numérico Computacional.4 44 . apresentou os resultados abaixo. foi testada a precisão de seus salto em relação a um alvo de raio de 5m. H 2 3 4 5 13 14 15 16 17 Demanda (Mw) 16.6 1. Um veículo de fabricação nacional. a qual é determinada por três geradores de respectivamente 30Mw.1994. Os testes foram realizados em rodovia em operação normal de tráfego.

Numa esfera de superfície conhecida. o coeficiente de absorção 0. 10 3 142.72 . quando para os respectivos pesos foram calculadas as devidas velocidades de propagação que estão indicadas abaixo. Foi calculada a energia irradiada de acordo com o tempo de irradiação.69 7000 14828.5937 6) p(7250) = 15090.46701783 p( 80 ) = 13.13 6500 14288.8632 Mw. Pede-se para calcular a velocidade de propagação quando a corda está tensionada sob a ação de um peso de 7250 gf. 10 3 189. e ocorre entre 3h e 4h da manhã. e ocorre entre 14h e 15h.76 .51 8000 15851. 3) p( 850 ) = 11.Hauser – Cálculo Numérico 5. ENERGIA IRRADIADA (Joules) TEMPO DE IRRADIAÇÃO (s) 3 600 71.87 Respostas 1) p( 0 .7 foi mantido à temperatura de 6000 o K .72 .07 7500 15348.126904937 2) A demanda mínima é 14 .08 .4512685 5) p( 1500 ) = 177618 . 10 3 118.12 ) ≅ 1.44 . Pede-se para obter a possível energia irradiada quando a irradiação atingir o tempo de 25 minutos.4 .B. PESO (gf) VELOCIDADE (cm/s) 6000 13728. 10 94.4128 4) p( 80 ) = 13. 10 3 800 1000 1200 1400 1600 6.101 Mw.E. Uma corda foi tensionada sob a ação de pesos distintos. A demanda máxima é 43. 10 3 165.53234 45 . obedecendo à tabela .

27 1. foram observados os seguintes valores: Pr essão 0. I(d).85 2.91 1.5 1. Para um certo gás.5 3. 1 Determinar I (d) ≅ Y (d) = .28 0.34 0.85 0.5 Volume 2. Ajuste de Funções Aplicação1: Os dados acima tabelados descrevem a intensidade da luz como uma função da distância da fonte. Ad 2 + Bd + C d 30 35 40 45 50 55 60 65 70 75 I 0.52 0.5 2. mantendo-se constante a temperatura.15 1.0 1. o volume de um gás é inversamente proporcional à pressão exercida.0 3.21 0.18 0.60 1.5.0 2.24 0.15 Aplicação 2:Segundo a lei de Boyle.28 1.43 1.04 Ajustar os dados tabelados a uma hipérbole do tipo: Vol(p) ≅ Y ( p ) = A B+ p 46 .0 0.42 0. medida num experimento.67 0.

E. f ( x2 ) + ε 2 .. 5. determinaremos a função que melhor se ajusta aos pontos dados. d) Função Exponencial: Y ( x ) = ab x . Outros tipos de Funções Ajuste: ∆ log yi ≅ cte ∆ log xi • Y( x ) = 1 1 ⇒ = a0 + a1 x . . teremos em geral f ( x1 ) + ε 1 .1. . se p ∆ log yi ≅ cte.1 Introdução O ajustamento é uma técnica de aproximação. se ∆2 yi ≅ cte ou ∆ yi ≅ cte. Por isso .Hauser – Cálculo Numérico 5. f ( xn ) + ε n . Conhecendo-se dados experimentais . é impossível calcular exatamente a função f(x). Devido aos erros experimentais nos n+1 pares. • Calcular os parâmetros da curva. i = 0 . em vez de procurarmos a função f tal que passa por cada um dos pontos experimentais.. ∆xi d) FunçãoPotência: Y ( x ) = ax p . c) Polinômio de grau p: se ∆ p yi ≅ cte ou ∆ yi ≅ cte.. • Determinar o tipo de curva a que se ajustam os valores tabulados (graficamente e/ou cálculo das diferenças finitas ou divididas) .. ( xi .2. ( xi . a0 + a1 x y ∆ (1 / yi ) = ∆ (1 / yi ) ≅ cte. 2 b) Parábola (ajuste quadrático): Y ( x ) = a0 + a1 x + a2 x 2 .n . . Escolha da Função de Ajuste a) Função Linear (regressão linear) : Y ( x ) = a0 + a1 x . O ajustamento traduz um comportamento médio.. deseja-se obter a lei y = f ( x ) relacionando x com y. ∆xi ∆ ( xi / yi ) ≅ cte. isto é . a0 + a1 x y ∆ ( xi / yi ) = • 47 . se ∆yi ≅ cte ou ∆ yi ≅ cte . yi ) .. Para ajustar uma tabela de dados a uma função devemos: • Conhecer a natureza física do problema . ∆ ( xi ) • Y( x ) = x x ⇒ = a0 + a1 x. f ( xi )) .B.

n . é preciso que ∂F ∂F ∂F =0...3 . =0.∀i . =0 ∂a0 ∂a1 ∂a p 48 . Exemplo: Considerando a tabela abaixo.. + a p x p a função de ajustamento. ... Para F ter valor mínimo . Yi − yi = δ i . yi ) ... . 3 i xi f(xi)=yi ∆ yi 0 1 2 3 4 0 2 3 5 6 0 8 27 125 216 4 19 49 91 ----- 2 ∆ yi 5 10 14 --------- 3 ∆ yi 1 1 ------------- 4 ∆ yi 0 ----------------- 5. ln y = ln a + bx + cx 2 .. i = 0 . é adequado o ajuste dos dados abaixo tabelados a um polinômio de grau 3.. como ∆ yi = 1. 2 ∆ ln yi + 1 − ∆ ln yi xi + 2 − xi ≅ cte.Determinação dos Parâmetros da Função de Ajuste CRITÉRIO DOS MINÍMOS QUADRADOS Seja Y = a0 + a1x + a2 x 2 + . Y ∆ (1 / y i ) = 2 ∆ (1 / y i +1 ) − ∆ (1 / y i ) xi + 2 − xi ≅ cte. n ∑ (Yi − yi )2 . a1.5 .1. .Ajuste de Funções • Y( x ) = 1 a0 + a1 x + a2 x 2 ⇒ 1 = a0 + a1 x + a2 x 2 . Dada uma tabela com n+1 pontos (xi . .a p ) = n i =0 i =0 ∑ δ i2 = mínimo . chamamos resíduo a diferença entre o valor de Yi da equação de ajustamento e o valor tabulado de yi . O critério dos mínimos quadrados estabelece que: Seja F (a0 . • Y ( x ) = ae bx + cx .

δa1 i =0 Construímos o sistema de duas equações e duas variáveis: ⎧ n ⎪2 ∑ (a0 + a1xi − yi ) = 0 ⎪ ⎪ i =0 ⎨ ⎪ n ⎪2 ∑ (a0 + a1x1 − yi )xi = 0 ⎪ ⎩ i =0 n n ⎧ n ⎪ ∑ yi = ∑ a0 + ∑ a1xi ⎪ ⎪i =0 i =0 i =0 . Sendo F uma função de duas variáveis.B. ∑ 2(a0 + a1xi − yi )xi = 0 .31 -Ajuste Linear A função de ajuste terá a forma Y ( x ) = a0 + a1 x . = 0 e assim: δa0 δa1 n δF = 0 .E. ⎨ n n ⎪ n 2 ⎪ ∑ xi yi = ∑ a0 xi + ∑ a1xi ⎪ i =0 i =0 ⎩i =0 ou Obtemos: n n ⎧ ⎪(n + 1)a0 + a1 ∑ xi = ∑ yi ⎪ ⎪ i =0 i =0 ⎨ n n n ⎪ 2 ⎪a0 ∑ xi + a1 ∑ xi = ∑ xi yi ⎪ i =0 i =0 ⎩ i =0 Resolvendo-se este último sistema linear são obtidos os valores de a0 e a1 e assim determina-se a função de ajuste : Y = a0 + a1x . 49 .Hauser – Cálculo Numérico 5. ∑ 2(a0 + a1xi − yi ) = 0 e δa0 i =0 n δF = 0 . a0 e a1 . o menor valor de F será obtido δF δF através de : = 0. Pelo critério dos Quadrados é necessário que : n n F = ∑ (Yi − yi )2 = ∑ (a0 + a1xi − yi ) 2 i =0 i =0 Mínimos deve ser mínimo .

2857143 6.071428571 ⎩15a0 + 55a1 = 90 Logo. 50 .071428571x .61734694 0.4285714 --------------- Seja Y ( x) = a0 + a1x a função que ajusta os dados .08163266 0. Y = 2.21428571 5.02040816 0.14285714 4.5 .73469755 0.5 0 3 10 15 22 40 90 xi2 0 1 4 9 16 25 55 Yi (Yi − yi )2 0.32653061 1. achar a equação da reta que se ajusta usando o método dos Mínimos Quadrados.07142857 3. Os parâmetros a0 e a1 constituem a solução do sistema : ∑ yi = (n + 1)a0 + a1∑ xi ∑ xi yi = a0 ∑ xi + a1∑ xi2 ⎧6a0 + 15a1 = 28.Ajuste de Funções Exemplo2 : Dada a tabela . i xi yi xi yi 0 1 2 3 4 5 ∑ 0 1 2 3 4 5 15 2 3 5 5 5.5 ⎧a0 = 2.78571440 2.5 8 28.3571429 7.005102041 0.071428572 ⇒ ⎨ ⇒ ⎨ ⎩a1 = 1.071428571 + 1.

Pelo critério dos Mínimos Quadrados : n i =0 F ( a0 .82 0.88 1.31 0.Hauser – Cálculo Numérico 5.B.201x + 0.88 3.21 -0.07 -0.04 0.25 -0.13 -0.47 3.E.52 0.41 9 3 xi -8 -1 0 1 8 27 27 xi4 16 1 0 1 16 81 115 Exemplo3 : Encontre a expressão do polinômio de 2o grau que se ajusta aos dados da tabela abaixo. os parâmetros a0 .2 .24 4.51 0 0.Ajuste Quadrático Seja Y = a0 + a1 x + a2 x 2 a função de ajuste.88 0.102142857 x + 0.32 ------------------- -0.02 -0.a2 ) = ∑ (Yi − yi )2 = ∑ a0 + a1 xi + a2 xi2 − yi ( i =0 n )2 assume valor mínimo se δF δF δF = = = 0.5 0.51 0.806285714 ⎪19a + 27 a + 115a = 9 1 2 ⎩ 0 51 .06 -0.81 0.48 0.a1 . i 0 1 2 3 4 5 xi yi ∆yi ∆2 yi ∑ -2 -1 0 1 2 3 3 -0. δa0 δa1 δa2 Assim.62 1.25 ---------------------------- ⎧6a0 + 3a1 + 19a2 = 3.48 ⇒ Y ( x) = −0.01 0.5 ⎪ 2 ⎨3a0 + 19a1 + 27 a2 = 3.51 0 0.3.a1 e a2 são obtidos resolvendo: ⎧ ⎪ ⎪ ⎪ ⎨ ⎪ ⎪ ⎪ ⎩ ∑ yi = (n + 1) a0 + a1∑ xi + a2 ∑ xi2 ∑ xi yi = a0 ∑ xi + a1∑ xi2 + a2 ∑ xi3 ∑ xi2 yi = a0 ∑ xi2 + a1∑ xi3 + a2 ∑ xi4 xi yi xi2 4 1 0 1 4 9 19 xi2 yi -0.49 3.

.p(2)...... x ⎥ ⎢ ∑ ∑ ∑ i i ⎦ ⎣ i Exemplo5 – Utilizando o sistema Maple > xv:=[0.5... ⎡a0 ⎤ ⎡∑ yi ⎤ ⎢ ⎥ ⎥ ⎢ ⎢a1 ⎥ ⎢∑ xi yi ⎥ ⎢.. > g:=fit[leastsquare[[x....5. Y = a0 + a1x + a2 x 2 + ... ⎥ ⎢ p ⎥ ⎢a ⎥ xi yi ⎥ ∑ ⎢ ⎦ ⎣ p ⎣ ⎦ > yv:=[p(0).2..... ....... + a p x p ...3..p(3)...x): > plots[display]({plots[pointplot]([0.2.⎥ ⎥ ⎢ p p +1 2p x x .5. ⎥ = ⎢ ⎥ ..{a..... p < n . y=-150..plot(gll(x)..5 .... > gll :=unapply(rhs(g)..b....5...c........p(0)....p(6)...p(5)..y=a*x^3+b*x^2+c*x+d.∑ x 1 ⎥ i i i i ⎥ ⎢ i ⎢.280). y=150.p(8)])...3.8.8]...5.5......3-Ajuste a polinômio de Grau p O ajuste a um polinômio de grau p. exige resolver o sistema linear: ⎡( n + 1 )∑ x ∑ x 2 ∑ x 3 ..........p(8)].thickness=2)}).Ajuste de Funções 5.p(6). 52 ..p(2)..6.. ⎥ ⎢ ⎥ ⎢ ⎢..y v])... x=-. x=-..8.3.. 6..p(3)..plot(gll(x).d}]]([xv.p(5).8.y]..280.∑ x p ⎤ i i i i ⎥ ⎢ + p 2 3 4 ⎢∑ x ∑ x ∑ x ∑ x ...

aplicando log ou ln (escolher a base adequada) ln Y = ln a+{ x ln b { { y a0 xa1 n n ⎧ ⎪( n + 1 ) ln a + ln b xi = ln yi ⎪ ⎪ i =0 i =0 Determinamos a e b resolvendo: ⎨ n n n ⎪ 2 ⎪ln a xi + ln b xi ln yi xi = ⎪ i =0 i =0 ⎩ i =0 a ⎧ ⎪a0 = ln a → a = e 0 Então ⎨ a1 ⎪ ⎩a1 = ln b → b = e ∑ ∑ ∑ ∑ ∑ Exemplo 4: Ajustar os dados abaixo a uma função exponencial do tipo Y = ab x .08303 6.4 -AJUSTE NÃO LINEAR NOS PARÂMETROS: CASOS REDUTÍVEIS AO LINEAR OU PARABÓLICO POR MUDANÇA DE VARIÁVEIS 5.19722 2.0002490 0.96982 4 7.25 9.48491 2.87120 22.5 1 1.3.53415 9 12.5 3 3.0496412 0.958013 33.2228031 5.29583 2.4.98422 4.5 2 2.3378 ∑ xi2 0 0 0.2964477 0.0007656 1.E.4848 16 55.83321 3.0047706 0.25 4.972329 ------------- (Yi − yi ) 2 0.49651 3.8129689 0.964948 16.9754291 8. Linearizamos Y.0903 51 xi ln yi Yi 2.901647 47.2378 12.09861 1.930930 23.25 15.0006025 0.17805 3.5 4 18 yi 3 4 6 9 12 17 24 33 48 ------------- ln yi 1.0017628 0. 53 .25 1.4555298 11.B. i 0 1 2 3 4 5 6 7 8 xi 0 0.Hauser – Cálculo Numérico 5.79176 1 3.1684403 Os gráficos a seguir ilustram o efeito da linearização dos dados.1 – Ajuste por Função Exonencial Seja Y = ab x a função de ajuste.0012286 0.693145 0.38629 1.79176 2.3.

3.680591334) D( seg.0903 ⇒ a0 = 0.98422(2. Linearizando a função Y(x) .Ajuste de Funções ⎧9a0 + 18a1 = 22.002347015 ⇒ a 0 a1 = 1. Exercício : Os dados abaixo dão a duração de uma broca em função da velocidade de corte.813947103e14*1/(x^5.) 79 28 7. V (m / s ) 100 120 150 180 D(v)=0. temos : ln y = ln a + b ln x.3378 ⎨ ⎩18a0 + 51a1 = 55.984218125 Y = 2.4.5 .2 -AJUSTE POR FUNÇÃO POTÊNCIA Seja Y = axb a função de ajuste. Pede-se para fazer uma tabela de D=D(v) para 100 (10) 180.69432 → b = e a1 = 2.00235) x - 5. Resolve-se o sistema de equações lineares e encontra-se a e b: n n ⎧ ⎪ ln y = y1 ( n + 1 ) ln a + b ln xi = ln yi ⎪ ln a = a0 ⎪ i =0 i =0 ⇒ ⎨ n n n b = a1 ⎪ 2 ⎪ln a ln xi + b (ln xi ) = ln xi ln yi ln x = x1 ⎪ i =0 i =0 ⎩ i =0 ∑ ∑ então ∑ ∑ ∑ ln a = a0 ⇒ a = e a0 e b = a1 .093337778 → a = e = 2.9 2.8 - 54 .

temos : a0 + a1 x 5.3 -AJUSTE POR FUNÇÃO HIPERBÓLICA : Y = n n ⎧ ⎪( n + 1 )a0 + a1 ∑ xi = ∑ 1 / yi 1 ⎪ i =0 i =0 = a0 + a1 x ⇒ ⎨ n n n Y ⎪∑ xi a0 + a1 ∑ xi2 = ∑ xi / yi ⎪ i =0 i =0 ⎩i =0 1 .E. Linearizando. Linearizando.B. Linearizando. temos : ⎧( n + 1 )a0 + a1 ∑ xi + a2 ∑ xi2 = ∑ 1 / yi ⎪ 1 ⎪ = a0 + a1 x + a2 x 2 ⇒ ⎨a0 ∑ xi + a1 ∑ xi2 + a2 ∑ xi3 = ∑ xi / yi Y ⎪ a ∑ x 2 + a1 ∑ xi3 + a2 ∑ xi4 = ∑ xi2 / yi ⎪ ⎩ 0 i 3) Y = ae bx + cx y a0 2 2 ln Y = ln a + bx + cx { { 1 4 2 4 3 ⇒ a1 x + a 2 x 2 ⎧( n + 1 ) ln a + b ∑ xi + c ∑ xi2 = ∑ ln yi ⎪ ⎪ 2 3 ⎨ln a ∑ xi + b∑ xi + c ∑ xi = ∑ xi ln yi ⎪ ln a ∑ xi2 + b∑ xi3 + c ∑ xi4 = ∑ xi2 ln yi ⎪ ⎩ ⇒ ⇒ ln a = a0 → ae a0 .3.Hauser – Cálculo Numérico Efeito da linearização dos dadoss 5.3.4 -OUTROS TIPOS DE FUNÇÕES DE AJUSTE x 1) Y = . temos: a0 + a1 x n n ⎧ ⎪( n + 1 )a0 + a1 ∑ xi = ∑ xi / yi x ⎪ i =0 i =0 = a0 + a1 x ⇒ ⎨ n n n Y ⎪∑ xi a0 + a1 ∑ xi2 = ∑ xi2 / yi ⎪ i =0 i =0 ⎩i =0 2) Y = 1 a0 + a1 x + a2 x 2 .4.4. 55 .

1 4.5 . Resposta: a) ∆2 y i = 7.51194762 x 2 + 0.5 3. Utilizar ajuste linear para determinar a frequência esperada na sexta semana. ∀i b) p( x) = 3.2 Resposta: Y2. qual das duas funções Y1 = 2 . semana 1 2 3 4 5 6000 5000 4000 3000 2000 1000 0 0 1 2 3 4 5 6 y = -360x + 5280 R20. b) Ajustar os dados a uma parábola.2 2.037 e0 .3 1 1.558 x e Y2 = 2 .4047619048x + 30. (aproximada à centena mais próxima) está dada na tabela abaixo.332 + 0 .235 x melhor ajusta os dados da tabela? x y -2.14285714 2) Segundo o critério dos Mínimos Quadrados.9818 = frequência 5000 4500 4100 3900 3500 Resposta: Y(x) = 5280 -360x e y(6) = 3120 56 .0123 3) Um filme vem sendo exibido numa determinada sala de cinema por cinco semanas e a frequência semanal. pois ∑ ( Y2i − yi )2 < ∑ ( Y1i − yi )2 ∑ ( Y1i − yi )2 = 0.Ajuste de Funções Exercícios: 1) Considerando: i x y 0 1 34 1 2 45 2 3 63 3 4 88 4 5 6 5 6 7 120 159 205 a) Mostrar que o ajuste por uma parábola é adequado.194 e ∑ ( Y2i − yi )2 = 0.

5 660 y = 15.42694 x e y (7) = 387. p(mm de Hg) 680 96.5 100 99.3 1. Ajuste os dados tabulados a uma curva exponencial da forma y =abx e avaliar y para x=7.49 730 98.1483 × 1. 256 5) Utilizando o critério dos Mínimos Quadrados.B.Hauser – Cálculo Numérico 4) O número de bactérias.48x + 47846 2 R 1= 6000 5000 4000 3000 2000 1000 0 0 7) 200 57 400 600 800 .714285x 6) A tabela abaixo fornece uma relação entre a temperatura da água e a pressão barométrica. Ajustar os dados a um polinômio de σ (kg / cm2 ) 5720 5260 4450 2780 1500 grau 4.73 101 100.5 98 97.33328 + 0. ajustar a uma reta os dados tabulados: xi yi 3 2 5 3 6 4 8 6 9 5 11 8 Resposta: y = -0.92 T( oC ) 690 97.5 99 98.11 720 98.2813 R21 = 680 700 720 740 760 780 800 A tabela abaixo fornece uma relação entre a resistência à tração do aço em função da t (oC ) 250 330 412 485 617 temperatura. x y 0 32 1 47 2 65 3 92 4 5 6 132 190 275 Resposta: y = 32.32 700 97. 7000 y = 2E-06x4 0.88 740 99.8931x + 2 466.E. existente em uma cultura depois de x horas é apresentado pela tabela.5 97 96.0033x . por unidade de volume.71 710 98.476x 0. Ajustar os dados a uma função potência.26 780 100.

entre a roda e o trilho seco.313 0.000 0 20 40 60 80 9) Os dados abaixo relacionam a viscosidade η em função da temperatura t.450 0.300 0. t oC 7.192 0.0007x + 0.215 0.0. 10 20 30 40 60 70 V (km / h) 0 µ 0.150 5 4 3 2 0.409 1.154 Ajustar os dados a um polinômio de grau 5.5 .164 0.400 0.148 1.9 14 15 16 18 21 η 1. com a velocidade. 0.5 10.276 1.619873714 58 .100 y = -9E-10x 2E-07x + 2E-05x .450 0.0196x + 0.250 0.990 Realizar o ajuste sugerido pelo gráfico ao lado.121 1.250 0.200 0.45 0.500 0.069 0.350 0. Resp: η( t ) =-0.Ajuste de Funções 8) Os dados abaixo referem-se a variação do coeficiente de atrito ( µ ) .030772617131t+1.175 1.050 2 R 1= 0.

00459 0.1329810498e-2*d^2-.0034 0.017054(0.00654 0.779411/(2.6161059331) Aplicação2: Y(p) = 5.015619 − 0.2080049421e-1*d+.0026 Respostas: Aplicação1: Y(d)= 1/(.0131 0. 20 40 60 80 100 xi yi 0.B.043906+p) 59 .0001523 x ou Y2 = 0.E.Hauser – Cálculo Numérico 10) Verificar qual das funções Y1 = 0.98028) x melhor se ajusta à tabela dada .

n A integral da função f(x) no intervalo [x0 .. OBS : fm = f é 1 b ∫ f ( x )dx b−aa é o valor médio de f ( x ) em [ a . i = 0. 1. xi +1 − xi = h . Aplicação: Para controlar a poluição térmica de um rio.. n. a temperatura (oF) foi registrada.3 77. f ( b ) > 0 e contínua em [ a . reproduzindo os dados: x( hora ) 9 10 11 12 13 14 15 16 17 y( temperatura ) 75.b ].( x − xn −1 ) n ⎞ ( x − x0 )( x − x1 ) 2 ( x − x0 ) ⎛ ∆y0 + ∆ y0 + .. i = 0.4 81. se f ( a ).5 86.b ] 6. então x= h x0 → R = 0 x0 + Rh → dx = hdr e x = xn → R = n ... 1. onde a função integrando f ( x) ou é conhecida por sua expressão a analítica ou por uma tabela de valores (xi .6 . 60 .1 -Fórmulas de Newton-Cotes x −x Consideremos (xi .1 Encontrar a temperatura média da água entre 9h da manhã e 5h da tarde e estimar o erro cometido nesse cálculo.6 75..1 84. Integração Numérica b Objetivo : Calcular a ∫ f ( x)dx .0 83.. + ∆ y0 ⎟ ∫ ⎜ ⎟ dx ⎜ y0 + 2 h n! h n 2! h ⎠ x0 ⎝ Se R = Assim: x= x − x0 .8 86.... yi = f ( xi ) .... h = n 0 . f ( xi )) . n.1 78. f ( xi )) . xn ] é dada por : xn x0 xn x0 ∫ f ( x )dx ≅ ∫ Pn ( x )dx = = xn ( x − x0 ).

.B.0245 . h = 1 = 0. ou para o intervalo [xi . xi + 1 ] : 2 ⎦ 2 ⎣ x1 1 1 1 + f ( x )dx ≅ h P( R )dR = h ⎡ y dR ∆ y RdR ⎤ 0 0 ⎥ ⎢ x0 0 0 0 ⎦ ⎣ ∫ ∫ ∫ 1 1 = h y0 [ R ]0 + ∆y0 [ R 2 / 2 ]0 = [ ] ∫xi xn xo xi + 1 f ( x )dx ≅ h ∫ i +1 i P( R )dR = h [ yi + yi + 1 ] 2 Generalizamos para n subintervalos: ∫ f ( x )dx ≅ h yo + 2( y1 + y 2 + L + y n −1 ) + y n 2 [ ] Erro de Truncamento(para n subintervalos): ET ≤ h2 ( x n − x0 ) max f ' ' ( x) 12 x∈[ x o .2 – Regra dos Trapézios Considerando n = 1 na fórmula de Newton-Cotes temos : ∫ ∆y ⎤ h ⎡ = h ⎢ y0 + 0 ⎥ = [ y0 + y1 ].. 6.( R − n + 1 ) n ∆ y0 + .( R n 1 ) dR = h ⎢ y0 ∫ dR + ∆y0 ∫ RdR + − + + − − + ⎥ ∫0 ∫0 0 0 2 ! n ! ⎥ ⎢ ⎦ ⎣ Na prática não é usual aproximar f(x) por um polinômio de grau n (elevado) devido ao erro de arredondamento que ocorre no processo.Hauser – Cálculo Numérico ∫x0 xn f ( x )dx ≅ h ∫ P( R )dR = h ∫ ( y0 + R∆y0 + 0 0 n n R( R − 1 ) 2 R( R − 1 ).E. Exemplo1: Determinar h de tal forma que a regra trapezoidal forneça o valor de erro de truncamento menor que 10 −4 .. + ∆ y0 )dR 2! n! ⎤ ⎡ n n ∆2 y0 n ∆n y0 n R ( R 1 ) dR ... x n ] ou ET ≤ ( x n − x0 ) max ∆2 yi 12 Vê-se que a fórmula dos Trapézios é exata para polinômios do 1o grau.. R ( R 1 ).0245 ( 1 − 0 )máx f ' ' ( x ) = 12 12 x ∈ [0 .1] ∫ 1 − x2 e dx com um 0 n = ( xn − x0 ) / h .8 → n = 41 ..02439 41 61 .. n > 40. ( xn − x0 ) / n < 0. ET ≤ h2 h2 ( 2 ) < 10 − 4 ⇒ h < 0. h = ( xn − x0 ) / n .

8 86.4 81.6 -Integração Numérica 6.0 83.6 75. 2. a temperatura (oF) foi registrada. ⎡ ⎤ h 2 2 x2 ∆2 y0 2 ≅ + + − ∆ R ( R 1 ) dR f ( x ) dx h y dR y RdR ⎢ ⎥ = [ y0 + 4 y1 + y 2 ] 0 0 ∫x0 ∫ ∫0 2! ∫0 ⎢ 0 ⎥ 3 ⎣ ⎦ Generalizamos para n subintervalos.Aplicação:.1 84.5 86. x n ] Exercícios 1.3 77. reproduzindo os dados: x( hora ) 9 10 11 12 13 14 15 16 17 y( temperatura ) 75.1 78. usando oito subintervalos. n par: xn xo ∫ f ( x )dx ≅ h yo + 4( y1 + y3 + y5 + L + y n −1 ) + 2( y 2 + y4 + y6 + L + y n − 2 ) + y n 3 [ ] ERRO DE TRUNCAMENTO PARA A FÓRMULA DE SIMPSON ( x − x0 ) h4 ( xn − x0 ) max f ' '' ' ( x ) ou E S ≤ n max ∆4 yi ES ≤ 180 180 x∈[ xo . temos. Estimar a área da região hachurada pela regra dos Trapézios e pela de Simpson.1 Encontrar a temperatura média da água entre 9h da manhã e 5h da tarde e estimar o erro cometido nesse cálculo.Para controlar a poluição térmica de um rio. 62 .3 – Fórmula de Simpson Fazendo n = 2 na fórmula de Newton-Cotes.

1 5. Calcular por Simpson: 1. Comparar os resultados. Estimar as coordenadas-y dos pontos do gráfico e aproximar a área da região fechada usando seis subintervalos 63 . Calcular por Trapézios: e− x ∫ e − x dx 0 2 1 2 a) com h = 0.2 a) ∫ dx ex + x + 1 2 com h =0 . O gráfico da figura foi registrado por um instrumento usado para medir uma quantidade física.E.3 0 2 b) ∫ e − x dx 0 com h = 0.25 π/2 c) ∫x 2 cos xdx com n=0.Hauser – Cálculo Numérico 3.5 b) ∫ e x tgxdx 0 com h=0. seis e dez subintervalos. π /2 0 ∫ sen( 2 cos x ) sen 2 xdx 4.B. Calcular a integral abaixo pela regra dos Trapézios e pela de Simpson. usando quatro.4 0 6.

em engenharia e/ ou física matemática. n 4 6 10 Trapézio 0.481485 0.2 .260052 64 . Trapézios: 1. π ∫ cos( mx − tsenx )dx .496396 0. a) I = 0.110603 5.636571 b) I = 1..6 -Integração Numérica 7) A função de Bessel é solução de uma equação que surge com grande freqüência.658685 b) I = 0.508045 4. por exemplo.58 oF ( por Trapézios) 2.763624 3. Constitui exemplos importantes desta modelagem o estudo da evolução da temperatura e reações químicas em cilindros e esferas.882065 c) I = 0. Ao lado a representação gráfica de J 0 ( t ) Tarefa: Considerar a representação integral da Função de Bessel de primeiro tipo J m( t ) = 1 π 0 Estimar J 0 ( 3 ) com cinco subintervalos e o erro cometido neste cálculo.3 . cilíndricas e esféricas.503836 Simpson 0..512682 0. temperatura média ≅ 81.761237 Simpson: 1. J 0 ( 3 ) = -0. a) I = 0. Respostas: 1. em coordenadas polares. As equações de Bessel surgem quando aplicamos a técnica de separação de variáveis a problemas de valor de contorno.. na resolução das equações diferencias parciais pelo método da separação de variáveis.508646 0. m = 0 .466890 7.1.

. K . y( xn ) = y n . ⎪ ⎪ ⎩ y( xo ) = yo . Por exemplo.n-1 . xi = xo + ih .. A escolha do valor de h é arbitrária e.n-1. Método de Runge-Kutta de 2 a ordem(PVI) : h yi + 1 = yi + (k1 + k 2 ) .....n .n e h = ( x n − xo ) / n . y ) (PVI) ⎨ . onde xi = xo + ih .1. Sejam y ( xi ) ≅ y i .n-1.. z ) ⎪ ⎪ ⎨ z' = g ( x . usando operações algébricas. Mudança de Variável para problemas de valor inicial de segunda ordem: ⎧ ⎪ y' ' = f ( x .7 . yi. y . i= 0. i= 0. z ) Para ⎨ . y . x2 ... Os métodos que estudaremos determinarão estimativas da solução nos pontos xo . em geral. yi ) e k 2 = f ( xi + h . yi ) .. y . z ) ⎪ ⎪ ⎩ y( xo ) = yo .. x1 ... acopladas ⎧ y' = u ⎪ ⎪ pelas condições iniciais: ⎨u' = f ( x ..1. yi+1 = yi + h f (xi. k1 = f ( xi . Os métodos numéricos são processos que fornecem valores aproximados da solução em pontos particulares. zi )..Resolução Numérica de Equações Diferenciais Ordinárias Objetivo: Resolver numericamente(e generalizar para problemas de ordem mais elevada) o problema de valor inicial de primeira ordem ⎧ ⎪ y' = f ( x .. z ) . z( xo ) = z o Para obtermos sua solução é possível aplicar os métodos de Euler e Runge-Kutta de segunda ordem.. zi ) e zi+1 = zi + h g (xi. melhor a estimativa da solução obtida. y . com y( xo ) = yo . yi. y ' ( x ) z o o o ⎩ o Então devemos resolver o sistema de duas equações diferenciais ordinárias. ⎪ = = y ( x ) y .. u( xo ) = z o 65 . 2 Diferenças Finitas(p/diferenças centrais)(PVC): Para i= 1.1.1. yi + hk1 ) . é gerado um sistema de n-1 equações lineares: ⎛ h ⎞ ⎛ h ⎞ 2 2 ⎜ 1 + P( xi ) ⎟ yi + 1 + − 2 + h Q( xi ) yi + ⎜ 1 − P( xi ) ⎟ yi −1 = h f ( xi ) ⎝ 2 ⎠ ⎝ 2 ⎠ ( ) Sistemas de Equações Diferenciais de primeira ordem com condições iniciais ⎧ y' = f ( x .. por Euler as estimativas são obtidas aplicando. fazemos a mudança de varável y' = u . ⎪ = y ( x ) y o o ⎩ e o problema de valor de contorno de segunda ordem.. linear: ⎧ ⎪ y' ' + P( x ) y' +Q( x ) y = f ( x ) (PVC) ⎨ ⎪ ⎩ y( xo ) = yo . quanto menor h . i= 0. Método de Euler(PVI): yi + 1 = yi + hf ( xi . i= 0.

−u . j centrada ∂ 2u xi .j h2 +u i −1 . h y i +1 −y 2h i −1 centrada . i j +1 i j i j −1 centrada k2 Exemplos: 66 . i j +1 i j −1 centrada 2k ∂ 2u xi . + u . u . j − 2u i.t j ∂ x2 ( ) ) u i +1 .Hauser – Cálculo Numérico Derivada Diferença Finita h. k=tamanho do passo na direção x e na direção y (ou t) y − yi i +1 avançada . t j ∂t ( ) u . yi − y i − 1 atrasada h y´( xi ) y´´( xi ) yi + 1 − 2 y i + y i − 1 centrada h2 yi + 2 − 2 y i + 1 + 2 yi − 1 − yi − 2 2h 3 y' ' ' ( xi ) centrada y IV ( xi ) y i + 2 − 4 y i + 1 + 6 y i −4 y i − 1 + y i − 2 centrada h4 ∂u xi . y j ∂ y2 ( − 2u .B.E.

0255 4.8889 3.6489 2. y(0) = 2 yn h = 0.3541 4.4167 3.0 0.4204287 3.2052 2.9 1.9436 4.9829 4.1105 3.6401 2.6492326 2.6310 2.7048 h = 0.1 0.4213987 2.0 2.1483904 3.3595665 4.5 0.8918148 3.3716 3.4194 3.7138 4.2051266 2.7068 4.4221 3.0000 2.6478 2.1487 3.7137527 4.7 -Resolução Numérica de Equações Diferenciais Ordinárias xn h = 0.4155 2.6 0.1474468 3.4216801 3.1289 3.005 2.7183 xn h = 0.7131870 4.6498521 2.05 h = 0.6533 h = 0.2 0.0000000 2.0000 2.0 2.0000 2.2025 2.6499 2.2050000 2.8 0.4221188 3.8903 3.3959 3.0 0.2579 4.0000 2.0000000 2.1487076 3.2 0.7140809 Método de Runge-Kutta de segunda ordem Problema: y' = y – x.3 0.0000000 2.3486 4.6 0.2049 2.8915852 3.2000 2.1487213 3.9 1.3587148 4.8909021 3.6487 3.5937 Método de Euler Problema: y' = y – x.3596 4.1 0.5 0.4221007 3.7115 Solução exata Y(x) = ex + x + 1 2.7102 4.4100 2.1446 3.7 0.0248265 4.05 2.6496963 2.6498588 2.2046 2. y(0) = 2 yn h = 0.7 0.4202 2.4 0.2051691 2.3596031 4.8641 3.4 0.3 0.3561818 4.0000000 2.0000 2.4214028 2.7182818 67 .7115737 4.4210250 2.8918247 3.0227889 4.01 2.3066 4.0167 4.1 0.4214 2.0255115 4.7171911 2.01 2.8775 3.8918 3.6799 3.7137294 4.4213047 2.1467 3.0255409 4.4208 2.2051709 2.0211 4.1 0.8 0.7182369 Solução exata Y(x) = ex + x + 1 2.

5 0.6105 1.1046 1.1 1.8167 2.7 0.4595665 2.1829 2.6 0.1051709 1.2255 2.3498588 1.6487 1.0 0.0115737 2.1436 2.4 0.0131873 2.4918247 1.0000 1.0138 2.4775 1.005 1.3579 2.7115 Solução exata Y(x) = ex 1.7716 1.01 1.8204287 2.0000 1.8194 2.8 0.2167 2.2 0.9799 2.4903 1.2 0.5 0.3496963 1.3492326 1.05 1.7140809 1.05 h = 0.6289 1.2248265 2.B.0102 2.3 0.Hauser – Cálculo Numérico xn h = 0.6446 1.0000 1.2213987 1. y(0) = 1 yn h = 0.6 0.9 1.1049 1.0 68 .4596 2.1025 1.3498521 1.0 0.6487076 1.7 0.4915852 1.6483904 1.8221 2.2214 1.6474468 1.1051266 1.0000000 1.2208 1.2213047 1.3489 1.7182369 Solução exata Y(x) = ex 1.3310 1.7183 0.6467 1.2202 1.4889 1.0000000 1.7048 h = 0.2155 1.8216801 2.5937 Método de Euler Problema: y' = y.2100 1.0000 1.7171911 1.4918 1.1 h = 0.3478 1.0000000 1.4541 2.1050000 1.4641 1.7182818 0. y(0) = 1 yn h = 0.2255115 2.4918148 1.2211 2.9 1.1 0.0000 1.E.2214028 1.0 xn Método de Runge-Kutta de segunda ordem Problema: y' = y.6533 h = 0.3401 1.1 0.0000000 1.4 0.4596031 2.2255409 2.2227889 2.2210250 1.4909021 1.3 0.1051691 1.4066 2.4587148 2.8221007 2.0068 2.1000 1.8 0.0137294 2.9487 2.4561818 2.8221188 2.6487213 1.1052 1.01 1.0137527 2.4486 2.3499 1.7959 1.

0272000 0.0 69 .3994 0.1296000 0.0000000 0. y(0) = 0 xn h = 0.0001 0.0000 0.1764 0.0009 0.0260000 0.05 0.2413250 0.0000000 0.0016040 0.0081090 0.6561000 1.9801 Solução exata Y(x) = x4 0.01 0.0256000 0.3 0.1296360 0.2401490 0.0000000 0.5184 0.0650000 0.8 0.0000 0.0001010 0.0600 0.0000000 0.0090000 0.7 0.4 0.4096 0.0001000 0.0631250 0.9 1.0000000 0.1 0.6 0.6642000 1.1305000 0.0000 0.0002000 0.0004 0.0001250 0.0001 0.0100000 yn h = 0.0017000 0.4096640 0.3600 0.0076 0.2450000 0.0625 0.0196 0.0000 0. y(0) = 1 xn h = 0.0243 0.0081 0.8 0.9025 h = 0.2401000 0.2 0.0 Método de Runge-Kutta de segunda ordem Problema: y' = 4x3.0083250 0.6561 1.0016 0.1 0.05 0.01 0.2333 0.5 0.0256160 0.0016000 0.7 -Resolução Numérica de Equações Diferenciais Ordinárias Método de Euler Problema: y' = 4x3.1253 0.0400 0.0 0.9 1.0001000 Solução exata Y(x) = x4 0.4 0.3136 0.0000 0.0036 0.0081000 0.2401 0.0625250 0.4096000 0.2 0.0056 0.0025000 h = 0.0000 0.1 0.4160000 0.0144 0.3 0.6581250 1.5 0.4112000 0.0900 0.2070 0.5852 0.1332000 0.1 0.6416 0.6561810 1.0625000 0.0000 0.1296 0.0256 0.7 0.0506 0.6 0.1 0.0014 0.8100 yn h = 0.0020000 0.1089 0.

4 ⎧ ⎪ y` = 100 y − 101e x − 100 ⎨ d) ⎪ ⎩ y( 0 ) = 2 .1 . y `( 0 ) = 0 ⎩ h=0. h=0.1 e) ⎨ ⎪ ⎩ y( 1 ) = 0.n = 4 ⎩ y( 0 ) = 4 . X i =1. se: ⎧ y´ = − xy ⎧ ⎨ ⎪ y´ = 3 x 2 + y b) ⎩ y( 0 ) = 1 .4 ⎪ ⎩ y( 0 ) = 1 ⎧ ⎪ y´ = 4 x 3 c) ⎨ .1 . h=0.1 . 5 .n = 8 ⎧ y' ' +( 1 − x ) y' + xy = x d) ⎨ ⎩ y( 0 ) = 0 . X i =1. X i =1.B. h=0. y( 2 ) = 0 ⎧ y' ' +2 y' + y = 5 x b) ⎨ ⎩ y( 0 ) = 4 . y`( 1 ) = −0 . h=0. y( 2 ) = 1 ⎧ ⎪ x 2 y' ' +3 xy' +3 y = 0 c) ⎨ ⎪ ⎩ y( 1 ) = 5 . h=0.5 ⎧ ⎪ y`` −( 1 − y 2 ) y` + y = 0 .1 . y > 0 b) ⎨ ⎪ ⎩ y( 1 ) = 0 ⎧ ⎪ y` = x 2 + 2 y ⎨ c) ⎪ y( 1 ) = 0 . X i =1. y( 1 ) = 0 .E.4 . determinar y(X i ).Utilizando o Método das diferenças finitas. resolver o PVC.3 ⎪ y ( 0 ) = 0 ⎩ 3. X i =0.1.25 .2 a) ⎨ .n = 5 . y( 1 ) = 2 .3 X i =0.1 .Utilizando o Método de Heun (Runge-Kutta de 2ª ordem).5 .n = 10 70 . determinar y( X i ). X i =0. h=0.3 2.Hauser – Cálculo Numérico Exercícios: 1. f) ⎨ ⎪ y ( 0 ) = 0 . h=0. X i =0. ⎧ y' ' +9 y = 0 a) ⎨ . h=0.2 ⎩ . X i =0. .3 ⎧ ⎪ xy`` − y` −8 x 3 y 3 = 0 .75 a) ⎪ ⎩ y( 1 ) = 2 ⎧ ⎪ y` = x + y . se : ⎧ ⎪ y` = − xy − 1 ⎨ . Utilizando o método de Euler.2. e o valor indicado de n.

rigidez k=2.2206 e) y(1. PVC .9801 c) y(0.5149 y8 = 1.4)=0.0 x 107 lb/pol2.5)=0.2660 y1 = 3.1465 y6 = 1. O problema de valor de contorno que rege essa situação física é d 2w q S = x( x − 1 ). • Módulo de elasticidade E=3.8842 y1 = −5 .009 y1 = 0 . amplitude da força L=0.3)=0.8474 y6 = 0 . • Intensidade de carga uniforme q=100 lb/pé.3)= 0.2)=0.3)= 0.6430 y7 = 0 .875 71 .5.4558 c) y(1.2018 b) y(1.1189 b) y(0.3226 d) y5 = 1.3353 y7 = 1. utilizando diferenças finitas. • Esforço nas extremidades S=1000 lb.4)=1.5097 y3 = 0 .5807 y3 = 6 .25.a) y 2 = −2 .a) y(0.75)=1. para massa m=1. 5. estimar o deslocamento para o tempo x=0.9640 y3 = 2 .2167 y 2 = 0 .3308 y4 = −0 .2259 b) y 2 = −0 .0681 3. PVI -Considerar um sistema massa-mola-amortecedor descrito pela equação diferencial ordinária de segunda ordem: m y” + cy’ + ky = L sin x.2064 c) y4 = 1. w(L) =0. w+ 2 EI dx 2 EI Como não ocorre deflexão nas extremidades da viga.9471 y 2 = 2 .4)=0.5. as condições de contorno são w(0) =0. 0 < x < L .5826 y5 = 1.7778 d) y(0. velocidade inicial y’(0) =0. tendo seus extremos apoiados de modo a não sofrer deflexão alguma.7 -Resolução Numérica de Equações Diferenciais Ordinárias 4.3)=-25.7357 y4 = 0 . aproximar a deflexão w(x) da viga a cada 20pol. Utilizando Euler com h=0. 3647 f) y(0.6774 y1 = −0 . com deslocamento inicial y(0)=1.Considerar o problema de deflexão de uma viga de seção transversal retangular sujeita a uma carga uniforme.3991 2. Respostas : 1. 4 • Momento central de Inércia I=625 pol .3356 y3 = −0 .2913 4) y(0.a) y(1.5 .6855 y9 = 1. amortecedor c=0. Considerando: • Comprimento L=120 pol.

Na maioria das situações onde k. parabólicas e hiperbólicas. utilizaremos as equações de Poisson. 3) Construir o sistema de equações lineares usando a discretização dos pontos interiores. Um corpo é isotrópico se a condutividade térmica em cada um de seus pontos é independente da direção do fluxo de calor através do ponto. Em um corpo isotrópico.z).t .y.1. 2) Para os pontos interiores da malha. c e p são funções de (x. c e p são constantes.K) . 72 . z. a condutividade térmica. y ).z).K ) e derivadas parciais de uma função incógnita(variável dependente que queremos determinar) u ≡ u( x. escolher a discretização das derivadas parciais. y.1-Equação Do Potencial ou de Poisson(EDP Elíptica) Consideremos a equação de Poisson: ∂ 2u ∂x 2 ( x. Será adotado um procedimento geral. a temperatura. Para introduzir métodos numéricos de resolução de EDP. ( ) 4) Resolver o sistema de equações lineares(escolher o método masi eficiente). z . f xi . o calor específico e a densidade do corpo no ponto (x. y j e as condicções de contorno. y. a solução dessa equação é obtida utilizando a série de Fourier. t). é obtida resolvendo-se a equação diferencial parcial (EDP) ∂ ⎛ ∂u ⎞ ∂ ⎛ ∂u ⎞ ∂ ⎛ ∂u ⎞ ∂u + ⎜ k ⎟ = cp k ⎟ ⎜k ⎟ + ⎜ ⎜ ⎟ ∂x ⎝ ∂x ⎠ ∂y ⎝ ∂y ⎠ ∂z ⎝ ∂z ⎠ ∂t onde k. essa equação é denominada equação simples tridimensional do calor. y ) + ∂ 2u ∂y 2 ( x . c e p não são constantes ou quando o domínio é irregular. y ) = f ( x . e representam respectivamente.1 -Introdução Equação diferencial parcial (EDP) é a uma equação que envolve duas ou mais variáveis independentes ( x .8 – Resolução Numérica de Equações Diferenciais Parciais 8. y .y. 8. z.t . Quando k. cuja solução forne as aproximações da solução nos pontos interiores da malha. as quais representam protótipos das EDP´s elípticas. e é expressa como ∂ 2u ∂x 2 + ∂ 2u ∂y 2 + ∂ 2u ∂z 2 = cp ∂ u . k ∂t Se o domínio do problema é relativamente simples. u ≡ u(x. do Calor e da Onda. a solução da equação diferencial parcial deve ser obtida por meio de métodos de aproximação. seguindo os passos: 1) Construir uma malha a partir do domínio do problema.

a qual tem uma temperatura uniforme dentro de cada elemento transversal. as restrições são denominadas Condições de limite de Dirichlet.2. Equações desse tipo aparecem durante o estudo de diversos problemas físicos dependentes do tempo. y ) = 0. Essa condição requer que a superfície lateral da barra esteja perfeitamente isolada. Por exemplo. a distribuição de calor para um estado estável em uma região plana.y) em S. ∂t ∂x 2 modela matematicamente o problema físico referente ao fluxo de calor ao longo de uma barra de comprimento l (figura 2). a fronteira da região R ( ver figura 1). dadas por u ( x.t ) = 0 . para todo(x. o estudo da distribuição de calor no estado de equilíbrio em uma região plana requer que f ( x . y ) = g ( x.Equação de Calor ou da Difusão (EDP Parabólica) A equação do calor ou de difusão (que é uma equação diferencial parcial parabólica) ∂u ∂ 2u ( x . y ) + ∂ 2u ∂y 2 ( x.1.t ) + ( x .E. Para se obter uma solução única para equação de Poisson é necessário impor outras restrições. por exemplo. y ). a energia potencial de um ponto em um plano sobre o qual atuam forças gravitacionais e os problemas bidimensionais do estado de equilíbrio que incluem fluidos não comprimíveis. Se a temperatura na região é determinada por sua distribuição no limite da região. Figura2 73 . y ) ≡ 0 que é a equação de Laplace ∂ 2u ∂x 2 ( x. Figura 1 8.Hauser – Cálculo Numérico Nessa equação supomos que a função f descreve os dados do problema em uma região plana R com fronteira S.B. A constante α é determinada pelas propriedades de condução de calor do material de que a barra é feita e é independente da posição da barra.

t ) = ∂ 2u ∂t 2 ( x . t ) de um ponto x no tempo t satisfará a equação diferencial parcial α 2 ∂ 2u ∂x 2 ( x . o deslocamento vertical u ( x . para 0 < x < l . se os efeitos de amortização forem desconsiderados e a amplitude não for muito grande.3.Resolução Numérica de Equações Diferenciais Parciais Um dos conjuntos típicos de restrições para um problema de fluxo de calor desse tipo consiste em especificar a distribuição inicial de calor na barra: u(x. 8.de comprimento l .Equação da Onda (EDP Hiperbólica) Consideremos a equação da Onda unidimensional .1. a barra estiver isolada de modo que não flua calor por suas extremidades. Para impor restrições a esse problema.t ). vamos supor que a posição e a velocidade iniciais da corda sejam dadas por 74 . t ) = 0. t ) = U 1 + U 2 − U1 x. seja esticada entre dois suportes no mesmo nível horizontal(figura 3) Figura 3 Se pusermos a corda em movimento de modo que ela vibre em um plano vertical. 0 < t . e a distribuição de calor se aproxima da distribuição limite de temperatura lim u ( x . Por exemplo. as condições de contorno serão: ∂u ∂u (0. Supomos que uma corda elástica .8 .0)=f(x) e em descrever o comportamento nas extremidades da barra.t ) = U 1 e u( l . t ) = 0 e (l . ∂x ∂x o que resulta em uma temperatura constante na barra como caso limite. A equação diferencial parcial parabólica também é importante para o estudo da difusão dos gases. as condições de contorno têm a forma: u( 0 . l t→ ∞ Se. um exemplo de uma equação diferencial parcial hiperbólica.t ) = U 2 . se as extremidades são mantidas em temperaturas constantes U i e U 2 .

y ) para ( x .. y ) = g( x .1..0 ) = g( x ).m Figura 4 75 . para todo i = 0..t ) = 0 e u( l . y ) / a < x < b .2. u ( x. y ) ⎨ ∂x ∂y ⎪ ⎩ u( x . então existe uma única solução para esse problema de valor de contorno. teremos: u( 0 .. e suas intersecções são os pontos de rede (mesh points).. y ) + 2 ( x . onde S é a fronteira(contorno) do retângulo R = {( x . y = y j grid lines) pelos pontos (x i .. Os outros problemas físicos envolvendo a equação diferencial parcial hiperbólica ocorrem no estudo de vigas vibrantes com uma ou ambas as extremidades clamped e na transmissão de eletricidade em uma linha de transmissão longa onde exista alguma perda de corrente para o solo. y ) ≡ 2 ( x . Utilizaremos uma adaptação do método de Diferenças Finitas .E...1. traçando linhas verticais e horizontais ( x = xi e . Se f e g são contínuas em seus domínios.t ) = 0 . -Método das Diferenças Finitas para Equação Diferencial Parcial Elíptica Consideremos o problema de valor de contorno envolvendo a equação de Poisson (que é uma equação diferencial parcial elíptica) ⎧ 2 ∂ 2u ∂ 2u ⎪∇ u( x .B. h=(b – a)/n . k=(d – c)/m . y ) ∈ S . Em R contruímos uma grade(figura4) .Hauser – Cálculo Numérico ∂u ( x .0) = f ( x) e 8. c < y < d } . para todo j = 0. onde x i = a + ih. y j ). y ) = f ( x .n e y j = c + jk . ∂t Se os pontos extremos forem fixos..

5) 76 .2.1) onde ξ ∈ ( xi −1 . i j 12 ∂x4 12 ∂y4 ( ) ( ) para todo i = 1. y 0 ) e wim = g ( xi . y j − 2u xi . y m )... onde wij é uma aproximação de u ( xi ... y j ) e wnj = g ( x n .m. ( ) ( ) ( ) (2.. k ⎝k⎠ ⎥ ⎢ ⎦ ⎣⎝ ⎠ i = 1. 12 ∂x4 i j (2.. wi 0 = g ( xi .n-1 e com j = 1.. y j ) = (xi .2.n-1 e j = 1.. y j ).1) nos permite expressar a equação de Poisson nos pontos (x i . A utilização dessas formulas na Equação (2.m-1.. (2. y j h2 ) ( ) ( ) − h2 ∂4u (ξ . y j ) − 2u(xi .. y j ) ..2. y j − 2u xi .1.n-1. y j ) = g ( x0 . y m ) = g ( xi . para todo i = 1. j + 1 + wi . y j ) + (xi −1 ..4) w0 j = g ( x0 .2.. y j + xi −1 .η j .2.. y j ) + (xi−1 ..1. y j ) e u ( x n . utilizamos a série Taylor na variável x ao redor de xi para gerar a fórmula das diferenças centrais ∂2u ∂x ( ( xi ... 2 2 12 4 2 4 k ∂y (2. y j h2 = f xi .. Também utilizamos a série de Taylor na variável y ao redor de y j para gerar a fórmula das diferenças centrais ∂2u ∂y u(xi +1 .m-1. y j ) k ∂ u ( − xi .. j −1 = −h 2 f xi . com um erro local de truncamnto da ordem de O(h 2 + k 2 ) : 2 ⎤ ⎡⎛ h ⎞ 2 ⎛h⎞ 2 ⎢⎜ ⎟ + 1⎥ wij − wi +1..2..1 e j = 1..n-1. u ( xi . y j + ( ) ( ) ( ) + u(xi+1 . y j ) = 2 u xi +1 . para todo i = 1.2..3) onde η ∈ ( y j −1 .. para todo j = 0. y j ). isso resulta no método das Diferenças Finitas para a equação de Poisson. m .1.. j + wi −1. com i = 1. y xi . para todo j = 0. y j +1 ). y j .. y j ) k2 ( ) h 2 ∂ 4u k 2 ∂ 4u + ξ . j − ⎜ ⎟ wi ..2.. y j + xi −1 . y j ) . xi +1 ). y 0 ) = g ( xi .. y j ) = g ( x n . n . como u xi +1 ....m. y 0 ) e u ( xi . e as condições de limite como u ( x0 ... y j ). y j ) − 2u(xi .. y m ). y )..Resolução Numérica de Equações Diferenciais Parciais Para cada ponto de rede no interior da quadricula (x i .8 .....η j ). Na forma da equação de diferenças.

poderemos dizer que.n-1 e j = 1.Hauser – Cálculo Numérico A equação em (2.. y ) nos pontos (x i −1 ...5) sempre que for conveniente no sistema dado por (12.2.5). (x i j i +1 . Figura 6 77 . no máximo. y j ). y j ) adjacentes ao ponto de rede do limite. y ) . teremos um sistema linear ( n – 1)(m – 1) x ( n – 1)(m – 1). cujas incógnitas são as aproximações wij a u ( xi . em todos os pontos (xi . Por exemplo.4). (x . com a remarcação se obtém uma quadrícula cujos pontos são mostrados na Figura 12.Ao marcar os pontos desse modo.2. y j ) no interior dos pontos de rede.E. y ) e (x .6. com n = 4 e m = 5. observamos que cada equação contém aproximações em uma região em forma de estrela ao redor de (xi . Isso marca consecutivamente os ponto de rede da esquerda para direita e de cima para baixo.m-1.. 2n – 1. (x . para todo i = 1. y ). se garante que o sistema necessário para determinar wij seja uma matiz de banda com uma largura de banda de. y j ). y j e wl = wij ( ) onde l = i + (m − 1 − j )(n − 1). i j −1 i j +1 Reproduzindo a parte da malha na qual esses pontos estão situados (veja figura.B..4) envolve aproximações a u ( x . Um sistema de marcação desses pontos consiste em utilizar Pl = xi . y j ) . O sistema linear que contém essas incógnitas será expresso mais eficientemente em cálculos matriciais se for introduzida uma remarcação dos pontos interiores da malha. Figura 5 Se utilizarmos a informação das condições de limite (2....

8 - Resolução Numérica de Equações Diferenciais Parciais

Exemplo1
Consideremos o problema da determinação do estado estável da distribuição de calor em uma placa quadrada metálica delgada, com dimensões 0,5 m por 0,5 m. Dois limites adjacentes são mantidos a 0ºC, e o calor nos outros dois limites aumenta linearmente de 0ºC, em um canto, para 100ºC no lugar onde ambos os lados se encontram. Se colocarmos os lados com as condições de limite igual a zero ao longo dos eixos x e y , o problema pode ser expresso como

∂ 2u ∂ 2u ( x , y ) + ( x, y ) = 0, ∂x 2 ∂y 2
para (x , y) no conjunto R = {( x , y ) / 0 < x < 0 ,5 , 0 < y < 0 ,5 }, com as condições de fronteira
u (0 , y)=0, u (x , 0)=0, u (x , 0,5)=200x, u (0,5 , y) = 200y

Consideremos n = m = 4. Assim, com h=k=0.125. Construímos a malha da figura 7:

Figura 7

Utilizandos o método das Diferenças Finitas (2.4) obtemos a equação de diferenças finitas

4wi , j − wi+1, j − wi−1, j − wi , j−i − wi , j+i = 0,
para todo i= 1,2,3 e j=1,2,3 . Para expressar isso em função dos interiores da grade, usamos Pl = xi , y j e wl = wij

(

)

e

wi = u ( Pi ) , e l = i+(m-1-j)(n-1).
78

E.B.Hauser – Cálculo Numérico

Também, a partir das condições de contorno e usando (2.5)

w 1 ,0 = w 2 ,0 = w 3 ,0 = w 0 ,1 = w 0 ,2 = w 0 ,3 = 0 , w 1 ,4 = w 4 ,1 = 25 , w 2 ,4 = w 4 ,2 = 50 , e , w 3 ,4 = w 4 ,3 = 75
Assim, para cada ponto interior da grade, Pi geramos uma equação linear:

P 1 P 2 P 3 P 4 P 5 P 6 P7 P 8 P 9

: 4 w 1 − w 2 − w 4 : 4 w 2 − w 3 − w 1 : 4 w 3 : 4 w 4 : 4 w 5 : 4 w 6 : 4 w 7 : 4 w 8 : 4 w 9 − − − − − − − w 2 w 5 w 6 w 5 w 8 w 9 w 8 − − − − − − − w 6 w 1 w 4 w 3 w 4 w 7 w 6

= − = − = − = − =

w 0 ,3 + w 1 ,4 w 5 = w 2 ,4 w 4 ,3 w 7 = w 2 − w 9 = w 0 ,1 w 5 = w 3 ,0 + w 3 ,4 0 w 0 ,2 w 8 =

w 4 ,2 , + w 1 ,0 , w 2 ,0 , + w 4 ,1 ,

Obtemos um sistema linear cuja a forma matricial é:

Resolvendo o sistema com o sistema de computação algébrica e simbólica Maple , obtemos as temperaturas aproximadas nos pontos interiores da malha.

79

8 - Resolução Numérica de Equações Diferenciais Parciais > A := matrix( [[4,-1,0,-1,0,0,0,0,0],[-1,4,-1,0,-1,0,0,0,0],[0,1,4,0,0,-1,0,0,0],[-1,0,0,4,-1,0,-1,0,0],[0,-1,0,-1,4,-1,0,1,0],[0,0,-1,0,-1,4,0,0,-1],[0,0,0,-1,0,0,4,-1,0],[0,0,0,0,-1,0,1,4,-1],[0,0,0,0,0,-1,0,-1,4]]): > b := vector( [25,50,150,0,0,50,0,0,25]): > linalg[linsolve](A, b);

> W:=evalf(%);

Tabelamos os resultados:

i wi

1 18.75

2 37.50

3 56.25

4 12.5

5 25.00

6 37.50

7 6.25

8 12.50

9 18.75

Assim, para cada i, wi = u ( Pi ) , isto é, wi é uma estimativa da solução em Pi = ( xi , yi ) . Por exemplo, w6 = u( P6 ) = u( 0.375 ,0.25 ) ≅ 37.5

Exemplo2:
Consideremos o modelo para determinar a temperatura de estado estacionário para uma placa quadrada com condições de contorno dadas: ⎧ ∂ 2u ∂ 2u ( x, y ) = 0,0 < x < 2,0 < y < 2 ⎪ 2 ( x, y ) + ∂y 2 ⎪ ∂x ⎪ ⎨u ( 0 , y ) = 0 , u ( 2 , y ) = y( 2 − y ) ⎪ x,0 < x < 1 ⎪ u ( x ,0 ) = 0 , u ( x ,2 ) = ⎧ ⎨ ⎪ ⎩2 − x , 1 ≤ x < 2 ⎩

80

348 2.Hauser – Cálculo Numérico Utilizando diferenças finitas centrais com h=k=2/3.2.110 0 70 8 0 0 0 0 0 0 0 80 ←i 60 50 40 30 20 10 0 y↓ 2) Resolver numericamente equação de calor 81 .211 1.633 7. j + ui .523 0 60 7 0 1.3611111111. u22 = .523 4.t ) = 0 . para i. j + ui .633 0 50 6 0 2.5833333333. u21+u12-4*u22=-14/9}.192 63.368 42. j = 0 Para determinar o valor de u( 2 / 3 .1.4 / 3 ) ≅ u12 .917 1.128 7.993 0 10 2 0 24.B. u11 = . j = ui + 1. 13 7 7 5 { u12 = . { u12 = . j = 0.138 67. u11-4*u12+u22=-2/3. u22 = .u22}). j − 1 − 4ui . 0 < x < 80 .4 / 3 ) ≅ u 22 Utilizando o sistema Maple para resolver o sistema linear tridiagonal: ⎧ − 4u11 + u 21 + u12 = 0 ⎪u11 − 4u 21 + u 22 = −8 / 9 ⎪ ⎨ ⎪u11 − 4u12 + u 22 = −2 / 3 ⎪ ⎩ u 21 + u12 − 4u 22 = −14 / 9 > solve({-4*u11+u21+u12=0. obtemos a equação de diferenças finitas: ui + 1.620 13. u( 2 / 3. j + ui .t ) + ( x .993 63. e u ( 0 .942 4.010 26.348 5.3.E.942 9. u11 = .978 23.660 8. u( 4 / 3. resolver numericamente equação de Laplace ∂ 2u ∂ 2u ( x .068 0 40 5 0 4.u12. j + ui −1. ui .1944444444.835 0 20 3 0 13. y ) = 100 . j −i + ui .978 0 30 4 0 8.{u11.2 / 3 ) ≅ u11. u21 = .4166666667} Exercícios: 1) Com h=k=10. 0 < y < 60 .2 / 3 ) ≅ u 21 e u( 4 / 3.490 38.917 2.010 13.110 1. y ) = 0 .068 13. u21 = } 36 36 12 12 > evalf(%).0 ) = u ( x .u21.368 24. u11-4*u21+u22=-8/9.032 23.60 ) = u ( 80 .009 4.138 46.835 38.660 15. j + i 4 j↓ 6 5 4 3 2 1 0 x→ 0 100 100 100 100 100 100 100 0 1 0 46. j = 1 + ui − 1. ∂x 2 ∂y 2 sujeita às condições u ( x .

01 0 0 0.2460 1. j + 1 = 0 .2324 1.t ) − ( x .25⎜ u ⎟ + − i 1 .2. e as condições iniciais Ajuda: Diferenças finitas para o problema com h=0. j j↓ 6 5 4 3 2 1 0 x→ 0 1 2 3 4 5 6 x 0 0 0 0 0 0 0 0 0 1 0. j + 0 .6791 1.4350 0 0.3559 0. u( x .5189 0.3219 0 0.4365 0 0.7616 0.0000 0.4 0.9511 0.4759 0 0.005 0.1.5 ui .7038 0.5317 0.1886 1. t ) = 0 .9616 0.015 0.3435 1.0369 0.8820 0.5208 0.6366 0.3090 0 0.5969 1.8 .2 0.8602 0.4127 1.6 7 1.9869 0.t ) = 0 .3435 1.8090 4 1.2324 1.0 ) = sen( πx ).02 1 0 0.8602 0.9053 0.8304 0.2460 1.9 ui .8 1 Diferenças finitas para o problema com h=0. j + 0 . ∂t ∂x 2 com as condições de contorno u ( 0 . j ⎠ ⎝ j↓ ←i 0 1 2 3 4 5 6 0 0.05 4 0 0.4004 0.01 ⎞ ⎛ +u ui . 0 < t . t ) = u ( 1.1304 1. j ⎠ ⎝ i +1.0902 0.2958 1.3 9 10 ← i 0.030 0.3369 0 0.3584 1.4 5 1.1⎜ u +u ⎟ i −1.6408 0.9616 0.6366 0. 0 < x < 1.9053 0.2 0.5878 3 1.1304 1.8820 0.8304 0.7616 0.6408 8.Resolução Numérica de Equações Diferenciais Parciais ∂u ∂ 2u ( x .7781 0.5208 0.1 0.6986 0. j i 1 .7781 0.00 x→ 0 ↑ tempo 0.005 ⎞ ⎛ ui .1429 1.03 2 0 0.5189 0 0.3673 0.5878 0.9869 0.5878 0.9 1 tempo 8 0.4 – Bibliografia para EDP`s 82 .0483 0.3934 0.4350 0.3090 2 0.5401 1.3584 1.0483 0.5758 0. j +1 = 0 .4365 0.9511 1.9511 0.0369 0.4647 1.010 0.3559 0 0.9511 0.4004 0 0.7 0. k=0.6986 0.5 6 1.5758 0. k=0.8090 0.4647 1.06 5 0 0.3219 0.7038 0.4759 0. 0 ≤ x ≤ 1.5317 0 0.4809 0 0.3934 0 0.020 0.3369 0.000 ↑ 0.5969 1.025 0. 0 ≤ t .8 0.3673 0 0.4809 0.5878 0 0.6 0.04 3 0 0.1429 1.

Ed. Jussara M. SP. New York. 2003. J. Faires. THOMSON. Equações Diferenciais. Sâo Paulo. SBMAC. K.2. Denis G. Métodos Numéricos. Campinas. Cunha. Vol. --Schleider. Richard L. Michael R. Dalcidio M. 1994. Cullen.. Métodos Numéricos para Equações Diferenciais Parciais. Dexter J. --Zill..sbmac. São Carlos. 2002. SP. Marins. São Paulo. Notas em Matemática Aplicada. (Disponível em http://www.A. M.org. 2003.E.br/boletim/pdf_2003/livro_04_2003. Palgrave Macmillan. SP.pdf) --Stroud. Atlas. Volume 4.”Analise Numérica”.Cristina. Makron Books. 2003. SP.B.Hauser – Cálculo Numérico --Burden. Maria Amélia N. 83 .. SP. Maria Cristina. Douglas.. Booth. --Cunha. Cálculo Numérico Computacional. Ed. --Cláudio. São Paulo. Advanced Engineering Mathematics. Unicamp. 2003.

j • u i. j − u i .7 1. k=tamanho do passo na direção x e na direção y (ou t) Centradas. j = ui + 1. j+1 o • u i−1. j Se β = 1 e k2 = 1 .Equação Diferenças Finitas h.t ) 2 ∂ t ∂x Material Prata Cobre Alumínio Ferro Concreto α >0 1. y ) = 0 ( x.t ) = α ( x .15 0.005 2 ⎛ 2α 2 k ⎞ ⎞ ⎟u +α k⎛ ui . j u • i+ 1. j − i + ui . j u i. j + ui −1. j • u i.5 0.t ) ∂t 2 ∂x 2 2 2 ⎛ β 2k 2 ⎞ ⎞ ⎟u + β k ⎛ +u ui .85 0. j ⎜ i − 1. j + ui + 1. j Onda ∂ 2u ∂ 2u 2 β ( x . j o • u i + 1. j + 1 = ⎜ 1 − +u ⎟ ⎜u ⎜ ⎟ i. j + 1 ui . j + ui . j + i 4 • u i − 1. j − 1 84 . j i 1 . j + 1 = ui −1. com h=k Célula Computacional Laplace ∂ 2u ∂ 2u ( x. j − 1 Calor ∂ 2u progressivas ∂u ( x . j + 1 o • u i − 1. j −1 i . ui . j i 1 . j u • i. j + 1 = 2⎜ 1 − u ⎜ ⎟ − u i . j −1 h2 • u i.t ) = ( x . j • u i + 1. j + − 2 2 ⎠ ⎝ h h ⎝ ⎠ 1 k Converge se < h2 2 centradas u i. y ) + 2 2 ∂x ∂y • u i. j ⎠ 2 ⎟ 2 ⎝ i + 1. j h h ⎝ ⎠ u i.

Duong D. Steven C. 1994. Ana Flora P. MARINS. 4. Cunha. Métodos Numéricos. Walter. Richard G. New York : John Wiley & Sons. 1995. New York. 2. São Paulo : Harbra. HREBICEK. Maria Amélia N. CLÁUDIO. E. 2. K. New Jersey: Prentice Hall.ed. 1993. CA : Brooks/Cole. Gomes. Solving Problems in Scientific Computing Using Maple and Matlab: Berlin. NY : John Wiley & Sons.sbmac.pdf) STROUD. AYYUB. 1984. Vera Lúcia da Rocha. 4. São Carlos. Métodos Numéricos para Equações Diferenciais Parciais. 2002. O’NEIL.. São Paulo : Atlas. Noções de Cálculo Numérico. Richard H. Pacific Grove. 1989. Advanced Engineering Mathematics. Advanced Engineering Mathematics. Cálculo SCHELEIDER. McCUEN. Richard L. Numerical Methods For Engineers. Dalcidio Moraes. DO. BOOTH. 85 . K.PeterV.Bibliografia ATKINSON.ed. Volume 4.. HUMES. SP. Notas em Matemática Aplicada.A. São Paulo : McGraw-Hill. Dexter J. BARROSO.ed. Márcia A. Ed.. Maria Cristina dC. São Paulo: McGrawHill. Applied Mathematics and Modelling for Chemical Engineers. RICE. An Introduction to Numerical Analysis. 1987. RUGGIERO. São Paulo : Thomson. 2003. 2. Unicamp. Leonidas Conceição et al.br/boletim/pdf_2003/livro_04_2003. New York. Análise Numérica. 1995.. de Castro et al. Raymond P. FAIRES. Jiri. New York : John Wiley & Sons. 2003. Erwin. Bilal M. Cálculo Numérico com Aplicações. 1995. M.Cristina. Palgrave Macmillan. GANDER. 2003. Cálculo CUNHA. LOPES.ed. (Disponível em http://www. 1997. CHAPRA.ed.. 2003. KREYSZIG. 1996. BURDEN. CANALE. Advanced Engineering Mathematics. Douglas. numérico: aspectos teóricos e computacionais. SBMAC. SP. Numerical Methods for Engineers with Programming and Software Applications. Boston : McGraw-Hill. J. Maria.org. Jussara Numérico Computacional.. Campinas. Springer-Verlag.

. . n.seja ∆ yi = yi . 2.. máx. . máx f ' ( xk ) ≠ 0 f ' ( xk ) a) Horner: 4) Sistema de n equações lineares: AX=B. 7) Polinômio Interpolador de Newton para Diferenças Finitas Ascendentes: p( x ) = y o + ∆y0 + ( x − x o )( x − x )L ( x − x ) ( x − x o )( x − x ) 2 1 n − 1 ∆n y 1 ∆ y +L+ o o 2 n 2! h n! h Se z = ∆2 yo ∆3 yo ∆n yo ( x − xo ) .. n e k = 1.. M ) ... n . .. 2.a 2 )x + a1 ) x + a0 1 2 3 n −1 2 b) Huat: Se p(0) ≠ 0 e para algum k = 1. n.. 1.. t . 2. n-k . x µ + k +1 k k k + 1 ) = − ⎢0 . ⎞ ⎛ ⎞ ⎛ ⎟ ⎜ ⎟ ⎜ n − i 1 n ⎟ ⎟ 1 ⎜ 1 ⎜ x bi − a ij x j ⎟ x − = = bi − a ij x j a ij x j ⎟ ⎜ ⎜ i k + 1 aii ⎜ i k + 1 aii ⎜ k ⎟ k +1 k ⎟ j =1 j =1 j =i +1 ⎟ ⎜ ⎟ ⎜ j ≠i ⎠ ⎝ ⎠ ⎝ 0 5) Diferenças Finitas Ascendentes: ∀ i= 0. 2. . 1. para k = 1.n-1... p( z ) = yo + z ∆y + z( z − 1 ) . 2. 1. a diferença dividida de ordem k é ..3 + log ⎜ ⎜ ⎥ xk + 1 ⎦ ⎢ ⎝ ⎣ ⎞⎤ ⎟⎥ ⎟⎥ ⎠⎦ 2) Seja p( x ) = a n x n + a n −1 x n −1 + .j = 1. 1b) DIGSE( x .seja ∆ k yi = ∆ k −1 yi +1 − ∆ k −1 yi xi +k − xi ( x − xo ) h ∆0 yi = yi . Para k = 1. n ∑ ∑ ∑ a diferença finita de ordem k é ∆k yi = ∆k −1 yi + 1 − ∆k −1 yi ... X = ⎡ x ⎤ e B = ⎡ b i ⎤ com i.2 .... + − − + L + − L − − z ( z 1 ) ( z ( n 1 )) z ( z 1 )( z 2 ) 0 h n! 3! 2! 8) Polinômio Interpolador de Newton para Diferenças Divididas 2 p( x ) = yo + ( x − xo )∆y + ( x − xo )( x − x ) ∆ yo + ........ 2.+ ( x − xo )( x − x ). k = 0 ... . .. kn k2 k1 4b) A matriz A é Diagonal Dominante se a > ii ∑ n aij ∀ i . então p tem raízes complexas. 6) Diferenças Divididas: ∀ i= 0. F ( β .(x − x )∆ n yo 0 1 1 n−1 86 . n ..Formulário 1a) # F = 2( β − 1 )β ⎡ ⎢ ⎣ ⎡ ⎛ −x x t −1( M − m + 1 )⎤ + 1 .2 . f ( xk ) 3) Método de Newton-Raphson: xk + 1 = xk − . 1. n.Cálculo Numérico .... ⎥ ⎢ ⎥ ⎢ ⎢ ⎦ ⎣ ⎦ ⎣ ⎣ i ⎥ ⎦ 4a) NORM A = det A α 1α 2 Lα n onde α k = a 2 + a 2 + L a 2 . ... 2..1.. com i= 0.( a n x + a n −1 ) x + a n − 2 )x + . Para k = 1.. j = 1. ak ≤ ak −1ak + 1 ... com i= 0. m... . A = ⎡a ij ⎤ .... 2. . + a3 x 3 + a 2 x 2 + a1 x + a0 p( x ) = (((. 2...... .. 2. n. n-k . 2. j =1 j ≠i 4c)Gauss -Jacobi e Gauss -Seidel: ∀ i= 1...

. os parâmetros a 0 ... 180 ⎧ ⎪ y' = f ( x .Cálculo Numérico . i= 1. xn ] xn ET ≈ ( xn − x0 ) max ∆2 yi .. i= 0.. i= 0. yi ) .1. Diferenças Finitas: ⎜ 1 + ⎛ ⎝ h ⎛ h ⎞ ⎞ P( xi ) ⎟ yi + 1 + − 2 + h 2 Q( xi ) yi + ⎜ 1 − P( xi ) ⎟ yi −1 = h 2 f ( xi ) .n ⎛ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ n+1 e p < n . então. i= 0. i = 0.Formulário p 9) Ajustamento a um Polinômio de grau p: Se Y ( x ) = ao + a x + a x 2 + L + a p x é a função que ajusta os pontos 1 2 ( xi .. ⎪ ⎩ y( xo ) = yo ..n e h = ( xn − xo ) / n .. yi ) .n-1.. e 1 ⎛ n+1 ⎜ ⎛ n+1 ⎛ xi ⎞ a ⎞ yi ⎞ ⎜ ⎜ ⎟⎛ ⎟..1. xn 10a) Trapézios: ∫ f ( x )dx ≅ 2 [ yo + 2( y1 + y2 + L + yn −1 ) + yn ] h ou xo ET ≤ h2 ( xn − x0 ) max f'' ( x ) 12 x∈[ xo .n-1. e ⎜ 0⎟ = ⎜ xi ⎜ ⎜ 2 ⎟ ⎟ ⎜ ⎜ ⎟ a ⎜ xi yi xi xi ⎟ ⎝ 1 ⎠ ⎜ ⎝ ⎠ ⎝ ⎠ xi2 ⎜ ⎝ ∑ ∑ ∑ ∑ ∑ ∑ ∑ Y ( x ) = ao + a x + a 2 x 2 1 2 ⎞ ⎞ xi xi ⎟ ⎛ ⎜a o ⎟ 3⎟ ⎜a ⎟ = xi xi2 ⎟ ⎜ 1⎟ ⎟ ⎜ ⎟ 4 3 xi ⎟ ⎜ a ⎟ xi ⎠ ⎝ 2⎠ ∑ ∑ ∑ ⎛ ⎜ ⎜ ⎜ ⎜ ⎝ ⎟ ∑ yi ⎞ ∑ xi yi ⎟ ⎟ 2y ⎟ x ∑ i i⎠ 10) Integração: Para h = ( x n − xo ) / n . 12 10b) Simpson ( n par) : ∫ f ( x )dx ≅ h⎡ y o + 4( y1 + y 3 + y 5 + L + y n −1 ) + 2( y 2 + y 4 + y6 + L + y n − 2 ) + y n ⎤ ⎥ 3⎢ ⎦ ⎣ xo ES ≤ h4 ( x n − x0 ) max f '''' ( x ) 180 x∈[ xo ..1. i= 0. xi = xo + ih e y i = f ( xi ) .x n ] ou ES ≈ ( xn − x0 ) max ∆4 yi . y ( xi ) ≅ y i com xi = xo + ih .. a h 11b) Runge-Kutta de 2 Ordem : y = yi + (k1 + k 2 ) .1.. k1 = f ( xi .n.. yi ) e k 2 = f ( xi + h .n e h = ( xn − xo ) / n . y ) 11) PVI: Sejam ⎨ ⎪ ⎩ y( xo ) = yo y ( xi ) ≅ y i com xi = xo + ih . i = 0 . para ∑ ∑ = n i =0 . y( xn ) = y n . i +1 2 12) PVC: Sejam ⎨ ⎧ ⎪ y' ' + P( x ) y' +Q( x ) y = f ( x ) .1. 11 a)Euler: yi + 1 = yi + hf ( xi .......1........n-1 2 2 ⎝ ⎠ ⎠ ( ) 87 . yi + hk1 ) .. a p constituem a solução de: ⎞ ⎛ ⎛ ⎟⎜ ao ⎟ ⎜ ∑ yi ∑ xip ⎞ ⎟⎜ ⎟ ⎜ ⎜ a1 ⎟ = ⎜ ∑ xi yi ∑ xip +1 ⎟ ⎟⎜ ⎟ ⎜ ⎞ ⎟ ⎟ ⎟ ⎟ M p ⎟ xi y i ⎟ ⎠ ∑ xi ∑ M p xi ∑ xi ∑ xi2 ∑ M p +1 xi ∑ xi2 ∑ xi3 ∑ M p+2 xi ∑ xi3 ∑ xi4 ∑ L L L L M p+3 xi ∑ ∑ ∑ ∑ M M ⎟ ⎜ 2p ⎟ ⎟⎜ a p ⎟ xi ⎠ ⎝ ⎠ ⎜ ⎜ ⎝ ∑ 9a)Ajuste Linear e Quadrático Y ( x ) = a o + a x .. a 1 ..

− 2u . + u i j i −1 .Formulário Derivada Diferença Finita h. h yi + 1 − yi − 1 centrada . k=tamanho do passo na direção x e na direção y (ou t) y´( xi ) y´´( xi ) yi + 1 − yi avançada .t j ∂ x2 ( ) ) u i +1 . −u . y j ∂ y2 ( u . + u . j − 2u . 2h yi − yi − 1 atrasada h yi + 1 − 2 y i + yi − 1 centrada h2 yi + 2 − 2 yi + 1 + 2 yi − 1 − yi − 2 2h 3 y' ' ' ( xi ) centrada y IV ( xi ) yi + 2 − 4 yi + 1 + 6 y i −4 yi − 1 + yi − 2 centrada h4 ∂u xi . i j +1 i j i j −1 centrada 2 k 88 . j centrada h2 ∂ 2u xi .t j ∂t ( ) u .Cálculo Numérico . i j +1 i j −1 centrada 2k ∂ 2u xi .

005 2 ⎛ 2α 2 k ⎞ ⎞ ⎟u +α k⎛ +u u ui . j+1 o • u i−1. j + 1 = ⎜ 1 − ⎜ ⎟ i . j −1 89 . j + − i 1 . j = ui + 1.15 0. j − 1 Calor progressivas ∂ 2u ∂u α ( x . j u • i + 1.t ) ( x . j u o i. j + 1 ∂ 2u ∂x 2 ( x. j ⎠ 2 ⎝ i + 1. j u u • i. j − i + ui . j 2 ⎟ h h ⎠ ⎝ k 1 < Converge se 2 2 h centradas u i.Formulário Equação Diferenças Finitas h. j + i 4 u • i − 1.t ) ( x . j + ui − 1.5 0.t ) = ∂t ∂x 2 Material Prata Cobre Alumínio Ferro Concreto α >0 1. j + 1 = 2⎜ 1 − ⎜ u ⎟ − u i . j • ui.85 0. j Se β =1 e k2 = 1 . j • u i+1. j • u i. j + 1 o • u i − 1.Cálculo Numérico . com h=k Célula Computacional Laplace • u i. j −1 h2 • i.t ) = ∂x 2 ∂t 2 2 2 ⎛ β 2k 2 ⎞ ⎞ ⎟u + β k ⎛ +u u i . y ) + ∂ 2u ∂y 2 ( x. j Onda ∂ 2u ∂ 2u β2 ( x . ui .7 1. j −1 ⎜ ⎟ i. j − u i . j 2 2 ⎝ ⎠ h h ⎝ ⎠ u i. y ) = 0 ui . k=tamanho do passo na direção x e na direção y (ou t) Centradas. j + ui . j i 1 . j • u i + 1. j + 1 = ui − 1. j + ui + 1. j ⎜ i − 1.

3) > Digits := n. avalia expr utilizando aritmética de ponto flutuante com precisão determinada pela variável global Digits. > evalf( Pi). n). O valor "default" de Digits é 10. > cos(75. >arccosh(0). 90 . > cos(75.Aula de Laboratório 1 utilizando Maple Operações. Funções Trigonométricas . > evalf(27^(1/3)). > sqrt (-1). > 7.3). > evalf(ln (7). > 28!. > Pi. Constantes Adição Subtração Multiplicação Divisão Potenciação Valor Absoluto de x Raiz Quadrada de x Raiz n-ésima de x Fatorial de n π Infinito Unidade Imaginária Número de Euler: e Função Exponencial Logaritmo Natural Logaritmo de base b Exemplos Notação + * / ^ abs ( x ) sqrt (x) x^(1/n) n! Pi infinity sqrt(-1) ou I exp(1) ou E exp(x) b^x ln(x) log[b](x) = ln(x)/ln(b). > evalf(arccosh(0)). > ln (7). > 2^12. 21). >exp(3. ajusta para n o número de dígitos utilizados em ponto flutuante. > 39/13. > log[3](10).8). sin(x) cos(x) tan(x) sec(x) csc(x) cot(x) sinh(x) cosh(x) tanh(x) sech(x) csch(x) coth(x) arcsin(x) arccos(x) arctan(x) arcsec(x) arccsc(x) arccot(x) arcsinh(x) arccosh(x) arctanh(x) arcsech(x) arccsch(x) arccoth(x) > 3+5. > evalf( Pi. > exp(1). Hiperbólicas e suas inversas (argumento x em Radianos) > sin(Pi/2).3).). > 27^(1/3). > abs(-7). Alguns Comandos 1) > evalf(expr). > infinity. calcula expr com n dígitos de precisão. > Digits:=15. >sqrt(7835). > sqrt(7835.5*8. >7^x.5). Funções Básicas. > 758-195. 2) > evalf(expr.

6) Para fazer uma atribuição à variável z e posteriormente apagar o conteúdo de z: > z := 7. Armazenar o resultado na ln( 50c / d ) variável v. c) secante hiperbólica de v calculado no item b. > z := 'z'.4) Se usarmos : no final do comando. 8) restart. >z. Analisar os resultados.02 . > unassign ( 'z' ). 31 e 57 dígitos. 3) Calcular 325! pelo Maple e pela sua calculadora.1. c = 10. seno(300) = seno ⎜ ⎟ ⎝ 180 ⎠ a + 5b 3 b) para a = -3. o mesmo é executado. > log[3](10): > %. 29. Comparar os resultados. b = 10. > z :=7. 30. Qual o número de dígitos de 325! ? 27 24 4) O que é maior 22 ou 25 ? 5) É possível calcular 3333333333 3333333333 no Maple? 1) Calcular o valor de : 91 . mostra o conteúdo do último output e %%. > z. 7) O modo texto pode ser obtido clicando em na barra de menu ou # pode ser usado para fazer comentários > # o conteúdo de z também pode ser deletado usando unassign ( 'z' ). porém o resultado não é mostrado. >z. do penúltimo.3 e d = 7. 5) O Maple pode trabalhar com inteiros muito grandes > 253!. 2) O valor de a = e π 163 é um número inteiro? Estimar a com 18. > evalf(%%). %. reinicializa o MAPLE Exercícios: ⎛ 30π ⎞ a) seno(30). O comando length (%) mostra o número de dígitos de 253! > length(%). > z.

50000..d). x=-15. Comentários Define a função de variável x .3*Pi). 1 2 Comandos f:=x->f(x).15. f(x) Plota a função f(x) sendo: x . x= -2. 4) vide exercício 1(página2) 5) > for i from 0 by 2 to 10 do > print(i^2) > od.2).d :parâmetros a serem especificados Plota as funções f(x) e g(x) num mesmo sistema de eixos. > plot(f(x).7).y=c. For i from io by k to in do comandos od. y= -7. > fi. fsolve(f(x)=0.variável io . 100000.. > else > print(a). Para opções utilizar o Help: < ?solve < ?fsolve Comando de repetição onde: i .035 log 10 Re λ − 0. 1000000. onde Re é o número de Reynolds. segundo Maubach. 92 Comando de teste (condicional) . f (4).. Para opções utilizar o Help: < ?plot Calcula as raizes da equação f(x)=0.b. solve(f(x)=0. > if a<0 then > print(-a). plot(f(x). Aplicação: O fator de atrito λ para um duto retangular ... > f (Pi).parâmetro na vertical(opcional) a. Determinar λ para os λ ( ) seguintes valores de Re : 10000. 20000.. 3) > plot({x^2-5*x.b.x= a..g(x)}. 5 6 if condição then comando1 else comando2 fi..valor final k .. x=a .variável y .y=c.. sqrt(x+1)}.c.7. x).989 .valor inicial in .b). 6) > a:=-23. y=-2.passo 3 4 plot({f(x).x= a. 2) >plot(f(x). é dado por: 1 = 2. x=-3*Pi. fsolve(f(x)=0. Exemplos 1) >f:=x->sin(x/2).b. x).d).Aula de Laboratório2 utilizando Maple Objetivos : Localizar as raízes da equação f(x)=0(algébrica ou transcendente) e calculá-las utilizando comandos do Maple e o método da Bissecção.

f(xm). > evalf(%). ii) Utilizando 5 e 6. ⎢ ⎢ ⎣ > od.x=-9. b]. b.Exercícios: i) Localizar graficamente as raizes de f(x)=0 ii) Calculá-las utilizando os comandos dados em 4.. > fsolve(f(x)=0. implementar o Método da Bissecção para calcular a menor raiz real positiva de f(x) = 0 em [a . Critério de Parada: mínimo 10 bissecções. > fsolve(f(x)=0. ⎡ > for i from 0 to 10 do ⎢ a. 2) ln(x+11) -2x = 0 3) x 3 − 5 . ⎢> ⎢> fi... y=-5. Para xm=(a+b)/2. a cada bissecção imprimir: a. evalf(f(xm)). 5]: [> a:=4.. b:=5. > fsolve(f(x)=0.x=13. b. Vamos implementar o método da bisseção para calcular a raiz que está no intervalo [4 . xm := evalf((a + b)/2).5. 1/x`). xm. > fsolve(f(x)=0.-7). Neste caso vemos que existem infinitas raizes.15).62875 = 0 93 .1/x}.5*Pi.x=4.. x=-7*Pi.875 x 2 − 40 . x=-20*Pi. Obs: Não foi considerado o caso f(xm)=0.20*Pi). ⎢ ⎢> if evalf((f(a ) * f(xm))) > 0 then a := xm.x). > plot(f(x).x). 1) xcos(x)-1=0 Solução: > f:=x->x*cos(x)-1. title=` cos(x) .5).. >solve(f(x)=0. ⎢ else b := xm. > plot({cos(x).135 x − 25 .

a2 = 0.g(x)}. utilizam-se estimativas para as relações P-V-T.057 e a3=-0. Exemplos ou 1) Raiz de multiplicidade par > p1:=x->5*x^4-12.parâmetro na vertical(opcional) a. PV = nRT é um conceito conhecido.x=-3.31250*x+33.d :parâmetros a serem especificados Plota as funções f(x) e g(x) num mesmo sistema de eixos. y=c.x= a.057V + 0.x).0375*x^2+32.d). Comentários Define a função de variável x . 94 . a1=-1.082l-atm/Kg.x$4).mol e substituindo esses dados em (2) . 4 fsolve(p(x)=0.06.03V 3 + 1.x) 6 subs(x=a.x.x.d).b.50*x^3-18. x. f(x) Plota a função f(x) sendo: x .082x 293 = = 0. o volume V é obtido de : 25V 4 + 24. P 25 Comandos 1 f:=x->f(x).06V 2 − 0.961 .x.x).Aula de Laboratório3 utilizando Maple Objetivo: Enumerar.4). Considerando a pressão P=25 atm . diff(f(x). > fsolve(p1(x)=0. localizar e calcular as raízes de polinômios.. diff(f(x). Para opções utilizar o Help: < ?plot Encontra todas as raízes do polinômio p(x) Determina a derivada de f(x) Determina a derivada de quarta ordem de f(x) substitui x por a na expressão expr 3 plot({f(x)..00011.b. > plot(p1(x).b.complex).0. A equação de Beattie-Bridgeman é um exemplo: a a RT a1 P= + + 2 + 3 (1) V V 2 V3 V 4 e pode ser reescrita como um polinômio de quarto grau: PV 4 + RTV 3 − a1V 2 − a 2 V − a = 0 (2) 3 Para um gás particular.x= a.411125.variável y . a temperatura é T = 293oK e R = 0. Geralmente. y=c. 5 diff(f(x).. expr). Analisar o comportamento gráfico( raízes reais de multiplicidade par e ímpar. 2 plot(f(x). por ex).00011 = 0 (3) Determinar V utlizando o método de Newton-Raphson com V0= RT 0...c. Utilizar método de NewtonRaphson para cálculo das raízes da equação f(x)=0(algébrica ou transcendente) Aplicação: A lei para um gás ideal.

> abs(x[5]-x[6]).3*Pi). > for i from 0 to 5 do x[i+1]:=evalf(x[i]-(f(x[i])/subs(x=x[i].8*x^2+8. x=-5.x).x.. > fsolve(p4(x). 6) Método de Newton-Raphson >f := x ->cosh(x)*cos(x)-1. x^2+x+1 ). > fsolve(p4(x)=0. > x[0]:=4. complex).x).2*x+15.x).x=-2. > fsolve(p3(x)=0.. > diff(x^7. x=-3*Pi.y=-5.2) Raiz de multiplicidade ímpar > p2:=x-> 2*x^4+6.3. > plot(p4(x). > plot({cos(x).diff(f(x).. > diff(x^7.x)))) od. > p4:=x-> x^4-2*x^3+11*x^2-18*x+18. > fsolve(p3(x).x. 5) > diff(x^7.1690. > abs(x[5]-x[6]). > Digits:=20. > plot(p2(x).30). 3) Raizes complexas > p3:=x-> x^3-2.x$3). 4) > subs( x=2..10).5).6.. > fsolve(p2(x)=0. > plot(p3(x).x=-3.5. 1/cosh(x)}.756*x-85.x.x). 95 .56*x^2-86.5). x=-10. complex)..x). > plot(f(x).8*x^3-16.

{y. matrix(m . Aplica o método de Gauss-Jordan Encontra a matriz inversa de M. > solve({3*x+2*y-5*z=8. 1) Sistema Linear Compatível Determinado (possui soluções) > solve({2*x+3*y=18.m.2+2*x-2*y.. [x1. evalm(expressão matricial).. n.5.{z. Determina a matriz transposta de M. 1.. . transpose(M). inverse(M).Aula de Laboratório4 utilizando Maple Objetivos : Resolver sistemas de equações lineares utilizando diversas opções de comandos do Maple. with(linalg).-x+2*y+z=2. quando possível. (25-3*x)/4}.3*x+4*y=25}.v). linsolve(A.-x+2*y+3*z=4}. axes=box).x12.. with(plots)...xmn. Carrega a biblioteca de álgebra linear do Maple V.. x2. > with(linalg).xmn]). var). Comentários Cria uma matriz cujos os elementos estão definidos..x}).. 96 .n) augment( M1.(4+x-2*y)/3}. [x11. Para opções vide help. Cria um vetor de n elementos x1.. obtemos: ⎧ VA VA − VB VA −10 + =0 ⎪ 8 + 1 5 ⎪ ⎪ VB − VA VB −10 VB − 8 VB − VC VB − 2 VB − 0 + + + + + =0 ⎨ 1 5 8 1 5 8 ⎪ ⎪ VC − 8 VC − VB VC − 2 + =0 ⎪ 8 + 1 5 ⎩ ⎧I1 = VA − VB Aplicando a Lei de Ohm: ⎨ ⎩I 2 = VC − VB . Comandos 1 2 3 4 5 6 7 8 9 10 11 12 12 array (1. xn. x=0.y.. M2). Aplicação: Equacionado o circuito resistivo mostrado na figura acima pelo método dos nós.Vide help para opções Cria uma nova matriz colocando M1 à esquerda da M2 .. gaussjord(M). As matrizes devem ter o mesmo número de linhas.5. Resolve simbolicamente equações eqn para variável var..6). solve(eqn. A&*S..x}). x=0. . xn]). Avalia uma expressão contendo matrizes. Calcula um vetor x que satisfaça a equação Ax=v Cria uma matriz com m linhas e n colunas com elementos x11... > plot({(18-2*x)/3.y=0. Analisar graficamente a solução . > plot3d({(8-3*x-2*y)/(-5). vector(n. . Determinar I1 e I2. no plano e no espaço.. Carrega o package gráfico Expressa multiplicação de matrizes (não comutativa) Exemplos : > with(plots)..

2+2*x-2*y.-. 4) Resolver o sistema e calcular o resíduo produzido pela solução encontrada: ⎧2 x 1 + x 2 − 0. > Resíduo := evalm(F-F1).2. > F1 :=evalm(A&*S).21. (100-4*x)/2}.{y. x-y+z*t=3 ). [3.9 ⎨ ⎪0. [. [. > plot3d({(-3*x-y)/2.7 ⎪ ⎪0.2].4. x+y=-5}.4*x+2*y=100}.. > solve({3*x+y+2*z=0.1.(9*x+3*y)/(-6)}.5. ⎧2 x 1 + x 2 + 7 x 3 = b1 ⎪ ⎨ x 1 + 3x 2 + 2 x 3 = b 2 ⎪5x + 3x + 4 x = b 2 3 3 ⎩ 2 onde: a) b1 =16 b2 = -5 b3=11 b) b1 =25 b2 = -11 b3 = -5 c) b1 =3 b2 = 5 b3 = -5 > B := matrix(3. outra maneira: > solvefor[t]( x+y=1. > v1 :=vector(3.-8. > v3 :=vector(3. x=0.2. x=-10.3. x=-10. axes=box).y=-2.6.-1] ]).5x 2 + 4 x 3 − 8.-3.9 ⎪ ⎩ x 1 + 0. > plot3d({50-2*x.9])..4] ).-5.3x1 − x 2 + x 3 + 5.1x 3 + x 4 = 2. > plot({3-x.5.{z.y=0.2 x 2 + 2.5x 4 = 21..5. > plot3d({3-x.4.v3 ).5 x 3 − x 4 = 9.-1.v1. > v2 :=vector(3. axes=box).2 x 4 = −3. [2.y.9. > plot({50-2*x.9.. (100-4*x)/2}.3. 97 . -x-5}.1.1.-5] ).3..3. > solvefor[x]( x+y=1.x}). x=-2. [25.F).7.. > gaussjord(%).5].10).2. 3) Sistema Linear Incompatível (não admite solução) > solve({x+y=3..-11. [1. x=0.9 > A := array([ [2.5.1..y=-6. axes=box).6).[16.4 x 1 + 0. x-y+z*t=3 ). > S := linsolve(A.x}). -x-5}. > F := vector([2..9.{y..2.10.1].-9*x-3*y-6*z=0}.1.-5] ).6. 5) Resolver o sistema utilizando o Método de Gauss-Jordan (Matrix Inversa).5.7.x}).2.2) Sistema Linear Compatível Indeterminado (possui infinitas soluções) > solve({2*x+y=50.11] ). > augment( B.6.v2.

3 Exemplo 1 Construir uma matriz M = [mij] . >M := array(1.0 6.0 2.9 178. Solução: 98 .5 5.Aula de Laboratório5 utilizando Maple Objetivos: Determinar o polinômio interpolador utilizando a resolução de sistemas de equações lineares.3 Estimar o alongamento para o caso de ser aplicada uma carga de 7Kg.2 92. > det(M).4 764. Obteve-se: c arg a (kg ) 2 4 6 8 alongamento(cm) 1..8 349. > evalf(%). > evalm(M1 + M2).7. > evalf(%). > M1 :=inverse(M).2 45. Exemplo2: O alongamento de uma mola foi medido em função da carga aplicada. ⎡> for i to 7 do ⎢> for j to 7 do ⎢ ⎢> if i <> j then M[i.0 17. > evalm(M1 &* M). Aplicação: Na modelagem de um processo de combustão é necessário expressar a entalpia (E) como uma função da temperatura (T).7). M é inversível? Solução: > with(linalg).. tal que mij = i + 3j se i é igual a j e mij = 5ij se i for diferente de j. estimar a entalpia para uma temperatura de 150 o F . j] := 5 * i * j ⎢ else M[i. Detectar se um sistema linear é mal condicionado. E(Btu / lb) 60 80 100 120 140 160 180 T(o F) 0.1. de ordem 7x7. > M2 :=transpose(M). M é simétrica? Calcular o determinante de M . Analisar graficamente. ⎣ > print(M). Gerar matrizes e vetores utilizando comandos de teste e repetição. j] := i + 3 * j ⎢> ⎢> fi ⎢ ⎢> od ⎢> od. Considerando os dados tabelados.

8^3] ]). > evalm(C &* L).10)}). b) outra forma de resolver o sistema: > A := array([ [1.2^2. 459/420.3]). > cond(C).5.8.2.3}. > p:=x-> -.15. [1.2.6. > F := vector([137/60.5.3]).a3}). {a0.. > L := linsolve(C. p(8)].5. [1. > S := linsolve(A. Análise Gráfica: > with(plots).2^3]. [1.4^3]. > plots[display]({plots[pointplot]([2.6^3]. > p(7). > F := vector([1.F).2. y=0..F).8.6. a0+a1*4+a2*4^2+a3*4^3=2.6^2.7. > C := hilbert(5).6.plot(p(x). a) uma maneira de resolver no maple:: >solve ({a0+a1*2+a2*2^2+a3*2^3=1. 87/60. 743/840.5. a0+a1*8+a2*8^2+a3*8^3=6.04583333333*x^3+.a1. a0+a1*6+a2*6^2+a3*6^3=5.5.x=-5. 1879/2520]).1.4^2. 99 .a2. p(6). > validade:= [p(2).6.016666667*x+2.8^2.675*x^2-2.4. Solução: > with(linalg). p(4). Exemplo3: Considerar o sistema linear: ⎧x1 + 1 / 2 x 2 + 1 / 3x 3 + 1 / 4 x 4 + 1 / 5x 5 = 137 / 60 ⎪ 1 / 2 x1 + 1 / 3x 2 + 1 / 4 x 3 + 1 / 5x 4 + 1 / 6 x 5 = 87 / 60 ⎪ ⎪ (*) ⎨1 / 3x1 + 1 / 4 x 2 + 1 / 5x 3 + 1 / 6 x 4 + 1 / 7 x 5 = 459 / 420 ⎪1 / 4 x + 1 / 5x + 1 / 6 x + 1 / 7 x + 1 / 8x = 743 / 840 1 2 3 4 5 ⎪ ⎪ ⎩1 / 5x1 + 1 / 6 x 2 + 1 / 7 x 3 + 1 / 8x 4 + 1 / 9 x 5 = 1879 / 2520 a) (*) é bem condicionado ou mal condicionado? Porquê? O que isso significa? b) calcular a solução de (*). > ?cond.4.Procuramos p( x ) = a 0 + a 1x + a 2 x 2 + a 3 x 3 .

Hn = [ hij ]. onde B = [ bi ].5 é o vetor definido por: n 1 bi = ∑ i + j −1 j =1 c) Calcular o determinante de Hn . 1≤ i . mais mal condicionada é Hn . j ≤ n i + j −1 Hn é um exemplo clássico de matriz mal condicionada. a matriz inversa de Hn e o produto HnHn-1.X = B . a) Indicar se a afirmação abaixo é verdadeira ou falsa e justificar. c) Calcular todas a s raizes do determinante da matriz sI. 2. 4 .Hn. s numero real qualquer e I = matriz identidade 100 .Exercício: Consideremos a matriz de Hilbert de ordem n. 3. “ Quanto maior for n. “ b) Resolver o sistema H5. com seus elementos genéricos definidos por 1 hij = = . i= 1.

5. 2) Polinomio interpolador de Newtons para Diferenças Finitas Ascendentes > > > > > > > vx:=vector(4.3}.6.a1.a > with(linalg): > A := array([ [1.6. [1.[1.2.4.x): > paa(7). > paa:=unapply(pa.8^3] ]).{a0.5. for i to 1 do df3[i]:=df2[i+1]-df2[i] od. > S := linsolve(A.x=-5.6.6^3].5.3]).paa(8)].8.x): > pa(7).8^2. [1.a3}).[2. y=0.2^3].F). [1. > F := vector([1.3 Estimar o alongamento para o caso de ser aplicada uma carga de 7Kg. a0+a1*8+a2*8^2+a3*8^3=6. for i to 2 do df2[i]:=df1[i+1]-df1[i] od.6^2.5.a0+a1*4+a2*4^2+a3*4^3=2. > simplify(p(x)).Aula de Laboratório 6 utilizando Maple . 1.8.6..6.4^3].a0+a1*6 +a2*6^2+a3*6^3=5.5.0 2.5. > p(7).10)}).2^2.6.Interpolação EXEMPLO: O alongamento de uma mola foi medido em função da carga aplicada.3).1. 1) via resolução de um sistema linear: 1.3]).vy.5.15.paa(4).8]).4. vy:=vector(4. p:=x->1+((x-2)*df1[1])/(2)+((x-2)*(x-4)*df2[1])/(2!*(2^2))+((x-2 )*(x-4)*(x-6)*df3[1])/(3!*(2^3)).plot(paa (x).8]): > vy:=vector(4.paa(6).6. df:=array(1.[2. 3) Via comando´interp´do maple > vx:=vector(4.4^2. 101 ..2.4.[1.5 5. Procuramos p ( x) = a0 + a1 x + a2 x 2 + a3 x 3 Estudamos alguns algortmos para determinação dos coeficientes de p. Obteve-se: c arg a (kg ) 2 4 6 8 alongamento(cm) 1.2.5.6. for i from 1 to 3 do df1[i]:=vy[i+1]-vy[i] od. validade: > [paa(2).2.4.0 6. análise gráfica > plots[display]({plots[pointplot]([2.2..5.3]).3]): > pa:=interp(vx.b > solve({a0+a1*2+a2*2^2+a3*2^3=1.a2.

3 98. sabendo-se que o ponto de ebuliçao da água varia com a altitude.34 91.0 93.67 90. b) Estimar a velocidade do som se a temperatura da água for de 100 graus centígrados.EXERCICIOS: 1) A tabela abaixo fornece a demanda diária máxima de energia elétrica na Cidade A no mês de março. > 2) A que temperatura a água entra em ebulição no Pico da Bandeira (altitude de 2890m). c) Estimar a demanda máxima e a data em que ocorreu.01 90.532 a)Determinar o polinômio interpolador de Newton para diferenças divididas.34 90. conforme tabela abaixo: altitude(m) 2600 2700 2800 2900 3000 o ponto de ebulição( C ) 91.00 > 3) A velocidade do som na água varia com a temperatura conforme tabela: temperatura ( oC ) 86.0 velocidade(m / s ) 1.548 1. e verificar sua validade.p.538 1.9 104.552 1. b) Representar graficamente p e os dados tabelados num mesmo sistema de eixos. 102 . x(dia ) 1 11 21 31 y (demanda − MW ) 10 15 20 13 a) Determinar o polinômio interpolador p e verificar sua validade.4 110.544 1.

var$n siginifica derivada de ordem n.deriva uma expressão expr na varivel var.substitui uma expressão antiga por uma nova expressão unapply(P. plota graficos.m)}). var). 103 .simplifica uma expressão solve(eqn.. var).. var). subs(expr velha=expr nova....pn]). expr)..resolve simbolicamente equaçoes eqn para varaiivel var.c)Representar graficamente p e os dados tabelados num mesmo sistema de eixos.plot(f(x). plots[display]({plots[pointplot]([p1.converte um polinomio P em uma função na varivel x. para plotar um grafico de uma f(x) simplify(expr).. interp([exprx1.deriva uma expressão " expr" na variavel "var" diff(expr. no qual representa o polinomio interpolador dos valores expx e expy . para plotar dois graficos ao mesmo tempo. Comandos Utilizados diff(expr. plot...expryn+1]. [expy1. var$n). pointplot. var..computa um polinomio na variável var de grau at n..exprxn+1]. para plotar os pontos. x=-m.x)..p2. display.

50). > with(stats).plot(gpp(x). 6.7].4. 5.120.120. 4.205].y].yv]). 57 x − 12 2 > gp:= fit[leastsquare[[x. transform ] > xv:=[1. 159.3.plot(gll(x). 205 ] > g:=fit[leastsquare[[x.2.5.x).Instituto de Matemática # Cálculo Numérico -Prof. y=0.2.y].6. xv := [ 1.. statevalf. 2. x=0.10.6.. describe. Eliete Ajuste de Funçoes # Exemplo1 Considerando: i 0 1 2 3 4 5 6 x 1 2 3 4 5 6 7 y 34 45 63 88 120 159 205 Ajustar os dados a reta e a uma parábola.3.6.5.3. importdata.{a.88.205]]).88.88. [34.159.205]).15 9.4.45. [ anova.63. yv := [ 34.120.34. 45. x). yv]): > gpp:=unapply(rhs(gp).. y=a*x^2+b*x+c]]([xv.y]]]([[1. gll := x → 7 1 gpp := x → x2 + x + 30 2 2 > with(plots): > plots[display]({plots[pointplot]([1.y=a*x+b.7]. random.b}]]([xv. 3. 57 x − 12 2 > gl:=fit[leastsquare[[x.45.63.210)}). x=-10. fit. 57 x − 12 2 104 .7. g := y = gl := y = > gll :=unapply(rhs(g).159..4.63. Comparar os resultados graficamente. 7 ] > yv:=[34. 120.2.5. statplots.# PUCRS . y=0.10. 88.45. 63.

7. x=90.80)}).2.log(7. > evalf(exp(30. #projeção: > [dur(110).plot(dur(x).8 pede-se fazer uma tabela D = D(V) para V = 100(10) 180.y]. #validade: > [dur(100).52911140)).Ajuste por função Potência Os dados abaixo dão a duração D de uma broca de Carborundum em função da velocidade de corte V.dur(170)].8)]).log(150).dur(160). > dur :=x -> (.180.15 Os dados tabelados descrevem a intensidade da luz como uma função Exemplo 3 105 .120. 2.79. d 30 35 40 45 50 55 60 65 70 75 I 0. 5.Exemplo 2 .log(180)]).log(2.dur(130). {a.67 0.029619417 ] > fit[leastsquare[[x.log(28).9 2. > plots[display]({plots[pointplot]([100. y=0.. y=a*x+b. 4.1813947103e14)*(x^(-5.192956851 ] > d:=evalf([log(79).605170186. d := [ 4. > v:=evalf([log(100). V [m/s] 100 120 150 180 D [min] 79 2 8 7.21 0.28.066862759..dur(120).34 0.332204510.b}]]([v.190.787491743. v := [ 4.680591334)).9.369447852.85 0.150. 5.010635294.42 0.24 0.28 0.18 0.dur(150).9).d]).52 0.dur(140). 1.dur(180)].8] ).log(120). 3.

85.85.. 45.45.761904762.24.100.75].1/. x=10.176470588.plot(f2a(x). 2.65..50.666666667 ] > f2:= fit[leastsquare[[x.42.75. . .da distância da fonte. 65.42..6161059331 > plots[display]({plots[pointplot]([30..3).02080049421 x + . i=0.i]. vi1 := [ 1. vi := [ .15]).55. > vd:=[30.24.02080049421 x + . .34. f2 := i = .52.35.15]). 1. 6..18. 40.1/.001329810498 x − .923076923.1 8. 50.2080049421e-1*x+.34. 75 ] > vi:=[. .42..100.492537313.21..15 ] > vi1:=evalf([1/.1/.1/.24.6161059331 > f3:=x->1/(.3)}).1/.70.70..28.34.52. 1. . 4. f2a := x → .1/.166666667.65...1/. vd := [ 30.I(d).001329810498 x2 − ..67.28...34.52.1329810498e-2*x^2-. ajustar a uma parábola e a uma função do tipo: 1 Y(d)= 2 Ad + Bd + C Analisar os resultados plotando num mesmo sistema de eixos os pontos tabelados e as funções de ajuste determinadas.plot(f3(x). .60.18..55.21.67.Utilizando o sistema Maple.1/.x).85.02080049421 x + . vi1]).380952381. .18.28.60.941176471.40. medida num experimento.85.24.001329810498 x2 − .42.. 60..21.571428571. . .555555556.40. ..6161059331 > f2a:=unapply(rhs(f2)..67.. 70. 2.. 5....50 .1/. 2 f3 := x → 1 106 . x=10.45.6161059331).15].28. i=a*x^2+x*b+c]]([vd.52. 35.21. i=0. 55. 3.35.67. 4.

65..35.52.18.42..85.20 0. i=0.30 0.24.21..plot(f2a(x)..75.50 2..> plots[display]({plots[pointplot]([30.67.50 0.100.60.34.00 1.plot(f3(x).2)}).00 0..45. x=-100.40.00 y 1.55.100.50 ..28.00 0.70.1).. i=0. x=-100.. > Trabalho x 0.15]).50 1...20 107 ....

. aplica o critério dos mínimos quadrados transform[applay[f(x)]]([expr1. listn])....avalia numéricamente expressões. polinomios... para plotar um gráfico de uma f(x) unapply(P....converte a expressão P em uma função na variável x 108 .. aplica a função f(x) parra cada expressão (expr) transform[multiapplay[f(x)]]([list1.pn]). plota gráficos... fit[leastsquare[[var1. varn]]].p2.....plot(f(x).. exprn])..Ajustar os dados tabelados a uma reta e a uma função do tipo: 1 Y(x)= ax + b Analisar os resultados plotando num mesmo sistema de eixos os pontos tabelados e as funções de ajuste determinadas.. plot. para plotar dois gráficos ao mesmo tempo.. Comandos utilizados evalf([expr1. para plotar os pontos. pointplot. exprn]).m)}).. display.. aplica os parâmetros da função f(x) para cada elemento listado plots[display]({plots[pointplot]([p1. x=-m. funções..x).

Incluindo a opção partition = n o cálculo é obtido utilizando n subintervalos .8820809834 > Valor_exato:=int(exp(-x^2).2)=evalf(int(exp(-x^2).:Utilizando tarapézios e Simpson com 10 subintervalos.evalf(%)..evalf(%). > with(Student[Calculus1]): Ex. I=⎮ dx ⎮e ⌡ 0 2 Obs: Por default. x=0. x=0.2)).2.8818388107 > ApproximateInt(exp(-x^2). > ApproximateInt(exp(-x^2). estimar o valor de I e comparar ⌠ ( ( −x ) 2 ) com o valor exato. x=0.8820813910 2 109 .. x=0. ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ 1 1 ⎜ 1 ⎜ 1 ⎜ 1 ⎜ 1 ( -1 ) 1 ⎜ 1 ⎜ 1 ⎜ 1 ⎜ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ ⎝ 25 ⎠ + e + e + e + e + e + e + e + e + e 10 5 5 5 5 5 5 5 5 5 ⎛ -1 ⎞ ⎜ ⎟ ⎛ -4 ⎞ ⎜ ⎟ ⎛ -9 ⎞ ⎜ ⎟ ⎛ -16 ⎞ ⎜ ⎟ ⎛ -36 ⎞ ⎜ ⎟ ⎛ -49 ⎞ ⎜ ⎟ ⎛ -64 ⎞ ⎜ ⎟ ⎛ -81 ⎞ ⎜ ⎟ + 1 ( -4 ) e 10 0. ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ 1 1 ⎜ 2 ⎜ 1 ⎜ 2 ⎜ 1 ⎜ 2 ⎜ 1 ⎜ 2 ⎜ ⎝ 25 ⎠ ⎝ 100 ⎠ ⎝ 25 ⎠ ⎝ 100 ⎠ ⎝ 25 ⎠ ⎝ 100 ⎠ ⎝ 25 ⎠ ⎝ 100 ⎠ e e e e e e e e + + + + + + + + 30 15 15 15 15 15 15 15 15 ⎟ ⎟ ⎟ ⎟ 2 ⎜ 1 ⎜ 1 ( -4 ) 2 ⎜ 1 ⎜ 2 ( -9 / 4 ) 1 ( -1 ) 2 ( -1 / 4 ) ⎝ 100 ⎠ ⎝ 25 ⎠ ⎝ 100 ⎠ ⎝ 25 ⎠ + + + + + + e e e + e e e e + e 15 15 30 15 15 15 15 15 ⎟ ⎟ ⎟ ⎟ 1 ⎜ 2 ⎜ 2 ⎜ 1 ⎜ ⎝ 25 ⎠ ⎝ 100 ⎠ ⎝ 100 ⎠ ⎝ 25 ⎠ e e e e + + + + 15 15 15 15 ⎛ -64 ⎞ ⎜ ⎟ ⎛ -1 ⎞ ⎜ ⎟ ⎛ -289 ⎞ ⎜ ⎟ ⎛ -1 ⎞ ⎜ ⎟ ⎛ -121 ⎞ ⎜ ⎟ ⎛ -36 ⎞ ⎜ ⎟ ⎛ -169 ⎞ ⎜ ⎟ ⎛ -49 ⎞ ⎜ ⎟ ⎛ -9 ⎞ ⎜ ⎟ ⎛ -9 ⎞ ⎜ ⎟ ⎛ -16 ⎞ ⎜ ⎟ ⎛ -49 ⎞ ⎜ ⎟ ⎛ -81 ⎞ ⎜ ⎟ ⎛ -81 ⎞ ⎜ ⎟ ⎛ -4 ⎞ ⎜ ⎟ ⎛ -361 ⎞ ⎜ ⎟ 0.2. method = simpson). method = trapezoid). Eliete Biasotto Hauser > restart. o número de subintervalos utilizados é 10...PUCRS-FAMAT-Cálculo Numérico-Exemplos de Integração Numérica Utilizando Sistema Maple9 Prof. Valor_exato := 1 erf( 2 ) π = 0.

partition = 4). x=0. method = trapezoid..2. x=0. method = trapezoid. method = trapezoid. > ApproximateInt(exp(-x^2). output = plot. output = plot.. x=0.2. output = animation): 110 .. partition = 20): > ApproximateInt(exp(-x^2).2.> ApproximateInt(exp(-x^2).

method = simpson. output = animation): 111 .2.> ApproximateInt(exp(-x^2). > ApproximateInt(ln(x).100. output = plot. 1. x=0. partition =2).. method = simpson..

3)).2)*(x .2)*(x .3). x=0.. -0.3).5. No último exemplo .2)*(x .75000000 > evalf(int(x*(x . output = plot).3)..x=3.x=0...x=2.x=2.3). Área := 23.3).5)).4166666667 112 .Atenção: Sempre analisar os resultados obtidos > ApproximateInt(x*(x . área 22.916667 esta correto? > Área:=evalf(int(x*(x .2)*(x . method = simpson..2))+abs(evalf(int(x*(x 2)*(x .3)))+evalf(int(x*(x .

method = simpson.No próximo exemplo é óbvio que a área não é nula.2*x. > evalf(int(tan(x) . output = plot.0))+abs(evalf(int(tan(x) 2*x.0)).2*x.. x=0. x=-1. x=-1. x=-1. 0. x=0..1))).3843735297 > evalf(int(tan(x) .2*x. area := 0.1..2*x. partition = 50). -0.7687470594 113 .3843735297 > area:=evalf(int(tan(x) . > ApproximateInt(tan(x) ..1))..

4 0.3559 0 0.978 0 30 4 0 8.PUCRS . ←i j↓ 0 1 2 3 4 5 6 0 0.4809 0 0.3934 0 0.523 4.0 ) = u ( x .2 0.128 7.348 2.02 1 0 0.t ) − ( x .110 0 70 8 0 0 0 0 0 0 0 80 ←i 60 50 40 30 20 10 0 y↓ 3 .7781 0.3 e 4 obter as aproximações da temperatura na primeira linha do tempo u(x .978 23.75]. 1.660 15.4809 0.5317 0.4350 0. y ) = 100 6 0 2.t ) = 0 . Eliete Biasotto Hauser-Cálculo Numérico ALaboratório EDO_EDP ⎧ ⎪ y` = − xy − 1 1) Resolver no intervalo [1 .6 0.942 4.068 13.942 9. j + 1 = 0 .25 .5317 0 0.3559 0.01 obtemos as diferenças finitas para a equação do calor ui . 0. j ⎠ Para h=0.660 8.05 4 0 0.835 38. ⎝ i + 1.6366 0.490 38.368 42.5 ui . 0 ≤ t .01 0 0 0.75) ≅ 1.4350 0 0.01).8602 0.6366 0.7038 0.7781 0.523 0 60 7 0 1.60 ) = u ( 80 .2.8602 0.03 2 0 0.25⎛ ⎜u Utilizando j=0 e i=1. 0 ≤ x ≤ 1.620 13.633 7.138 46.633 0 50 ∂ 2u ∂ 2u ( x .5758 0.2 e k=0.010 13. o PVI ⎨ ⎪ ⎩ y( 1 ) = 2 Resposta: y(1.2018 2) Com h=k=10.5208 0. t ) = u ( 1 . com as condições de contorno ∂t ∂x 2 u ( 0 . e as condições iniciais u( x . j +u ⎞ ⎟ i −1. resolver numericamente equação de Laplace sujeita às condições u ( x .993 0 10 2 0 24. j + 0 . utilizando o método de Euler com h=0.t ) + ( x .9511 0.211 1.368 24.7038 0.8 1 114 . y ) = 0 . t ) = 0 .835 0 20 3 0 13. 0 < x < 1. 0 < x < 80 .068 0 40 5 0 4.9511 0.04 3 0 0.00 x→ 0 ↑ tempo 0. 0 < t .Faculdade de Matemática Prof.t ) = 0 .3219 0.009 4.917 1.192 63.917 2. 0 < y < 60 .348 5.993 63.06 5 0 0.032 23.010 26.0 ) = sen( πx ).110 1.3934 0.138 67.5878 0.5878 0 0.5208 0.Considerar a equação de calor ∂u ∂ 2u ( x .5758 0. ∂y 2 ∂x 2 u ( 0 .3219 0 0. e j↓ 6 5 4 3 2 1 0 x→ 0 100 100 100 100 100 100 100 0 1 0 46.

Sign up to vote on this title
UsefulNot useful