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

500) b) IBM 3090 : F(16.1 x β m é o menor número em módulo. São os casos de erro de: ..t iii) “e” é um expoente inteiro que varia no intervalo [m. y = a n a L a a a a . 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 . y = an β n + a n −1 Por exemplo. em módulo.. 64) Em F valem as propriedades: 1) 0. 3517 .. t. -64. 6) 0 ∈ F e 1 ∈ F . ( β − 1)( β − 1).Sistema de Ponto Flutuante Um número y na base β ≥ 2 .( β − 1) x β M é o maior número. vale β − 1 ≤ mantissa < 1 . Se o expoente da base não pertencer a [m. d d L d t é a mantissa (uma fração na base β).1 –Teoria dos Erros . M). 12.M]. 63) c) Cray1 : F(2. Alguns exemplos de máquinas com precisão simples: a) HP 48 : F(10. não nulo. não nulo. m = -M ∈ Z. M e m dependem da máquina utilizada. então − y ∈ F . m. se e > M (ultrapassa a capacidade máxima) 4 .. d 1 ≠ 0 . 144424443 t vezes 2( β − 1) β t −1 ( M − m + 1)⎤ + 1 é o cardinal de F 3) # F = ⎡ ⎥ ⎢ ⎦ ⎣ 4) Para qualquer mantissa. Em geral.000 L 0×β m 1 4 2 4 3 t vezes é chamado Sistema de Ponto Flutuante Normalizado e representado por F(β.. 6. 48. iv) t define a precisão da máquina. -498. 13. 1 2 0 ≤ d j ≤ β − 1. y tem a forma: ⎞ e y= ⎛ ⎜ 0 . y não pode ser representado em F. se e < m (ultrapassa a capacidade mínima) .underflow. -63.. de F. é o número de dígitos da mantissa. 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 . j=1.26 = 3 × 10 3 + 5 × 10 2 + 1 × 10 + 7 + 2 × 10 − 1 + 6 × 10 − 2 Em aritmética de ponto flutuante normalizado de t dígitos. 2) 0.M]. 5) Se y ∈ F . -8192. de F. 8191) d) Burroughs B6700: F(8. d1 d 2 L d t ⎟ × β ⎝ ⎠β i) ii) 0 .2.overflow.

por exemplo: x = 0. 499) com arredondamento Ox: x*= 0.3720230572 x − y = 0. . Podemos usar duas aproximações sucessivas de x. Isto influi na solução obtida através de um método numérico. 5. nem sempre as operações aritméticas válidas para os números reais são válidas em F.1248121 x 10-3 Se os cálculos forem feitos em F(10. Os tipos de arredondamento mais conhecidos são: .13000 x 10-3 Assim.1248121 x 10 .0001248121=0. o arredondamento é feito após cada operação.37215. associativas e nem distributivas.Arredondamento por falta.Arredondamento para número mais próximo de máquina (Oy). x k +1 ) = − ⎢0. pois numa série de operações aritméticas. é necessário utilizar um arredondamento. geralmente.00013 = 0. vamos considerar a diferença entre os números a seguir. 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. o erro que resulta é x-x*. Medidas de Exatidão Quando se aproxima um número real x por x*.Hauser – Cálculo Numérico Se a representação do real y em F não é exata. Aqui µ representa a unidade de arredondamento da máquina ( µ = to for Ox ).13000 x 10 . 1 1− t β se o arredondamen2 5 .Arredondamento por excesso ( ∆ y) Em F. podem fornecer resultados diferentes. Ou seja. ou truncamento ( ∇ y). as operações de adição e multiplicação não são comutativas.3 − 0 . Assim.E. métodos numéricos matematicamente equivalentes. Define-se: x − x* para x ≠ 0 .1248121 x 10 .37202 e 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 . y*= 0.3 Na resolução de um problema o valor exato da solução x pode ser desconhecido. o erro relativo entre os dois resultados é grande: x − y − ( x * -y*) 0. -499.B.3721478693 y = 0. .3 = ≈ 4% x− y 0. definindo: ⎡ ⎛ x k +1 − x k ⎞⎤ ⎟⎥ DIGSE ( x k .

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

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. 7 .. estimar o valor de A somando da direita para esquerda e após somando da esquerda para a direita.. B.2) b) F(3... b) Utilizando arredondamento por truncamento ( ∇x ) em F(10.B.-2.-2. 20x50.3. os números abaixo em utilizando arredondamento por truncamento( ∇x )e arredondamento para número mais próximo de máquina (Ox) em F(10. + 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) = (((.47 5) Determinar o cardinal . 98) e arredondamento por truncamento estimar p(2. 50x1 e 1x100 respectivamente.6 b) x=13.5. 3 .98).E.-98. Comparar os resultados. -3 1 1 = x ∞ e xi i! i =0 ∑ 2) Em F(10 . regiões de underflow e overflow e todos elementos reais de: a) F(2.Hauser – Cálculo Numérico Exercícios 1) No sistema MapleV estimar e − 8.3.( { a n x + a n −1 ) x + a n − 2 ) x + .73) ≈ 0.11917x10 Obs: Estimar p(x) pelo algoritmo usual p ( x) = a n x n + a x n −1 + .3 ≈ 0..2) c) F(2.55 -1 Em ambos os casos estimar o erro absoluto ao comparar com p(2. pode-se determinar o produto matricial AxBxCxD de diversas formas. 3) Sejam A. Utilizando a propriedade associativa.2485168271x10 .2) 6) Representar. 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. C e D matrizes genéricas de ordem 10x20.25 c) x= 2.. se possível.3 utilizando ∞ ( − x )i e e− x = i! i =0 ∑ e− x = com 26 termos cada e comparar com e − 8..-1.55 b) p( x ) = (( x − 5 )x + 6 )x + 0.73) se: a) p( x ) = x 3 − 5 x 2 + 6 x + 0.-1. -98 .2).a 2 ) x + a1 ) x + a 0 n −1 requer n adições e n multiplicações.2.2. 2 .

5/16. OBS: Se M é de ordem pxq e N de ordem qxr. de ordem pxr. 3/16.001241405905 Obs: Causas desse erro: subtração de grandezas muito próximas e adição de grandezas de diferentes ordens.{0} c) 0. 5/9. e seus simétricos. i=0.−7 / 2) ∪ (7 / 2.3). 8/27. 1/2. 7/9.6)10 ≈ (0.1/4) .x): > f1a(8. 5/3. 2.{0} 6-a) 0.33333*10 ∉ F) f) 0. # F = 49 Região de oferflow: ( −∞.9990234375 b) 0.Teoria dos Erros Respostas: 1) exp(-8.01) 2 c) (2.05 . 5/27. 5/4.14142 *101 7-a) 0. 2/3. 6. é obtida efetuando pqr operações de multiplicações de elementos de M e N.061917 b)p(2.73)= -0. então MxN.0002485168271 > f1:=sum(((-x)^i)/i!. 7/27..66667*103 ∉ F) –3 1 e) underflow (0. 5/16.17320*101 e 0. > > f2:=1/(sum(((x)^i)/i!.. 1/4. .66667*102 d) 0.x): > f2a(8.erro absoluto = 0. 5. .73)=0. 4-a) (0. 4/9.999 e 0.1/8) .47)10 ≈ (10. 8/9. 7/4. i=0.3).+∞) Região de underflow: (-1/8. # F = 33 Região de oferflow: ( −∞.66666*103 ∉ e 0. -. 1/8.+∞) Região de underflow: (-1/4. 2. 7/2 e simétricos.3. 7/16.3). 2/9.4/3. 7/8.25)): > f2a:=unapply(f2. 1/3.1/9) . 5/8. 4. 5/2.011110) 2 5)-a) 0. 4/27.27183*102 c) overflow (0.25)10 ≈ (1101.1 .032 . 2. 7/3.3) ∪ (3.{0} b) 0.erro absoluto = 0.17321 *101 b) 0. 7. # F = 21 Região de oferflow: ( −∞. 3.10011001)2 b) (13. 1.25): > f1a:=unapply(f1. 8 e seus simétricos.0002485170000 2) a)p(2. 1. 1/9. 3/4. 3/2.020083 3) (Ax(BxC))xD é mais eficiente pois exige 2200 multiplicações enquanto que para calcular o produto Ax(Bx(CxD)) são necessárias 125000 multiplicações . 1/2.27182*101 e 0. 1. 3/4.+∞) Região de underflow: (-1/9. 3/8. 3/2.998 8 .66666*102 e 0. 1/4. 3.14142*10 e 0. 8/3.−8) ∪ (8.

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

: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 . p( x ) = x 2 − 6 x + 10 ⋅ ( x − 1) ( ( )( ) ) 5)Se p ( x ) é de grau ímpar. ( ) p( x ) = x 2 − 2 x + 2 ⋅ x 2 − 1 Ex. Ex. 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. 3 ± i .B.: b) p( x ) = x 3 − 7 x 2 + 16 x − 10 tem raízes 1.: a) p( x ) = x 4 − 2 x 3 + x 2 + 2 x − 2 tem raízes ± 1.Hauser – Cálculo Numérico 4) Se a + bi é raiz de p( x ) de grau n ≥ 2 . então p ( x ) possui ao menos uma raiz real. 1 ± i .E.

Se α é raiz de p( x ) então p (α ) = 0 .1.: 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 . Regra da Lacuna Se p (0 ) ≠ 0 e para algum K. a k ≤ a k −1 × ak +1 então p( x ) possui raízes complexas. É o algoritmo de Briot-Ruffini utilizado para Deflacionar Raízes. negativas ou complexas. sendo uma raiz de multiplicidade “m” contada como “m” raízes e não sendo considerados os coeficientes nulos”. então existe único polinômio de grau n − 1. 11 . q( x ) . p(xi ) são necessárias n n(n + 1) adições e multiplicações.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. de forma usual. então p ( x ) tem raízes complexas. a k = 0 e a k −1 × ak +1 > 0 .Resolução de Equações Algébricas e Transcendentes 7) Valor numérico de um polinômio: para calcular. tal que p ( x ) = ( x − α ) ⋅ q( x ) + p (α ) .2 . 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. 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. 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. Ex. 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.

Cota de Cauchy: Toda raiz α (real ou complexa) de p( x ) satisfaz α ≤ β .748331477355 x 2 = 1. 2. ou • 1 raiz real positiva.95190592045 x18 = 3.61655565303 x5 = 3.3136 x − 1 x k +1 = (3 x + 3. 2 raízes negativas e 2 complexas.00483390194 M x15 = 3.37 x 2 − 1.68 x k + 0.B. nenhuma negativa.Hauser – Cálculo Numérico Ex.47358396156 x3 = 2.2-Localização das raízes de p(x) Localizar as raízes de p( x ) é determinar a região do plano que contém todas as raízes.E.37 x + 1.1. e 4 complexas.68 + 0.: p( x ) = 3 x 5 + x 4 − 5 x 3 − x − 1 • p( x ) pode ter: 1 raiz real positiva.: p( x ) = x 4 − 3x 3 + 3.9575796715 M ∴α ≤ 4 12 . 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) x0 = 0 e 3 k 2 k 1 4 x1 = 0. Onde β = lim x k .10693957916 x 4 = 2.9552764745 x19 = 3.94696658200 x17 = 3.93973077126 x16 = 3.

13 . ¾ para raízes de multiplicidade par não ocorre troca de sinal. então existe pelo menos uma raiz de f em ( a . b] . Se f (a ) ⋅ f (b ) < 0 . Ex.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.Resolução de Equações Algébricas e Transcendentes 2. 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.3923 − 7 3 Obs: Devemos dar uma atenção especial para os casos de: ¾ Raízes muito próximas. (Se o sinal de f ' é constante em ( a . 1) . r3 ∈ (2 . existem três raízes reais: r1 ∈ (− 4 . ii) de f ( x ) = 0 obter uma equação equivalente f1 ( x ) = f 2 ( x ) .2 . b ) a raiz é única nesse intervalo).3923 11 3 − 5 − 7. b ) . 3) b) analiticamente: x −4 −3 − 3 −1 0 1 3 2 3 p ( x ) − 25 3 13. − 3) r2 ∈ (0 .: p( x ) = x 3 − 9 x + 3 a) Análise gráfica: Logo.2.

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

03515625. 35 ) 1 3.00390625 (3.64830079964 c) Separação de raízes p( x ) 276. 3.25 ) 2 3.03125.03125. 3. k xk f ( xk ) Ik (3.64813826094 x17 = 4.03515625.046875 1.5 2 k + 20 x k + 11.125 9 .0095143543 (3.03540039062 0 .660400391 (3.03515625. 3.03564453125 0 .0625 ) − 0 .037109375 ) 9 3.0625 ) 4 3.3883184832 (3.64784057829 x16 = 4.K ( ) 15 .1891500395 (3. 3.0361328125 0 . 3.Resolução de Equações Algébricas e Transcendentes b) Cota de Cauchy: 3 x k +1 = 4 2 x k + 7.1900454168 (3.5 r1 0 1 2 3 4 5 −1 r2 5 r3 − 11 − 35.0361328125 ) 10 3.3.0625 2 . 3.9375 (3.14695320458 M M x14 = 4. e as outras aproximações são dadas por: xi +1 = G ( xi ).03515625. x13 ) ≅ 4 .002874148 M Obtemos r4 ≈ x12 = 3.037109375 0 . G ( x ) é dita função de iteração do método. 3. Inicia-se a iteração com um valor x0 próximo da raiz.5 x −5 − 4 − 3 − 2 −1 77 8.0390625 0 .03080111616 x3 = 3.046875 ) 6 3.405335188 5 3. 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 ) .0352783203 0 .03540039062 ) 13 3 .5 r4 d) Cálculo da raiz r4 ∈ (3.03515625 − 0 . 4 ) utilizando o método da bissecção.03125 (3.871886353 (3.03564453125 ) 12 3.2.2 . 3 .096 2.5 62 .5 − 49 − 35 173 576.0390625 ) 8 3.1.74256184946 x 4 = 4. 3 . 3.039625 ) 7 3.64729539211 x15 = 4.03125.01529111512 (3 . x 0 = 0 x1 = 1.0401045242 (3 .03515625. i = 0.0354039062 com DIGSE ( x12 .2-Método da Iteração Linear Consiste em escrever a equação f ( x ) = 0 na forma x = G ( x ) .125 ) 3 3.0897548754 11 3.25 25 .82116028684 x 2 = 3. 3.

B. 16 . ii) G' ( x ) 〈1. converge para a solução x* da equação f ( x ) = 0 sob certas condições .9694363804 x 3 = G2 ( x2 ) = 2. A construção de G não é única. a seqüência {xi } não converge para 2. k = 0 .E. gerada por xk +1 = G ( xk ) .0625 ii) Tomando G2 e x0 = 1. A escolha de uma G apropriada é dita “problema do ponto fixo.8342 M x 4 = G1 ( x3 ) = −3475.. xi +1 = G1 ( xi ) x1 = G1 ( x0 ) = 6 − (1. .Hauser – Cálculo Numérico A seqüência de aproximação xi . x 2 + x − 6 = 0 . Ex.00390625 x5 = G1 (x 4 ) = −12078822. G4 = 6 .converge para α .∀x ∈ (a .12132034356 x 2 = G2 ( x1 ) = 1.99809249923 x 7 = G2 ( x6 ) = 2.5) 2 = 3. a seqüência {xi } converge para 2.99988079186 Teorema da Convergência: Seja α uma raiz isolada de f em [a. b] ..1.46095276 x 2 = G1 ( x1 ) = 6 − (3. Se i) G e G’são contínuas em [a. e α 2 = 2 da presente equação.75) 2 = −8. c ) G3 = − 6 − x .5 . a) G1 ( x ) = 6 − x 2 b) G 2 = 6 − x .2 .5 = 2.00002980181 M x 5 = G2 ( x4 ) = 2.0625) 2 = −59. b] .75 x3 = G1 ( x 2 ) = 6 − (−8. então a seqüência { xk }.5 .00047681835 x 6 = G2 ( x5 ) = 1..00762636454 x 4 = G2 ( x3 ) = 1. x +1 G5 = 6 −1 x Embora não seja preciso usar métodos numéricos para encontrar as duas raízes reais α 1 = −3.b ).b ) . x1 = G2 (x0 ) = 6 − 1. nota-se que: i) Tomando G1 e x0 = 1. iii) x0 ∈ Ι e xk + 1 = G( xk ) ∈ (a .

772904269 x8 = − 0. A convergência é linear para raízes simples (a cada passo do método o erro é reduzido por um fato constante). maior será a convergência. 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 .773204044 x 6 = −0. com DIGSE (x k .777723518 x 4 = −0.771636903 x5 = −0.846481725 x 2 = −0. quanto menor este valor. G ' (− 1) ≅ 0. 17 .000003188 e DIGSE ( x9 .2 .0] . x10 ) ≅ 5. Necessita do calculo de G’(x).754152577 x3 = −0.5 x1 = −0. a seqüência gerada por xi +1 = −e 3 converge para α ∀x ∈ [−1.772877469 x9 = −0.Resolução de Equações Algébricas e Transcendentes Ex: Utilizando o método da iteração linear calcule a raiz de f ( x ) = e x + x 3 .0] . Características do Método da Iteração Linear: ¾ ¾ ¾ ¾ Não garante a convergência para toda função continua.772882595 f ( x9 ) = 0.34 xi M *G não tem Maximo nem mínimo local em [0. Logo .33 G e G’ são continuas em [-1. ¾ A velocidade de convergência depende de G ' (x ) . Pode ocorrer dificuldade para encontrar G(x).0] e G ' ( x ) < 1 ∀x ∈ [−1. testa-se então só os extremos.772884374 x10 = − 0.1].24 * 3 G ' (0 ) ≅ 0. Seja x0 = −0.772800243 x7 = −0.

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

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

426302751 com 9 dígitos significativos corretos.03524990 com 9 dígitos significativos e 5 iterações. 20 . oscilando indefinidamente.4] do polinômio dado anteriormente: p( x) = x 4 + 2 x 3 − 7. 2) Calcular a raiz r4 ∈ [3.E.03525211 x5 = 3.08982331 x3 = 3. O Método de Newton pode divergir devido ao uso da tangente.03709653 x 4 = 3.03524990 x 6 = x5 Obs: Uma aproximação para a raiz é r4 = 3. p(3) ⋅ p" (3) < 0 e p (4) ⋅ p" (4) > 0 ⇒ x 0 = 4 4 3 2 xk + 2 xk − 7.5 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 = 3.426302751 x4 = x 3 Logo a aproximação para a raiz é α = 0 .B.Hauser – Cálculo Numérico xk + 1 = x k − x0 = 0 .5 x1 = 0 .42 2 xk + ln xk 1 2+ xk x2 = 0 .36397059 x 2 = 3.5 x 2 20 x + 11 .42699599 x3 = 0 .

A formula iterativa é: ( x k − x k −1 ) ⋅ f ( x k ) f ( x k ) − f ( x k −1 ) Geometricamente.3. 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. f ( x k −1 )) e ( x k . O método da secante contorna este problema.93211485688 x6 = −0. fazendo que outra parte da função iii) prenda a iteração. a partir das aproximações para a raiz de xk e x k +1 .932114856662 x7 = x6 21 .932112394706 x5 = −0.960142348759 x3 = −0. 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 ) .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. x1 = 1 x1 = −0. 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 .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 )) . Ex: p( x ) = x 3 − 5 x 2 + 17 x + 21 e α ∈ ( −1.888888888889 x 2 = −0. 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. 2.2 .931787651586 x 4 = −0.

E.011x+0.0.00174225 6) Localizar graficamente e calcular ( via Newton-Raphson e/ou Método da Iteração Linear) todas as raízes. separar e calcular (via Newton-Raphson e/ou Bissecção ). x + 0. Determinar todos os valores positivos de t para os quais I = 3. 4) O deslocamento de uma estrutura está definido pela seguinte equação D = 8 e − kt cos wt onde k = 0. todas as raízes dos polinomios tendo como critério de parada DIGSE (xk .5e − 0.5295x5 . No caso de raízes múltiplas.5t + 2.0. se possível. b) Usar o método de Newton-raphson para determinar essa raiz 5) Enumerar. supomos que a posição p partícula é dada por: g d ( t ) = vo t − t 2 .1424x2 +0.93x2 +1424.2081.5.001 g) p(x) = x9.15. com uma velocidade inicial vo .5 e w = 3.Hauser – Cálculo Numérico Exercícios 1) Uma partícula é arremessada verticalmente.84732x4 + 2.101x +11.155x2 +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 + 3.075t Encontrar o tempo para que a concentração seja reduzida para nove.B. 2) Uma corrente oscilante num circuito elétrico é descrita por I = 9e − t sen( 2 π t ) . 3) A concentração de uma bactéria poluente num lago é descrita por C = 70 e − 1.37152x2 -0.3136 4 3 f) p(x) = x -11.02x6 .64x. xk+1) ≥ 5: 22 . determinar a multiplicidade da raiz e calcular as demais utilizando deflação.15552 h) p(x) = x3 . t em segundos. com DIGSE(xk .83536x3 + 0. Determinar a altura máxima atingida pela partícula e o instante em que ocorreu.5x4 +77.98x3 +1.9x7 +3. xk+1) ≥ 5.162602x .1111x2-1.19728 i) p(x) = x4 + 1.5x3 .5.4x8 + 3. 2 onde g é aceleração da gravidade.3. localizar. a) p(x) = x 3 − 2 x 2 + 3x − 5 b) p(x) = x5 .59616x 0.Desprezando a resistência do ar. a) Determinar graficamente uma estimativa inicial do tempo necessário para o deslocamento decrescer para 4.37 x 2 − 168 . a partir do solo.

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

para k = 1.503 ⎛2⎞ tem solução exata: x = ⎜ ⎜3⎟ ⎟ ⎝ ⎠ ⎛ 12 ⎞ tem solução: x = ⎜ ⎜1⎟ ⎟ ⎝ ⎠ ⎧ x + 5 y = 17 (b) ⎨ ⎩1.B.501 y = 25 .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 .0050000128 Agora.5 x + 7 .001 = = 0 . n 1 2 α 1α 2 Lα n condicionado é a matriz A..501 − 5 ⋅ 1.5 = 0 . 2.501 3.5 ( 2 1 2 2 + 7 . 1) e quanto mais afastado de ± 1 (isto é. = A=⎜ A ⎜ 1. 1≤ i ≤ n i = 1 Ex: 5 ⎞ − 5000 ⎞ ⎛ 1 − 1 ⎛ 7501 ⎜ ⎟ . A − 1 = 12501 Cond ( A ) = A A − 1 = 112521. Utilizamos A = A ∞ = max ∑ aij . quanto mais próximo de zero) mais mal ⎛ 1 2) A = ⎜ ⎜ 1.001 0 .501 ) = 7 .501⎟ ⎟ ⎝ ⎠ 5 ⎞ α 1 = (1 + 25 ) 2 = 5 . Retomando o Ex2: Norm A ∈ (− 1 .5 7 .649550985358 0 .09901951359 1 det A = 7 . . n Quanto maior for Cond ( A ) .501 ≅ 1 ⋅ 10 5 26 . mais sensível será o sistema linear.001 .E.5 x + 7 .Hauser – Cálculo Numérico Exemplo2: ⎧ x + 5 y = 17 (a) ⎨ ⎩1. o seu número de condicionamento é dado por: Cond ( A ) = A A−1 .. a norma do máximo das linhas.5 7 .00002563773874 α 1 ⋅ α 2 39 . como pode ser medido o condicionamento de um sistema linear? Dado um SEL AX = B .501 y = 25 ..001 norm A = α 2 = 1.501 ⎟ ⎜ − 1500 1000 ⎟ ⎟ ⎝ ⎝ ⎠ ⎠ A = 9 .

. 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 ..Sistemas de Equaçõe Lineares 3. dn . se possível.K .Triangularização : Mediante operações elementares nas linhas.Retro-substituição: A triangularização transforma o sistema AX = B . Métodos Iterativos: A solução x é obtida como limite de uma seqüência de aproximações sucessivas x1.n −1 27 . Método de Eliminação de Gauss Algoritmo básico de Gauss: A solução de AX = B é calculada em duas etapas: 1º. x2. a matriz A é transformada numa matriz triangular superior. .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 a ij = a ij + m ⋅ a kj bi = bi − m ⋅ b k Obs.n − 1 (indica a linha do pivô) (indica a linha a transformar de A) para i = k + 1. an −1. cnn xn − 1 = (d n −1 − cn −1..: Se a ii = 0 é necessário trocar de linha.n − aik m= akk aik = 0 (indica a coluna a transformar da linha i) para j = k + 1.n xn ) . 2º.K . Algoritmo: para k = 1.K .

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

Teorema Dado o sistema linear AX = Y . o processo iterativo produz aproximações sucessivas X 1 . 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 . X 2 . então tanto o método de Jacobi como o de Gauss-Seidel gera uma seqüência (X (k ) ) convergente para a solução do sistema dado.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 .n −1 xn −1 ) xn = ann Metodo de Gauss-Jacobi Dada a aproximação inicial X0.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 ) .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. se a matriz A é Diagonalmente Dominante.K . isto é. X k . 29 . K.

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

9992675781 -0.9375 -1.9375 0.5 1.9921875 -1.625 0.Sistemas de Equaçõe Lineares k 0 1 2 3 4 5 6 7 8 9 10 11 : 40 x1 0 0.999877929 : 1 x2 0 -0.999511718 : -1 na 12a.000488281 1.5 x (k + 1) x4 3 k 0 1 2 3 4 5 : 12 x1 0 0.984375 1.998046875 0.0000 -1.0 -0.5 − 0 .25 x (k + 1) + 0 .0000000 : -1 x3 0 1.953125 -0.875 0.0000 -0.00390625 0.25 x (k ) x2 4 1 (k + 1) = 1.00390625 1.999023437 -1.875 -0.75 -0.0625 1.00390625 0.9921875 0.000488281 : 1 < 10 −5 x4 0 -1.25 0.984375 -1.000976563 -0.9960375 -0.875 -10625 -0.25 1.000976563 1.9990234375 0.9375 1.998046875 1.03125 1.0078125 0.984375 0.999908447 : -1 x3 0 1.000488282 : 1 x2 0 0.5 -0.5 x (k + 1) x3 1 (k + 1) = −1.998046875 -1.0000 -1.875 1.5 + 0 .984375 0.25 0.0078125 1.5 0.99806875 -0.9990234375 1.0 -1.03125 0.5 − 0 .5 -1.5 x (k ) x1 4 (k + 1) = −0 .999969482 : -1 x (5 ) − x (4 ) < 10 − 5 31 .0000 -0.994140625 -0.96875 -0.5 − 0 .000061035 : 1 x4 0 -0.03125 0.5 1.9921875 1.999755895 -0. iteração consegue-se x (12 ) − x 11 Gauss-Seidel Fórmulas iterativas: (k + 1) = 0 .

. Sejam T1. A temperatura num vértice é aproximadamente igual à média dos quatro vértices vizinhos mais próximos (à esquerda. 20o 20o 20o 10o 1 10o 1 2 3 40o 4 5 6 40o 20o 20o 20o 2) Num experimento num túnel de vento.78 1 2 3 ⎩ a) (#) é bem ou mal condicionado? Porque? O que isso significa? b) Resolver (#) pelo método de Gauss sem pivotamento. com fluxo de calor desprezível na direção perpendicular à placa. T6 as temperaturas nos seis vértices interiores do reticulado da figura. .2 x = 0 .8 39. acima. à direita e abaixo). 7 e 9 unidades de velocidade. b) Resolver o sistema utilizando o sistema MapleV. 3. velocidade 0 2 4 6 8 10 força 0 2.. Supomos que a placa da figura represente um seção transversal de uma barra de metal. T2 .E.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. T6.5 x2 + 0 .08 . cuja solução fornece estimativas para as temperaturas T1. Por exemplo: T1 = ( 10 + 20 + T2 + T4 )/4 ou 4T1 = 10 + 20 + T2 + T4 a) Escrever o sistema de seis equações. . ⎪0 . quando a temperatura nas bordas é conhecida. a força sobre um projétil devido à resistência do ar foi medida para velocidades diferentes. ⎧ x1 + 0 .6 74. 5. 32 .B.83 ⎪ 3) Considere o sistema (#) ⎨0 ..90 14.25 x3 = 1....25 x + 0 .33 x3 = 1.3 119 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 1.33 x + 0 .33 x2 + 0 . T2 .5 x1 + 0 .

5 x = 21.9 ⎪ 1 2 3 4 c) ⎨ ⎪0.4 x + 0. ⎧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 − 0.5 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 .1x3 + x4 = 2. i) Se det A = 0 então o sistema não tem solução .2 x2 + 2.3 x1 − x2 + x3 + 5.5 x3 − x4 = 9. verificar se a afirmação é Verdadeira ou falsa . Apresentar as fórmulas iterativas e uma garantia de convergência (se possível).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.2 x4 = −3. 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.

6614583333*x^3-.25⎥ 3 1 0 ⎥ ⎦ 11) Qual o Resíduo produzido pela solução aproximada X’= [ -3 4 0]T de ⎧0.8=a0+a1*4+a2*(4^2)+a3*(4^3)+a4*(4^4)+a5*(4^5). a5 = .194791667.a1. T1 = 120/7.f(2). T3 = 27.3=a0+a1*8+a2*(8^2)+a3*(8^3)+a4*(8^4)+a5*(8^5). a1 = 1.T6}).f(10)]. 39. T4 = 17. 119=a0+a1*10+a2*(10^2)+a3*(10^3)+a4*(10^4)+a5*(10^5)}. {a0 = 0.a4.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.712500000} >f:=x->1.194791667*x^2+. 4*T4=10+T1+T5+20.B.14285714. T5 = 150/7.002604166667.E.14285714.14285714.52 ⎪0.16 x2 + 0. T5 = 21. T4 = 120/7.6614583333. T1 = 17.f(4).4*T3=T2+20+40+T6.T5. {T6 = 190/7. T2 = 150/7} > evalf(%). 74.84 ⎪ ⎨0. > validade:=[f(0).21x + 0. ⎡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 0.42857143} 2) Solução utilizando o sistema MapleV: >solve({a0=0.24 x1 + 0. a3 = .T2. 34 .f(8).14285714.5 0 ⎤ 0 0 0 ⎥ ⎥ 3 0 3 ⎥ ⎥ 1 9 0. {T1.4*T2=T1+20+T3+T5.4*T5=T4+T2+T6+20.64 1 2 3 ⎩ Respostas: 1) Solução obtida utilizando o MapleV: >solve({4*T1=10+20+T2+T4.90=a0+a1*2+a2*4+a3*8+a4*16+a5*32. a2 = -1.a2.f(6).6=a0+a1*6+a2*(6^2)+a3*(6^3)+a4*(6^4)+a5*(6^5).15 x + 0. 14. {T6 = 27.2604166667e-2*x^5. {a0.T3. 4*T6=T5+T3+40+20}.42857143.a5}).7005208333e1*x^4+.07005208333.25 x = 0.2.36 x2 + 0.a3. T3 = 190/7.12 x3 = 0.24 x3 = 0. a4 = -.12 x1 + 0.T4.712500000*x-1. T2 = 21.

Sistemas de Equaçõe Lineares validade := [0.f(3).NORM A ≅ 0.930569 1.29999994. estimativas := [1.46568 2.906078]T b) solução exata X = [2 1 4]T 8 .514801 0.7475478 -15.a)X=[-21.50981 18. NORM A ≅ 0.f(9)].60000000.474477 -1. 9 .0000000] > estimativas:=[f(1).a) detA = -55 b) det A = 706.25]T 35 .f(7).5 1.A solução exata é x =1 y= 2 z = 3.00257.5]T b) diverge 7 .80000000.899999998.73046873. a solução exata é X=[1 1 1 1 1 1 1]T 5. 7.a) X(10) = [-0.24 0. 55.soluções exatas: a) X = [3 -4 2]T b) X = [2 -7 4]T c) X = [-3 2 1]T 10 .111718750.202343750.359500 -1. 119.990028 1.076888 1. 25.906078]T X(35) = [-1.08498]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 [1.12 0. 74.901519 1.89609367. Uma pequena perturbação nos dados de entrada pode causar uma grande alteração na solução.86188 11. 14. 39. 2. b) A solução exata é X=[1 1 1]T 4 .376447 -8.9992188] 3-a) Mal condicionado.875 11 .000181.f(5).R = [0. 94.

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

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

016666667 x + 2 .2 ) p( x ) = 1 + 2 3! ( 2 )3 2! ( 2 )2 p( x ) = −0 .2 -------------------1.-------------------.5 ) p( 6 ) = 5 e p(8)=6.3 Estimar o alongamento para o caso de ser aplicada uma carga de 7kg .04583333333 x 3 + 0 .3 4) Estimativa do alongamento ao se aplicar uma carga de 7kg: O alongamento da mola neste caso é aproximadamente p( 7 ) = 5 .2 2. Solução: 1) Tabela das diferenças finitas: i yi xi ∆yi ∆2 yi ∆3 yi 0 1 2 3 2 4 6 8 1 2.5 + (x − 2 )(x − 4 ) .675 x 2 − 2 .5 5 .3 -------------------. Obteve-se: c arg a( kg ) 2 4 6 8 alongamento( cm ) 1. 5) Análise gráfica do problema: 38 .--------------------------------------.9375 cm.3 1.1 + (x − 2 )(x − 4 )(x − 6 ) .5 1 -2.5 -1.0 2 .5 5 6.7 3) Verificação de validade de p(x) : p( 2 ) = 0 .4999999999 ( ≅ 2 .1.9999999994 ( ≅ 1 ) p( 4 ) = 2 . utilizando o polinômio interpolador de Newton para diferenças finitas.4-Interpolação Polinomial Exemplo1: O alongamento de uma mola foi medido em função da carga aplicada.( −2 .-------------------- 2) Polinômio interpolador: (x − 2) .0 6 .

para k = 1. a relação entre diferenças divididas e finitas é dada por : 1 ∆ k yi = ∆k yi . 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. + ( x − xo )( x − x1 ). 2. onde. 2. 1.( x − xn −1)∆ n yo . e i= 0... 2.. 1. 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.. ..4 Polinômio Interpolador de Newton Para Diferenças Finitas Divididas Dados (xi . i= 0. yi = f ( xi ). . . yi ) ... não necessariamente eqüidistantes. k k !. n qualquer.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 .. 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 ..B. n..E..

00054794 -0.532 4) Estimativa da velocidade do som quando a temperatura da água atinge 100 0 C .00071428 -0.136 x 10 −6 ) Simplificando a expressão .548 1. encontramos p(x) = 0.4-Interpolação Polinomial Exemplo2: A velocidade do som na água varia com a temperatura conforme tabela: temperatura( oC ) 86 93.3 ) = 1.00001289 -0.4 ) = 1.114 x 10 −5 )+ ( x − 86 )( x − 93.55199999 .3 )( −0.3 )( x − 98.548 .3 98.175 x 10-5 ----------------------------3 ∆ y0 -0.00003393 0.538 1.13666902 84 × 10 -6 x 4 − 0 .538 1.9 104 .3 )( x − 98. 0077947032 83 x 2 − 0 .54293925 m/s 6) Análise gráfica do problema: 40 .9 )( x − 104.4 110 velocidade( m / s ) 1. é p( 100 ) ≅ 1. p( 93.537999999 .136 x 10-6 --------------------------------------------------------- 86 93.532 Solução: 1) Cálculo das diferenças divididas x y ∆ y0 2 ∆ y0 -0.552 1.544 1. p( 104.9 104.3 98 . p( 110 ) = 1.552 1.548 1.4 ) (0.552 + ( x − 86 )( −0.532 -0.00107142 --------------- 2) Construção do polinômio: p( x ) = 1.00054794 ) + ( x − 86 )( x − 93.213 x 10-5 ------------------------------------------4 ∆ y0 0. p( 98.544 1. 5036369194 3) Verificação da validade de p(x) calculado no item 2: p( 86 ) = 1.4 110 1.9 ) (-0.00109090 -0.00001289 ) + ( x − 86 )( x − 93. 0000534327 9926 x 3 + 0 .544 .114 x 10-5 0.9 ) = 1.

E. 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= 0.11 p(t) = . 4.2409954552*t^3. c) Verificar a validade do modelo encontrado. xn ] com ϕ ( x ) = ( x − x0 )( x − x1 ). 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.91851648 população máxima ≅ p(5.2488977072e-2*t^5+.ξ ∈ [x0 .5095984263e-4*t^6-.9072675023 x 10 -11 Cond (V)= 39124291.4187474562e-1*t^4-.( x − xn ) pois ∆ k yi = ∆n + 1 f 0 ( n + 1 )! h n +1 = ( x − x0 )( x − x1 ). É possível estimar a população no décimo quinto ano utilizando o polinômio determinado no ítem b.h k ∆k f i .Hauser – Cálculo Numérico 4.. 1 k !. para h constante.05456458 41 .5 Erro de Truncamento E ( x) = ϕ ( x) (n + 1)! f (n +1) (ξ ). p(4) ≅ 75.B. O que podemos concluir? b) Determinar o polinômio interpolador utilizando todos os dados tabelados.. d) Estimar a a população no quarto ano.( x − xn )* ∆ n + 1 yi .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)..6536635972*t^2+10.85522232*t+50.312779138)= 77..

Aos 60 anos de idade os diferenciais por sexo já não são tão elevados comparativamente ao momento do nascimento: em 2003. estivesse exposto aos riscos de morte da tábua de mortalidade em questão 42 .6 anos.3 anos coloca o Brasil na 86ª posição no ranking da ONU.5 4 . mais 16.5 Estimar a corrente se a voltagem aplicada for de 43A usando o Polinômio Interpolador de Newton.5 anos para as mulheres. 2003). Resposta: p(43) ≅ 3.gov. de acordo com a projeção mais recente da mortalidade. ao longo da vida. E. a esperança de vida no Brasil de pouco mais que 71 anos ainda é relativamente baixa. enquanto uma mulher teria pela frente mais 22. um homem ainda viveria mais 19.8 anos: mais 7. em média. considerando as estimativas para 192 países ou áreas no período 2000-2005 (World Population Prospects: The 2002 Revision.4 anos. em média. ao completar tal idade. Vinte e três anos mais tarde. um indivíduo na mesma situação alcançaria.9 anos para os homens e mais 9. os 80.br em População / Tábuas Completas de Mortalidade). A esperança de vida ao nascer de 71. somente por volta de 2040 o Brasil estaria alcançando o patamar de 80 anos de esperança de vida ao nascer.ibge. especialmente.1 anos. Entre 1980 e 2003 a esperança de vida ao nascer.1 anos de vida”.Na tabela acima obtemos informações sobre a esperança de vida às idades exatas.88 APLICAÇÃO 3 “Ao considerar que no Japão a vida média já é superior a 81 anos. no Brasil. elevou-se em 8. Numa experiência deste tipo. (Ver www.4-Interpolação Polinomial APLICAÇÃO 2 Para determinar a resistência elétrica de um solo num sistema de aterramento.8 3 . Em 1980. perfazendo 76. enterra-se duas hastes de cobre e aplica-se uma determinada voltagem. resultando numa corrente elétrica.4 anos de vida. uma pessoa que completasse 60 anos de idade teria.3 4 . foram obtidos os seguintes dados: x ( voltagem − volts( V )) 30 35 40 47 50 y ( corrente − ampere( A )) 2 2 . a esperança de vida ao nascer que expressa o número médio de anos que se espera viver um recém-nascido (que.

E. ⎡14 ⎡14 63. 5 51 .30)]).0000001 ⎥ ⎥ ⎥ 50.8000000 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢21 ⎢21 56.800001 ⎥ ⎥ ⎥ 45.240601 ⎥ ⎥ ⎥ 43.7236187 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢19 ⎢19 58.46550812 ⎤ ⎥ ⎥ 55.1 26.5559710 ⎥ ⎥ 53.8 53.7625088 ⎥ ⎢ ⎢ ⎥ ⎢20 ⎢20 57.ibge.56097596 ⎤ ⎢ ⎢ ⎥ ⎢15 ⎢15 62. a tabela é utilizada para determinar. 9 13 . 8 42 .300001 ⎥ ⎥ ⎣ ⎣ ⎦ i = = 56. 4 55 . 1 A) Determinar o polinômio interpolador utilizando todos os dados tabelados.8368317 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ Estimativas_homens := ⎢ ⎥ Estimativas_mulheres := ⎢ 22 55.. mas também pelas demais Ciências Sociais.gov. Sugestão: ?interp B) Verificar a validade do modelo encontrado.5000000 ⎥ ⎥ 54.954550 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢25 ⎢25 53..6831095 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢18 ⎢18 59. juntamente com outros parâmetros.php?id_noticia=266&id_pagina=1).105097 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢28 ⎢28 50.476507 ⎥ ⎥ 47.2 67. D)Estimar a expectativa de vida para pessoas com idade em 2003. idade em 2003 0 10 15 20 25 30 50 55 60 65 70 exp ectativa de vida( anos .br/home/presidencia/noticias/noticia_visualiza. 5 19 .0 48.B.230445 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎢30 ⎢30 48.954138 ⎥ ⎥ 45. 5 26 . > Estimativas_mulheres:= array( [ seq( [i.4 15.8602890 ⎥ ⎥ 51.0 idade em 2003 exp ectativa de vida ( anos .1523108 ⎥ ⎥ ⎥ 49. em 2003 ) − Homens 0 10 15 20 25 30 50 55 60 65 70 67 . 6 60 . > Estimativas_homens:= array( [ seq( [i.3126236 ⎥ ⎥ ⎥ 48.165308 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢29 ⎢29 49. não somente pela Demografia e Previdência Provada. 1 15 .8740682 ⎢22 ⎢ ⎥ ⎢ ⎢ ⎥ ⎢23 ⎢23 54. pexpvidam(i)].Hauser – Cálculo Numérico http://www.000000 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢26 ⎢26 52.6353083 ⎥ ⎥ ⎥ 52.9129142 ⎥ ⎢ ⎢ ⎥ ⎢24 ⎢24 53.050032 ⎥ ⎢ ⎢ ⎥ ⎢27 ⎢27 51.5 62. o chamado fator previdenciário para o cálculo das aposentadorias das pessoas regidas pelo Regime Geral de Previdência Social. i 14.0 22.640028 ⎥ ⎥ ⎥ 46. pexpvidah(i)].6000001 ⎥ ⎢ ⎢ ⎥ ⎢16 ⎢16 61.em2003 ) − Mulheres 75.7375232 ⎥ ⎥ ⎥ 51. 14.6414611 ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢17 ⎢17 60.3 30.101122 ⎥ ⎥ ⎥ 44. 2 22 . TAREFA: Considerar os resultados de 2003. C) Plotar num mesmo sistema de eixos os pontos tabelados e a e o polinômio interpolador determinado no item b. 0 46 .6 57.373125 ⎥ ⎥ ⎥ 42. Além dos múltiplos usos. variando de 14 a 30 anos.1 18.30)]).500001 ⎥ ⎦ 43 .

Jussara M. a qual é determinada por três geradores de respectivamente 30Mw. em caminhões) para várias cotas de água. etc.1 0.0042 4. Um veículo de fabricação nacional.28 100 12.08 70 13.5 43 34 31. São Paulo: Ed.9530 8. Verificar o consumo aproximado para o caso de ser desenvolvida a velocidade de 80km/h.8221 3. Pede-se para achar a partir dos dados abaixo essas demandas máximas e mínimas . após vários testes. a que provável distância do alvo cairia o paraquedista se ele saltasse de uma altura de 850m ? 4. A tabela abaixo dá o volume de água num tanque elástico (usado para transpor-te de óleo.9 16 28 36.6 1.6 2. H 2 3 4 5 13 14 15 16 17 Demanda (Mw) 16. VELOCIDADE (km/h) CONSUMO (km/l) 55 14.27 120 11.) 1.Atlas. foi testada a precisão de seus salto em relação a um alvo de raio de 5m.3 140 10.7 Exercícios (Fonte: Cálculo Numérico Computacional. apresentou os resultados abaixo.2 14. saltando de alturas distintas em cada salto. A demanda de energia varia num ciclo de 24h e é uma função dela que o engenheiro operacional distribui as tarefas dos geradores. 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.2 3. Um paraquedista realizou seis salto. numa distância de 72 km.4-Interpolação Polinomial 4. Determinar y(0.1 1.4 15.4 44 . 15Mw e 15Mw. Sabe-se que a demanda mínima ocorre entre 1 e 5h e a demanda máxima entre 13 e 17h . Claudio. leite. Os testes foram realizados em rodovia em operação normal de tráfego. Dalcídio Moraes e Marins.1 1.1994. de acordo com a altura.1662 y ( m3 ) 2. A distância apresentada na tabela abaixo é relativa à circunferência.56 85 13. quando se analisou o consumo de combustível de acordo com a velocidade média imposta ao veículo.12). Uma hidroelétrica tem capacidade máxima de 60Mw. x(m) 0.1052 1.

53234 45 . Foi calculada a energia irradiada de acordo com o tempo de irradiação. 10 3 165.72 . ENERGIA IRRADIADA (Joules) TEMPO DE IRRADIAÇÃO (s) 3 600 71.B.44 . PESO (gf) VELOCIDADE (cm/s) 6000 13728. Pede-se para obter a possível energia irradiada quando a irradiação atingir o tempo de 25 minutos.69 7000 14828. obedecendo à tabela .7 foi mantido à temperatura de 6000 o K . 10 3 118. Numa esfera de superfície conhecida. quando para os respectivos pesos foram calculadas as devidas velocidades de propagação que estão indicadas abaixo.126904937 2) A demanda mínima é 14 . 10 3 800 1000 1200 1400 1600 6.46701783 p( 80 ) = 13. A demanda máxima é 43.07 7500 15348.4 .8632 Mw.5937 6) p(7250) = 15090.76 .4128 4) p( 80 ) = 13.08 .51 8000 15851.101 Mw. Pede-se para calcular a velocidade de propagação quando a corda está tensionada sob a ação de um peso de 7250 gf.13 6500 14288. 10 3 189. 10 3 142.72 .87 Respostas 1) p( 0 . 10 94. e ocorre entre 3h e 4h da manhã.E. e ocorre entre 14h e 15h.12 ) ≅ 1. Uma corda foi tensionada sob a ação de pesos distintos.Hauser – Cálculo Numérico 5. o coeficiente de absorção 0.4512685 5) p( 1500 ) = 177618 . 3) p( 850 ) = 11.

52 0.04 Ajustar os dados tabelados a uma hipérbole do tipo: Vol(p) ≅ Y ( p ) = A B+ p 46 .91 1.60 1.28 1. o volume de um gás é inversamente proporcional à pressão exercida.43 1.21 0. Para um certo gás.27 1.85 0.0 3.5 1. foram observados os seguintes valores: Pr essão 0. Ad 2 + Bd + C d 30 35 40 45 50 55 60 65 70 75 I 0.15 Aplicação 2:Segundo a lei de Boyle. Ajuste de Funções Aplicação1: Os dados acima tabelados descrevem a intensidade da luz como uma função da distância da fonte. 1 Determinar I (d) ≅ Y (d) = . medida num experimento.34 0.5 Volume 2.67 0.24 0. mantendo-se constante a temperatura.0 2.18 0.5 3.42 0. I(d).0 1.28 0.5.85 2.0 0.15 1.5 2.

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

∀i . =0. 2 ∆ ln yi + 1 − ∆ ln yi xi + 2 − xi ≅ cte.. . .. Para F ter valor mínimo . 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..Ajuste de Funções • Y( x ) = 1 a0 + a1 x + a2 x 2 ⇒ 1 = a0 + a1 x + a2 x 2 .. é preciso que ∂F ∂F ∂F =0.... ln y = ln a + bx + cx 2 .Determinação dos Parâmetros da Função de Ajuste CRITÉRIO DOS MINÍMOS QUADRADOS Seja Y = a0 + a1x + a2 x 2 + . i = 0 . + a p x p a função de ajustamento. é adequado o ajuste dos dados abaixo tabelados a um polinômio de grau 3. • Y ( x ) = ae bx + cx .n . O critério dos mínimos quadrados estabelece que: Seja F (a0 .5 . n ∑ (Yi − yi )2 . como ∆ yi = 1. yi ) . Dada uma tabela com n+1 pontos (xi .1.3 . a1. Yi − yi = δ i . Y ∆ (1 / y i ) = 2 ∆ (1 / y i +1 ) − ∆ (1 / y i ) xi + 2 − xi ≅ cte. Exemplo: Considerando a tabela abaixo... .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 . . =0 ∂a0 ∂a1 ∂a p 48 .

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 . ⎨ 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 . = 0 e assim: δa0 δa1 n δF = 0 . 49 . 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 . a0 e a1 . o menor valor de F será obtido δF δF através de : = 0. ∑ 2(a0 + a1xi − yi ) = 0 e δa0 i =0 n δF = 0 . ∑ 2(a0 + a1xi − yi )xi = 0 .Hauser – Cálculo Numérico 5.E.B.31 -Ajuste Linear A função de ajuste terá a forma Y ( x ) = a0 + a1 x . Sendo F uma função de duas variáveis.

071428571x . Y = 2.2857143 6.071428572 ⇒ ⎨ ⇒ ⎨ ⎩a1 = 1.5 0 3 10 15 22 40 90 xi2 0 1 4 9 16 25 55 Yi (Yi − yi )2 0.071428571 ⎩15a0 + 55a1 = 90 Logo.071428571 + 1. 50 .21428571 5.78571440 2.73469755 0. i xi yi xi yi 0 1 2 3 4 5 ∑ 0 1 2 3 4 5 15 2 3 5 5 5.32653061 1.005102041 0.08163266 0.02040816 0.14285714 4.5 ⎧a0 = 2.3571429 7.4285714 --------------- Seja Y ( x) = a0 + a1x a função que ajusta os dados . Os parâmetros a0 e a1 constituem a solução do sistema : ∑ yi = (n + 1)a0 + a1∑ xi ∑ xi yi = a0 ∑ xi + a1∑ xi2 ⎧6a0 + 15a1 = 28.5 8 28.07142857 3.5 . achar a equação da reta que se ajusta usando o método dos Mínimos Quadrados.61734694 0.Ajuste de Funções Exemplo2 : Dada a tabela .

102142857 x + 0.88 1.51 0.B.Ajuste Quadrático Seja Y = a0 + a1 x + a2 x 2 a função de ajuste.49 3. os parâmetros a0 .01 0. Pelo critério dos Mínimos Quadrados : n i =0 F ( a0 .52 0.48 ⇒ Y ( x) = −0.47 3.81 0.51 0 0.32 ------------------- -0.82 0.02 -0.13 -0.62 1.5 0.07 -0.04 0.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. i 0 1 2 3 4 5 xi yi ∆yi ∆2 yi ∑ -2 -1 0 1 2 3 3 -0.3.88 3.88 0.201x + 0. δa0 δa1 δa2 Assim.806285714 ⎪19a + 27 a + 115a = 9 1 2 ⎩ 0 51 .E.06 -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.a1 .Hauser – Cálculo Numérico 5.21 -0.31 0.24 4.51 0 0.48 0.25 -0.25 ---------------------------- ⎧6a0 + 3a1 + 19a2 = 3.5 ⎪ 2 ⎨3a0 + 19a1 + 27 a2 = 3.2 .a2 ) = ∑ (Yi − yi )2 = ∑ a0 + a1 xi + a2 xi2 − yi ( i =0 n )2 assume valor mínimo se δF δF δF = = = 0.

... > g:=fit[leastsquare[[x....... x ⎥ ⎢ ∑ ∑ ∑ i i ⎦ ⎣ i Exemplo5 – Utilizando o sistema Maple > xv:=[0..p(6)........p(3).... x=-.∑ x 1 ⎥ i i i i ⎥ ⎢ i ⎢.. y=-150.⎥ ⎥ ⎢ p p +1 2p x x .p(8)]..c..d}]]([xv.....5.5.plot(gll(x).p(5)..p(5).8]..y=a*x^3+b*x^2+c*x+d. ⎡a0 ⎤ ⎡∑ yi ⎤ ⎢ ⎥ ⎥ ⎢ ⎢a1 ⎥ ⎢∑ xi yi ⎥ ⎢. exige resolver o sistema linear: ⎡( n + 1 )∑ x ∑ x 2 ∑ x 3 ...Ajuste de Funções 5.plot(gll(x)...8.2....280...thickness=2)})... ⎥ ⎢ p ⎥ ⎢a ⎥ xi yi ⎥ ∑ ⎢ ⎦ ⎣ p ⎣ ⎦ > yv:=[p(0)....5.8. 6.p(2).......3-Ajuste a polinômio de Grau p O ajuste a um polinômio de grau p..y v]). ⎥ = ⎢ ⎥ . p < n .p(2).3..5 .5.∑ x p ⎤ i i i i ⎥ ⎢ + p 2 3 4 ⎢∑ x ∑ x ∑ x ∑ x .2........... y=150..p(3).......280). Y = a0 + a1x + a2 x 2 + ...6....5.b. > gll :=unapply(rhs(g).... 52 ..3.. + a p x p ..3.. .p(8)])..y]..x): > plots[display]({plots[pointplot]([0.5.p(0)...p(6)... x=-.{a.. ⎥ ⎢ ⎥ ⎢ ⎢...8.

83321 3.2378 12.25 15.B.25 4.53415 9 12.96982 4 7.964948 16.693145 0.2228031 5.0002490 0.958013 33.5 4 18 yi 3 4 6 9 12 17 24 33 48 ------------- ln yi 1.E.5 2 2.1 – Ajuste por Função Exonencial Seja Y = ab x a função de ajuste.19722 2. Linearizamos Y.5 1 1.8129689 0. 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 .29583 2.1684403 Os gráficos a seguir ilustram o efeito da linearização dos dados.901647 47.972329 ------------- (Yi − yi ) 2 0.3378 ∑ xi2 0 0 0.4555298 11.48491 2.87120 22.0007656 1.0012286 0.79176 1 3. i 0 1 2 3 4 5 6 7 8 xi 0 0.09861 1.3.4848 16 55.38629 1.3.08303 6.4.79176 2.17805 3.2964477 0.98422 4.5 3 3.25 9.49651 3.0496412 0.Hauser – Cálculo Numérico 5.4 -AJUSTE NÃO LINEAR NOS PARÂMETROS: CASOS REDUTÍVEIS AO LINEAR OU PARABÓLICO POR MUDANÇA DE VARIÁVEIS 5.0017628 0.930930 23.25 1.0006025 0.9754291 8.0047706 0. 53 .0903 51 xi ln yi Yi 2.

093337778 → a = e = 2.4. 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 . temos : ln y = ln a + b ln x.984218125 Y = 2.9 2.5 .813947103e14*1/(x^5. Linearizando a função Y(x) .680591334) D( seg.3378 ⎨ ⎩18a0 + 51a1 = 55.002347015 ⇒ a 0 a1 = 1. Pede-se para fazer uma tabela de D=D(v) para 100 (10) 180.3.00235) x - 5.Ajuste de Funções ⎧9a0 + 18a1 = 22.8 - 54 . Exercício : Os dados abaixo dão a duração de uma broca em função da velocidade de corte.2 -AJUSTE POR FUNÇÃO POTÊNCIA Seja Y = axb a função de ajuste.) 79 28 7.0903 ⇒ a0 = 0.98422(2. V (m / s ) 100 120 150 180 D(v)=0.69432 → b = e a1 = 2.

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. temos : a0 + a1 x 5. 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 .3.B. Linearizando.4.4. Linearizando. Linearizando.4 -OUTROS TIPOS DE FUNÇÕES DE AJUSTE x 1) Y = .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.Hauser – Cálculo Numérico Efeito da linearização dos dadoss 5. 55 .

5 3.1 4.2 Resposta: Y2.51194762 x 2 + 0.3 1 1.9818 = frequência 5000 4500 4100 3900 3500 Resposta: Y(x) = 5280 -360x e y(6) = 3120 56 . qual das duas funções Y1 = 2 . Resposta: a) ∆2 y i = 7.4047619048x + 30.558 x e Y2 = 2 .0123 3) Um filme vem sendo exibido numa determinada sala de cinema por cinco semanas e a frequência semanal. ∀i b) p( x) = 3. semana 1 2 3 4 5 6000 5000 4000 3000 2000 1000 0 0 1 2 3 4 5 6 y = -360x + 5280 R20.194 e ∑ ( Y2i − yi )2 = 0. Utilizar ajuste linear para determinar a frequência esperada na sexta semana.235 x melhor ajusta os dados da tabela? x y -2.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. b) Ajustar os dados a uma parábola. pois ∑ ( Y2i − yi )2 < ∑ ( Y1i − yi )2 ∑ ( Y1i − yi )2 = 0.332 + 0 .2 2. (aproximada à centena mais próxima) está dada na tabela abaixo.5 .14285714 2) Segundo o critério dos Mínimos Quadrados.037 e0 .

714285x 6) A tabela abaixo fornece uma relação entre a temperatura da água e a pressão barométrica.5 97 96.48x + 47846 2 R 1= 6000 5000 4000 3000 2000 1000 0 0 7) 200 57 400 600 800 .88 740 99.33328 + 0.26 780 100. existente em uma cultura depois de x horas é apresentado pela tabela.0033x .49 730 98. Ajustar os dados a uma função potência. por unidade de volume.B. Ajustar os dados a um polinômio de σ (kg / cm2 ) 5720 5260 4450 2780 1500 grau 4.5 99 98.42694 x e y (7) = 387.Hauser – Cálculo Numérico 4) O número de bactérias. Ajuste os dados tabulados a uma curva exponencial da forma y =abx e avaliar y para x=7.5 100 99.73 101 100.2813 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.5 98 97.11 720 98.3 1.E.5 660 y = 15. 7000 y = 2E-06x4 0.71 710 98. x y 0 32 1 47 2 65 3 92 4 5 6 132 190 275 Resposta: y = 32.1483 × 1. 256 5) Utilizando o critério dos Mínimos Quadrados. ajustar a uma reta os dados tabulados: xi yi 3 2 5 3 6 4 8 6 9 5 11 8 Resposta: y = -0.8931x + 2 466.476x 0. p(mm de Hg) 680 96.92 T( oC ) 690 97.32 700 97.

5 10. t oC 7.entre a roda e o trilho seco.450 0.0.150 5 4 3 2 0.164 0.990 Realizar o ajuste sugerido pelo gráfico ao lado.300 0.619873714 58 . 0.200 0.45 0.450 0.313 0.050 2 R 1= 0.148 1.9 14 15 16 18 21 η 1. com a velocidade.400 0.154 Ajustar os dados a um polinômio de grau 5.000 0 20 40 60 80 9) Os dados abaixo relacionam a viscosidade η em função da temperatura t.Ajuste de Funções 8) Os dados abaixo referem-se a variação do coeficiente de atrito ( µ ) .250 0.069 0.350 0.215 0.500 0.121 1.030772617131t+1.5 .175 1.0007x + 0. 10 20 30 40 60 70 V (km / h) 0 µ 0.409 1.192 0.100 y = -9E-10x 2E-07x + 2E-05x .250 0.0196x + 0.276 1. Resp: η( t ) =-0.

Hauser – Cálculo Numérico 10) Verificar qual das funções Y1 = 0.015619 − 0.0001523 x ou Y2 = 0.0131 0.00654 0. 20 40 60 80 100 xi yi 0.043906+p) 59 .E.0026 Respostas: Aplicação1: Y(d)= 1/(.1329810498e-2*d^2-.98028) x melhor se ajusta à tabela dada .B.6161059331) Aplicação2: Y(p) = 5.0034 0.017054(0.00459 0.2080049421e-1*d+.779411/(2.

.. n. f ( xi )) .b ] 6.....5 86. OBS : fm = f é 1 b ∫ f ( x )dx b−aa é o valor médio de f ( x ) em [ a .1 -Fórmulas de Newton-Cotes x −x Consideremos (xi . 60 . i = 0. Integração Numérica b Objetivo : Calcular a ∫ f ( x)dx . a temperatura (oF) foi registrada. Aplicação: Para controlar a poluição térmica de um rio.b ]. n A integral da função f(x) no intervalo [x0 ..8 86. yi = f ( xi ) .6 75.1 78..1 Encontrar a temperatura média da água entre 9h da manhã e 5h da tarde e estimar o erro cometido nesse cálculo. i = 0.6 . 1. + ∆ y0 ⎟ ∫ ⎜ ⎟ dx ⎜ y0 + 2 h n! h n 2! h ⎠ x0 ⎝ Se R = Assim: x= x − x0 .. xi +1 − xi = h . n.. f ( xi )) . xn ] é dada por : xn x0 xn x0 ∫ f ( x )dx ≅ ∫ Pn ( x )dx = = xn ( x − x0 ). h = n 0 . reproduzindo os dados: x( hora ) 9 10 11 12 13 14 15 16 17 y( temperatura ) 75.( x − xn −1 ) n ⎞ ( x − x0 )( x − x1 ) 2 ( x − x0 ) ⎛ ∆y0 + ∆ y0 + ..4 81. então x= h x0 → R = 0 x0 + Rh → dx = hdr e x = xn → R = n .3 77. onde a função integrando f ( x) ou é conhecida por sua expressão a analítica ou por uma tabela de valores (xi ..0 83. f ( b ) > 0 e contínua em [ a .. 1. se f ( a ).1 84.

0245 ( 1 − 0 )máx f ' ' ( x ) = 12 12 x ∈ [0 . ( xn − x0 ) / n < 0.. h = 1 = 0.... ou para o intervalo [xi .B.E.2 – Regra dos Trapézios Considerando n = 1 na fórmula de Newton-Cotes temos : ∫ ∆y ⎤ h ⎡ = h ⎢ y0 + 0 ⎥ = [ y0 + y1 ]. ET ≤ h2 h2 ( 2 ) < 10 − 4 ⇒ h < 0. Exemplo1: Determinar h de tal forma que a regra trapezoidal forneça o valor de erro de truncamento menor que 10 −4 .1] ∫ 1 − x2 e dx com um 0 n = ( xn − x0 ) / h . 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. 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 .02439 41 61 .( R − n + 1 ) n ∆ y0 + .8 → n = 41 .. R ( R 1 ). 6. n > 40. h = ( xn − x0 ) / n .( 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 )..0245 . + ∆ y0 )dR 2! n! ⎤ ⎡ n n ∆2 y0 n ∆n y0 n R ( R 1 ) dR ..

6 -Integração Numérica 6.Aplicação:. usando oito subintervalos.1 Encontrar a temperatura média da água entre 9h da manhã e 5h da tarde e estimar o erro cometido nesse cálculo.8 86.1 78.3 77. x n ] Exercícios 1. 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 . a temperatura (oF) foi registrada.1 84.3 – Fórmula de Simpson Fazendo n = 2 na fórmula de Newton-Cotes.6 75.4 81. temos. Estimar a área da região hachurada pela regra dos Trapézios e pela de Simpson. 2.0 83.Para controlar a poluição térmica de um rio. ⎡ ⎤ 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. 62 . reproduzindo os dados: x( hora ) 9 10 11 12 13 14 15 16 17 y( temperatura ) 75.5 86.

3 0 2 b) ∫ e − x dx 0 com h = 0. Calcular por Trapézios: e− x ∫ e − x dx 0 2 1 2 a) com h = 0.25 π/2 c) ∫x 2 cos xdx com n=0. Calcular a integral abaixo pela regra dos Trapézios e pela de Simpson. usando quatro. Estimar as coordenadas-y dos pontos do gráfico e aproximar a área da região fechada usando seis subintervalos 63 .E. Comparar os resultados. seis e dez subintervalos. O gráfico da figura foi registrado por um instrumento usado para medir uma quantidade física.B.5 b) ∫ e x tgxdx 0 com h=0.1 5.Hauser – Cálculo Numérico 3. Calcular por Simpson: 1.2 a) ∫ dx ex + x + 1 2 com h =0 .4 0 6. π /2 0 ∫ sen( 2 cos x ) sen 2 xdx 4.

496396 0. n 4 6 10 Trapézio 0.6 -Integração Numérica 7) A função de Bessel é solução de uma equação que surge com grande freqüência..763624 3.2 . em engenharia e/ ou física matemática.110603 5. na resolução das equações diferencias parciais pelo método da separação de variáveis. cilíndricas e esféricas.58 oF ( por Trapézios) 2. π ∫ cos( mx − tsenx )dx . temperatura média ≅ 81.658685 b) I = 0.466890 7. Respostas: 1. por exemplo.3 ..481485 0..1.761237 Simpson: 1. Constitui exemplos importantes desta modelagem o estudo da evolução da temperatura e reações químicas em cilindros e esferas.508045 4.882065 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. a) I = 0. Trapézios: 1.636571 b) I = 1. em coordenadas polares. a) I = 0. As equações de Bessel surgem quando aplicamos a técnica de separação de variáveis a problemas de valor de contorno.512682 0.503836 Simpson 0. J 0 ( 3 ) = -0.260052 64 . m = 0 .508646 0.

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

t j ∂t ( ) u . y j ∂ y2 ( − 2u . 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 .j h2 +u i −1 .Hauser – Cálculo Numérico Derivada Diferença Finita h. i j +1 i j i j −1 centrada k2 Exemplos: 66 .E. h y i +1 −y 2h i −1 centrada . i j +1 i j −1 centrada 2k ∂ 2u xi .B. j centrada ∂ 2u xi . + u .t j ∂ x2 ( ) ) u i +1 . −u . j − 2u i. u . k=tamanho do passo na direção x e na direção y (ou t) y − yi i +1 avançada .

4221 3.6 0.4155 2.3 0.7131870 4.7115737 4.6496963 2.1446 3.4214 2.4100 2.0000 2.0167 4.4221007 3. y(0) = 2 yn h = 0.0000000 2.2051266 2.4167 3.1487 3.7 0.2579 4.1 0.8641 3.1289 3.2049 2.8918148 3.3595665 4.0255409 4. y(0) = 2 yn h = 0.3066 4.6310 2.0 0.3541 4.2050000 2.2046 2.8 0.0000000 2.1 0.1 0.0 0.2051709 2.4221188 3.3587148 4.4194 3.4210250 2.4213987 2.0000 2.0255115 4.2025 2.7138 4.0248265 4.4214028 2.0255 4.6492326 2.6489 2.4 0.2 0.6533 h = 0.9 1.7171911 2.6 0.8775 3.0000000 2.4202 2.0227889 4.6401 2.6487 3.9829 4.2 0.6498588 2.3596031 4.3 0.2051691 2.0000 2.3959 3.4213047 2.8903 3.8909021 3.8918247 3.2052 2.7137294 4.4204287 3.7 -Resolução Numérica de Equações Diferenciais Ordinárias xn h = 0.05 2.9 1.0 2.4216801 3.6498521 2.2000 2.7 0.1 0.1487076 3.8889 3.7048 h = 0.7182818 67 .1467 3.5 0.8915852 3.0000000 2.3716 3.4208 2.0000 2.01 2.7183 xn h = 0.6478 2.7137527 4.4 0.1483904 3.7182369 Solução exata Y(x) = ex + x + 1 2.6499 2.0211 4.05 h = 0.0000 2.7068 4.1105 3.1487213 3.1474468 3.01 2.7140809 Método de Runge-Kutta de segunda ordem Problema: y' = y – x.3486 4.7115 Solução exata Y(x) = ex + x + 1 2.3596 4.7102 4.0 2.9436 4.6799 3.8918 3.8 0.3561818 4.5 0.5937 Método de Euler Problema: y' = y – x.005 2.

B.1046 1.2248265 2.8221188 2.4909021 1.3478 1.1051266 1.7048 h = 0.6446 1.4541 2.3492326 1.2213047 1.2227889 2.1049 1.3496963 1.6 0.3489 1.0102 2.0138 2.0000000 1.8204287 2.1 h = 0.0000 1.3498588 1.1436 2.2 0.5 0.9 1.E.2255409 2.2214028 1.2155 1.0000 1.1 1.6289 1.7 0.0115737 2.2208 1.9487 2.Hauser – Cálculo Numérico xn h = 0.4596031 2. y(0) = 1 yn h = 0.4641 1.2100 1.2167 2.4 0.0 xn Método de Runge-Kutta de segunda ordem Problema: y' = y.4596 2.4587148 2.1051691 1.1025 1.2 0.3499 1.4595665 2.2255 2.7182818 0.4918 1.8 0.3 0.4903 1.6487076 1. y(0) = 1 yn h = 0.6487213 1.2255115 2.8221007 2.0000 1.7183 0.7115 Solução exata Y(x) = ex 1.6 0.2211 2.7171911 1.2214 1.8216801 2.8 0.05 1.3401 1.0068 2.1 0.3 0.0000000 1.0137294 2.0 0.1052 1.6483904 1.01 1.4486 2.0 0.0131873 2.6474468 1.7716 1.0000 1.4918247 1.7959 1.9799 2.9 1.0000000 1.4915852 1.1829 2.7140809 1.6487 1.5937 Método de Euler Problema: y' = y.01 1.05 h = 0.0137527 2.3498521 1.3310 1.8167 2.2213987 1.3579 2.0 68 .4 0.5 0.4889 1.1051709 1.1000 1.8194 2.2202 1.6533 h = 0.8221 2.1050000 1.4918148 1.1 0.6467 1.0000000 1.6105 1.7 0.4066 2.005 1.4561818 2.0000 1.7182369 Solução exata Y(x) = ex 1.4775 1.2210250 1.

0000 0.6 0.0000000 0.0625 0.4096640 0.01 0.1 0.0076 0.1 0.0001 0. y(0) = 0 xn h = 0.0631250 0.0243 0.1764 0.0001250 0.4160000 0.0000000 0.3 0.6642000 1.7 0.3600 0.6416 0.0900 0.0260000 0.0000000 0.0256 0.0 Método de Runge-Kutta de segunda ordem Problema: y' = 4x3.2401000 0.1 0.5 0.3 0.0000 0.0001 0.2070 0.2401490 0.0009 0.0000000 0.5184 0.7 -Resolução Numérica de Equações Diferenciais Ordinárias Método de Euler Problema: y' = 4x3.2413250 0.4 0.5852 0.0081000 0.0025000 h = 0.0272000 0.0625250 0.8 0.5 0.0036 0.2 0.0000 0.0506 0.2401 0.0000 0.0016 0.8 0.0256160 0.0004 0.4112000 0.4096 0.0020000 0.0100000 yn h = 0.0600 0.01 0.4 0.8100 yn h = 0.1253 0.1296000 0.7 0.0081090 0.3136 0.05 0.9801 Solução exata Y(x) = x4 0.3994 0.6561000 1.6561810 1.0090000 0.0014 0.0016040 0.0017000 0.1 0.2333 0.0256000 0.0001000 0.05 0.9 1.9025 h = 0.0625000 0.0056 0.0083250 0.6561 1.2 0.1089 0.1296 0.0000 0.0016000 0.1 0.0650000 0.0001010 0.0144 0.1305000 0.0400 0.4096000 0.0196 0.0081 0.1296360 0.0 69 .0000 0.6581250 1.2450000 0.9 1. y(0) = 1 xn h = 0.0001000 Solução exata Y(x) = x4 0.0000000 0.6 0.0 0.1332000 0.0002000 0.0000 0.

y( 2 ) = 1 ⎧ ⎪ x 2 y' ' +3 xy' +3 y = 0 c) ⎨ ⎪ ⎩ y( 1 ) = 5 . resolver o PVC.1 e) ⎨ ⎪ ⎩ y( 1 ) = 0.n = 5 . h=0. h=0. 5 . h=0.1.1 . h=0. X i =0. se : ⎧ ⎪ y` = − xy − 1 ⎨ .n = 10 70 . X i =0.3 ⎧ ⎪ xy`` − y` −8 x 3 y 3 = 0 .4 ⎧ ⎪ y` = 100 y − 101e x − 100 ⎨ d) ⎪ ⎩ y( 0 ) = 2 . X i =0. X i =0.1 .4 . y `( 0 ) = 0 ⎩ h=0. f) ⎨ ⎪ y ( 0 ) = 0 . y`( 1 ) = −0 .1 . h=0. X i =1. X i =1.n = 4 ⎩ y( 0 ) = 4 .4 ⎪ ⎩ y( 0 ) = 1 ⎧ ⎪ y´ = 4 x 3 c) ⎨ . y( 1 ) = 2 . y( 2 ) = 0 ⎧ y' ' +2 y' + y = 5 x b) ⎨ ⎩ y( 0 ) = 4 . X i =1.25 . determinar y(X i ). y( 1 ) = 0 .2 a) ⎨ .Utilizando o Método das diferenças finitas. determinar y( X i ).1 .Utilizando o Método de Heun (Runge-Kutta de 2ª ordem). .2 ⎩ .Hauser – Cálculo Numérico Exercícios: 1. Utilizando o método de Euler.3 2.n = 8 ⎧ y' ' +( 1 − x ) y' + xy = x d) ⎨ ⎩ y( 0 ) = 0 . h=0. se: ⎧ y´ = − xy ⎧ ⎨ ⎪ y´ = 3 x 2 + y b) ⎩ y( 0 ) = 1 . ⎧ y' ' +9 y = 0 a) ⎨ . h=0.1 .5 ⎧ ⎪ y`` −( 1 − y 2 ) y` + y = 0 .75 a) ⎪ ⎩ y( 1 ) = 2 ⎧ ⎪ y` = x + y .3 ⎪ y ( 0 ) = 0 ⎩ 3. y > 0 b) ⎨ ⎪ ⎩ y( 1 ) = 0 ⎧ ⎪ y` = x 2 + 2 y ⎨ c) ⎪ y( 1 ) = 0 .3 X i =0.5 . e o valor indicado de n. X i =1.B.E. h=0.2.

2259 b) y 2 = −0 . para massa m=1.3353 y7 = 1. Utilizando Euler com h=0.4)=0. velocidade inicial y’(0) =0.2660 y1 = 3. as condições de contorno são w(0) =0.9801 c) y(0.5 .3308 y4 = −0 .3226 d) y5 = 1.4)=1.6855 y9 = 1.a) y(0.2018 b) y(1.5149 y8 = 1.5. utilizando diferenças finitas.5807 y3 = 6 .a) y 2 = −2 .1465 y6 = 1. amortecedor c=0. 0 < x < L .0681 3.3)=-25.7 -Resolução Numérica de Equações Diferenciais Ordinárias 4. rigidez k=2. • Módulo de elasticidade E=3.Considerar o problema de deflexão de uma viga de seção transversal retangular sujeita a uma carga uniforme.2064 c) y4 = 1. 5.5)=0. amplitude da força L=0.3)= 0.2167 y 2 = 0 . 4 • Momento central de Inércia I=625 pol . PVC .a) y(1.4558 c) y(1. estimar o deslocamento para o tempo x=0. 3647 f) y(0.7357 y4 = 0 .2)=0.875 71 .3)= 0.9471 y 2 = 2 .3)=0. Considerando: • Comprimento L=120 pol.3991 2.5. • Esforço nas extremidades S=1000 lb.25.2206 e) y(1.3356 y3 = −0 . com deslocamento inicial y(0)=1.2913 4) y(0.8842 y1 = −5 .6430 y7 = 0 . tendo seus extremos apoiados de modo a não sofrer deflexão alguma.5826 y5 = 1. w+ 2 EI dx 2 EI Como não ocorre deflexão nas extremidades da viga.75)=1.4)=0.0 x 107 lb/pol2. w(L) =0.9640 y3 = 2 .7778 d) y(0. PVI -Considerar um sistema massa-mola-amortecedor descrito pela equação diferencial ordinária de segunda ordem: m y” + cy’ + ky = L sin x.5097 y3 = 0 . aproximar a deflexão w(x) da viga a cada 20pol.1189 b) y(0.6774 y1 = −0 .8474 y6 = 0 . O problema de valor de contorno que rege essa situação física é d 2w q S = x( x − 1 ).009 y1 = 0 . • Intensidade de carga uniforme q=100 lb/pé. Respostas : 1.

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

Se a temperatura na região é determinada por sua distribuição no limite da região. 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. Figura2 73 . para todo(x. as restrições são denominadas Condições de limite de Dirichlet.Hauser – Cálculo Numérico Nessa equação supomos que a função f descreve os dados do problema em uma região plana R com fronteira S. ∂t ∂x 2 modela matematicamente o problema físico referente ao fluxo de calor ao longo de uma barra de comprimento l (figura 2). y ) = 0. y ) ≡ 0 que é a equação de Laplace ∂ 2u ∂x 2 ( x. y ) + ∂ 2u ∂y 2 ( x. por exemplo.2. Equações desse tipo aparecem durante o estudo de diversos problemas físicos dependentes do tempo. 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. y ) = g ( x. a distribuição de calor para um estado estável em uma região plana.1. Por exemplo. Para se obter uma solução única para equação de Poisson é necessário impor outras restrições. a qual tem uma temperatura uniforme dentro de cada elemento transversal. dadas por u ( x. o estudo da distribuição de calor no estado de equilíbrio em uma região plana requer que f ( 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 . Essa condição requer que a superfície lateral da barra esteja perfeitamente isolada.t ) = 0 . a fronteira da região R ( ver figura 1).t ) + ( x . Figura 1 8.B.E.y) em S. y ).

as condições de contorno serão: ∂u ∂u (0.t ) = U 2 . t ) = 0 e (l . t ) = 0. 8. 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.8 . Por exemplo.t ).0)=f(x) e em descrever o comportamento nas extremidades da barra.Equação da Onda (EDP Hiperbólica) Consideremos a equação da Onda unidimensional . t ) de um ponto x no tempo t satisfará a equação diferencial parcial α 2 ∂ 2u ∂x 2 ( x .t ) = U 1 e u( l . t ) = U 1 + U 2 − U1 x. Para impor restrições a esse problema. 0 < t .de comprimento l . as condições de contorno têm a forma: u( 0 . ∂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. l t→ ∞ Se. Supomos que uma corda elástica .1. um exemplo de uma equação diferencial parcial hiperbólica. para 0 < x < l .t ) = ∂ 2u ∂t 2 ( x . se as extremidades são mantidas em temperaturas constantes U i e U 2 . se os efeitos de amortização forem desconsiderados e a amplitude não for muito grande. e a distribuição de calor se aproxima da distribuição limite de temperatura lim u ( x . vamos supor que a posição e a velocidade iniciais da corda sejam dadas por 74 . a barra estiver isolada de modo que não flua calor por suas extremidades. o deslocamento vertical u ( x .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.3.

1. y j ). Utilizaremos uma adaptação do método de Diferenças Finitas . u ( x.0) = f ( x) e 8. c < y < d } .t ) = 0 .E. y ) / a < x < b .. teremos: u( 0 .1.... para todo j = 0.t ) = 0 e u( l .2.B. y ) ≡ 2 ( x . para todo i = 0. traçando linhas verticais e horizontais ( x = xi e . y ) = f ( x . y ) = g( x .n e y j = c + jk . y ) ⎨ ∂x ∂y ⎪ ⎩ u( x . ∂t Se os pontos extremos forem fixos.m Figura 4 75 ..Hauser – Cálculo Numérico ∂u ( x . y ) para ( x .. y ) ∈ S . e suas intersecções são os pontos de rede (mesh points). k=(d – c)/m . h=(b – a)/n . Em R contruímos uma grade(figura4) . y = y j grid lines) pelos pontos (x i . y ) + 2 ( x . então existe uma única solução para esse problema de valor de contorno..0 ) = g( x ). 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. Se f e g são contínuas em seus domínios. -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 . onde S é a fronteira(contorno) do retângulo R = {( x . onde x i = a + ih...

y 0 ) = g ( xi .... onde wij é uma aproximação de u ( xi ..5) 76 . com um erro local de truncamnto da ordem de O(h 2 + k 2 ) : 2 ⎤ ⎡⎛ h ⎞ 2 ⎛h⎞ 2 ⎢⎜ ⎟ + 1⎥ wij − wi +1. y m ). Na forma da equação de diferenças.n-1 e j = 1.. y j . y j ).1.. y j ) = g ( x0 . y j + ( ) ( ) ( ) + u(xi+1 .. y j ) k ∂ u ( − xi . ( ) ( ) ( ) (2. y j ) + (xi −1 . y xi .. y j ) e u ( x n .. y j ) k2 ( ) h 2 ∂ 4u k 2 ∂ 4u + ξ . y 0 ) e wim = g ( xi .2. xi +1 )... y j ) = g ( x n . 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 . y j ) + (xi−1 . y )..2.1) onde ξ ∈ ( xi −1 . y j ) e wnj = g ( x n . y j + xi −1 .2. y j ) − 2u(xi . para todo i = 1. isso resulta no método das Diferenças Finitas para a equação de Poisson... j −1 = −h 2 f xi . i j 12 ∂x4 12 ∂y4 ( ) ( ) para todo i = 1.3) onde η ∈ ( y j −1 . y j − 2u xi . para todo j = 0.2. j − ⎜ ⎟ wi .. y j ) .. y 0 ) e u ( xi ..4) w0 j = g ( x0 .1.. 2 2 12 4 2 4 k ∂y (2.m.. com i = 1. A utilização dessas formulas na Equação (2.2.m-1.η j )..n-1 e com j = 1. como u xi +1 ...1 e j = 1.....m-1.2. y j ) . y j ). u ( xi . m .1) nos permite expressar a equação de Poisson nos pontos (x i .2. y m ). wi 0 = g ( xi .. 12 ∂x4 i j (2..1..8 . para todo i = 1. y j h2 ) ( ) ( ) − h2 ∂4u (ξ . y j ) − 2u(xi . y j − 2u xi ... y j ) = (xi .. (2.2.. e as condições de limite como u ( x0 . y m ) = g ( xi .Resolução Numérica de Equações Diferenciais Parciais Para cada ponto de rede no interior da quadricula (x i . j + 1 + wi . y j ) = 2 u xi +1 . y j ).n-1. y j h2 = f xi .m..n-1.. n ..η j . j + wi −1.... utilizamos a série Taylor na variável x ao redor de xi para gerar a fórmula das diferenças centrais ∂2u ∂x ( ( xi .. y j + xi −1 . para todo j = 0. k ⎝k⎠ ⎥ ⎢ ⎦ ⎣⎝ ⎠ i = 1. y j +1 ).

y ) .. Por exemplo. 2n – 1.6.2. y ) nos pontos (x i −1 . observamos que cada equação contém aproximações em uma região em forma de estrela ao redor de (xi .m-1.. y j ) .5)..E..2. (x . Figura 6 77 ..Ao marcar os pontos desse modo.Hauser – Cálculo Numérico A equação em (2. y j ) adjacentes ao ponto de rede do limite. em todos os pontos (xi . y j ). poderemos dizer que. y ) e (x . se garante que o sistema necessário para determinar wij seja uma matiz de banda com uma largura de banda de.. i j −1 i j +1 Reproduzindo a parte da malha na qual esses pontos estão situados (veja figura. com a remarcação se obtém uma quadrícula cujos pontos são mostrados na Figura 12.4) envolve aproximações a u ( x .4). (x . cujas incógnitas são as aproximações wij a u ( xi . no máximo. y ). (x i j i +1 . Figura 5 Se utilizarmos a informação das condições de limite (2. y j ). teremos um sistema linear ( n – 1)(m – 1) x ( n – 1)(m – 1). y j e wl = wij ( ) onde l = i + (m − 1 − j )(n − 1).5) sempre que for conveniente no sistema dado por (12. y j ) no interior dos pontos de rede. com n = 4 e m = 5. Um sistema de marcação desses pontos consiste em utilizar Pl = xi .n-1 e j = 1. Isso marca consecutivamente os ponto de rede da esquerda para direita e de cima para baixo. O sistema linear que contém essas incógnitas será expresso mais eficientemente em cálculos matriciais se for introduzida uma remarcação dos pontos interiores da malha...B. para todo i = 1.

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

835 38.490 38.t ) + ( x . u21 = } 36 36 12 12 > evalf(%).4166666667} Exercícios: 1) Com h=k=10.2 / 3 ) ≅ u11. j = 0. j + ui .368 24.3611111111. j = 0 Para determinar o valor de u( 2 / 3 .138 46.60 ) = u ( 80 .5833333333. 0 < y < 60 . 13 7 7 5 { u12 = . u11 = . u11-4*u21+u22=-8/9.138 67.E. u11 = . obtemos a equação de diferenças finitas: ui + 1.917 2. j + i 4 j↓ 6 5 4 3 2 1 0 x→ 0 100 100 100 100 100 100 100 0 1 0 46.523 4. y ) = 100 .835 0 20 3 0 13.110 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 .{u11.0 ) = u ( x . ui . resolver numericamente equação de Laplace ∂ 2u ∂ 2u ( x .010 26.032 23. 0 < x < 80 . ∂x 2 ∂y 2 sujeita às condições u ( x . u( 2 / 3.368 42.u12.u21. u21+u12-4*u22=-14/9}. y ) = 0 .110 1.2. j + ui . para i.942 9.B.660 8.Hauser – Cálculo Numérico Utilizando diferenças finitas centrais com h=k=2/3.633 7. e u ( 0 . u( 4 / 3. j + ui −1.917 1. u11-4*u12+u22=-2/3.348 5.523 0 60 7 0 1.u22}).1. j = ui + 1. j = 1 + ui − 1.009 4.068 13. u21 = .211 1. j −i + ui .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=0.993 63. u22 = . u22 = .978 23. j − 1 − 4ui .942 4.1944444444.620 13.633 0 50 6 0 2.010 13.t ) = 0 .348 2.128 7.192 63.978 0 30 4 0 8.2 / 3 ) ≅ u 21 e u( 4 / 3.068 0 40 5 0 4. { u12 = .4 / 3 ) ≅ u12 .660 15.3.993 0 10 2 0 24. j + ui .

3934 0.4350 0.6408 0.0483 0.04 3 0 0.9869 0.8 .4647 1.4809 0.9053 0.030 0.9616 0.0000 0. e as condições iniciais Ajuda: Diferenças finitas para o problema com h=0.5401 1.4004 0 0.1429 1.5878 0.3090 0 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 0.0902 0.7 0.5208 0.3584 1.3559 0.7038 0.3584 1.3219 0.6366 0.9511 0.5 ui .6408 8.05 4 0 0.1429 1. t ) = u ( 1.8090 0.2 0. j + 0 .005 ⎞ ⎛ ui .2 0. j +1 = 0 .0483 0.3219 0 0.4 0.1304 1.4365 0.9 ui .Resolução Numérica de Equações Diferenciais Parciais ∂u ∂ 2u ( x . j i 1 .0369 0.8304 0.5758 0.6986 0.4809 0 0.1886 1. 0 < t .8820 0.4365 0 0.9869 0.t ) = 0 .8 1 Diferenças finitas para o problema com h=0.015 0.5208 0.9511 1.2958 1.2324 1.5878 0.7781 0.06 5 0 0.8 0.025 0. 0 ≤ x ≤ 1.0369 0.4759 0 0.5758 0.1⎜ u +u ⎟ i −1.4647 1.5189 0 0. j + 1 = 0 .5969 1.9 1 tempo 8 0.8304 0.5878 0 0.8820 0.0 ) = sen( πx ).1 0.5317 0.3 9 10 ← i 0.5 6 1.01 0 0 0. j ⎠ ⎝ i +1.03 2 0 0. ∂t ∂x 2 com as condições de contorno u ( 0 .4 – Bibliografia para EDP`s 82 .2.8090 4 1. 0 ≤ t .3435 1.00 x→ 0 ↑ tempo 0.3090 2 0. j + 0 .3559 0 0. k=0.5189 0. t ) = 0 .2460 1.6 7 1.3369 0 0.02 1 0 0.4127 1.4350 0 0.7616 0.4759 0.6 0.6986 0.2324 1.5878 3 1.2460 1.7038 0.7781 0.3673 0.3934 0 0.010 0.000 ↑ 0.020 0.4 5 1.25⎜ u ⎟ + − i 1 .3673 0 0. 0 < x < 1.t ) − ( x .4004 0.5969 1.005 0.6366 0.8602 0.9511 0.3369 0.9053 0.5317 0 0.9616 0.3435 1. j ⎠ ⎝ j↓ ←i 0 1 2 3 4 5 6 0 0.8602 0.6791 1.9511 0.7616 0.01 ⎞ ⎛ +u ui . k=0.1.1304 1. u( x .

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

y ) = 0 ( x. j + ui . ui . j i 1 .005 2 ⎛ 2α 2 k ⎞ ⎞ ⎟u +α k⎛ ui . j • u i.t ) ∂t 2 ∂x 2 2 2 ⎛ β 2k 2 ⎞ ⎞ ⎟u + β k ⎛ +u ui . j + 1 = 2⎜ 1 − u ⎜ ⎟ − u i . j + ui −1.5 0. j ⎜ i − 1.15 0. j + 1 = ⎜ 1 − +u ⎟ ⎜u ⎜ ⎟ i. j + 1 = ui −1. j + i 4 • u i − 1. k=tamanho do passo na direção x e na direção y (ou t) Centradas. j − 1 Calor ∂ 2u progressivas ∂u ( x . j − 1 84 . j u i. j + ui + 1. j o • u i + 1. j u • i+ 1. j + 1 ui .7 1. j −1 h2 • u i. j ⎠ 2 ⎟ 2 ⎝ i + 1. j + 1 o • u i − 1.t ) = α ( x . j − u i .t ) = ( x . y ) + 2 2 ∂x ∂y • u i. j • u i + 1. j • u i. j Se β = 1 e k2 = 1 . com h=k Célula Computacional Laplace ∂ 2u ∂ 2u ( x. j u • i. j Onda ∂ 2u ∂ 2u 2 β ( x . j i 1 .t ) 2 ∂ t ∂x Material Prata Cobre Alumínio Ferro Concreto α >0 1.Equação Diferenças Finitas h. j+1 o • u i−1. j −1 i . j − i + ui . j = ui + 1. j h h ⎝ ⎠ u i. j + − 2 2 ⎠ ⎝ h h ⎝ ⎠ 1 k Converge se < h2 2 centradas u i.85 0.

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

2. F ( β .. 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 ) .Formulário 1a) # F = 2( β − 1 )β ⎡ ⎢ ⎣ ⎡ ⎛ −x x t −1( M − m + 1 )⎤ + 1 . . m. n e k = 1. ⎞ ⎛ ⎞ ⎛ ⎟ ⎜ ⎟ ⎜ 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. n-k ... ⎥ ⎢ ⎥ ⎢ ⎢ ⎦ ⎣ ⎦ ⎣ ⎣ i ⎥ ⎦ 4a) NORM A = det A α 1α 2 Lα n onde α k = a 2 + a 2 + L a 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 + .. n. com i= 0.. .. n ∑ ∑ ∑ a diferença finita de ordem k é ∆k yi = ∆k −1 yi + 1 − ∆k −1 yi . 2. 2..1. 6) Diferenças Divididas: ∀ i= 0.... 2.( a n x + a n −1 ) x + a n − 2 )x + .. ..3 + log ⎜ ⎜ ⎥ xk + 1 ⎦ ⎢ ⎝ ⎣ ⎞⎤ ⎟⎥ ⎟⎥ ⎠⎦ 2) Seja p( x ) = a n x n + a n −1 x n −1 + . n-k . 2.. Para k = 1.... com i= 0.j = 1....Cálculo Numérico . n.. 2. f ( xk ) 3) Método de Newton-Raphson: xk + 1 = xk − . 1. 2.. t . . máx f ' ( xk ) ≠ 0 f ' ( xk ) a) Horner: 4) Sistema de n equações lineares: AX=B. máx.. n .2 .. 2. X = ⎡ x ⎤ e B = ⎡ b i ⎤ com i.. . kn k2 k1 4b) A matriz A é Diagonal Dominante se a > ii ∑ n aij ∀ i ...... n.+ ( x − xo )( x − x ). então p tem raízes complexas.. M ) .seja ∆ k yi = ∆ k −1 yi +1 − ∆ k −1 yi xi +k − xi ( x − xo ) h ∆0 yi = yi .a 2 )x + a1 ) x + a0 1 2 3 n −1 2 b) Huat: Se p(0) ≠ 0 e para algum k = 1.2 .... j = 1. A = ⎡a ij ⎤ .seja ∆ yi = yi .n-1. para k = 1... 1b) DIGSE( x ... + a3 x 3 + a 2 x 2 + a1 x + a0 p( x ) = (((.(x − x )∆ n yo 0 1 1 n−1 86 .. 2. .. 2. 1.. j =1 j ≠i 4c)Gauss -Jacobi e Gauss -Seidel: ∀ i= 1. 1. ak ≤ ak −1ak + 1 . . a diferença dividida de ordem k é .. 1.. n .. 2... ... . p( z ) = yo + z ∆y + z( z − 1 ) . k = 0 .. n. x µ + k +1 k k k + 1 ) = − ⎢0 . . Para k = 1. .

n ⎛ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ n+1 e p < n . a h 11b) Runge-Kutta de 2 Ordem : y = yi + (k1 + k 2 ) . yi ) .. i= 1.. os parâmetros a 0 ... y( xn ) = y n . yi + hk1 ) . então.x n ] ou ES ≈ ( xn − x0 ) max ∆4 yi . 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 . y ( xi ) ≅ y i com xi = xo + ih ... y ) 11) PVI: Sejam ⎨ ⎪ ⎩ y( xo ) = yo y ( xi ) ≅ y i com xi = xo + ih ....n-1. i= 0. 180 ⎧ ⎪ y' = f ( x ..n. Diferenças Finitas: ⎜ 1 + ⎛ ⎝ h ⎛ h ⎞ ⎞ P( xi ) ⎟ yi + 1 + − 2 + h 2 Q( xi ) yi + ⎜ 1 − P( xi ) ⎟ yi −1 = h 2 f ( xi ) ... 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 ... xi = xo + ih e y i = f ( xi ) . 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 . 11 a)Euler: yi + 1 = yi + hf ( xi .. i= 0.... xn ] xn ET ≈ ( xn − x0 ) max ∆2 yi . i = 0 . yi ) e k 2 = f ( xi + h ..n-1.. e 1 ⎛ n+1 ⎜ ⎛ n+1 ⎛ xi ⎞ a ⎞ yi ⎞ ⎜ ⎜ ⎟⎛ ⎟.1.n-1 2 2 ⎝ ⎠ ⎠ ( ) 87 . i= 0. ⎪ ⎩ y( xo ) = yo ..n e h = ( xn − xo ) / n . para ∑ ∑ = n i =0 . 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 . yi ) .1. i = 0. i= 0. i +1 2 12) PVC: Sejam ⎨ ⎧ ⎪ y' ' + P( x ) y' +Q( x ) y = f ( x ) ..Cálculo Numérico ..1.1.. k1 = f ( xi ...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 .1..n e h = ( xn − xo ) / n ..1... a 1 .

y j ∂ y2 ( u . −u . + u .t j ∂ x2 ( ) ) u i +1 . h yi + 1 − yi − 1 centrada . j centrada h2 ∂ 2u xi . j − 2u . + u i j i −1 . k=tamanho do passo na direção x e na direção y (ou t) y´( xi ) y´´( xi ) yi + 1 − yi avançada .t j ∂t ( ) u . 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 . − 2u .Formulário Derivada Diferença Finita h. i j +1 i j −1 centrada 2k ∂ 2u xi .Cálculo Numérico .

j u u • i.7 1. j − i + ui .t ) = ∂x 2 ∂t 2 2 2 ⎛ β 2k 2 ⎞ ⎞ ⎟u + β k ⎛ +u u i . j • u i+1. j + 1 = ui − 1. k=tamanho do passo na direção x e na direção y (ou t) Centradas. j • ui. j + − i 1 . j + 1 = 2⎜ 1 − ⎜ u ⎟ − u i .t ) ( x .t ) = ∂t ∂x 2 Material Prata Cobre Alumínio Ferro Concreto α >0 1. j − u i . j + ui . j −1 h2 • i. y ) = 0 ui . com h=k Célula Computacional Laplace • u i. j −1 89 . j i 1 . j ⎜ i − 1. j Onda ∂ 2u ∂ 2u β2 ( x . j + 1 = ⎜ 1 − ⎜ ⎟ i . j − 1 Calor progressivas ∂ 2u ∂u α ( x . j Se β =1 e k2 = 1 . y ) + ∂ 2u ∂y 2 ( x. j 2 2 ⎝ ⎠ h h ⎝ ⎠ u i. j + 1 ∂ 2u ∂x 2 ( x.5 0. j 2 ⎟ h h ⎠ ⎝ k 1 < Converge se 2 2 h centradas u i. ui . j + ui + 1. j • u i + 1. j+1 o • u i−1.Formulário Equação Diferenças Finitas h. j + i 4 u • i − 1.Cálculo Numérico . j + 1 o • u i − 1.85 0. j u o i. j −1 ⎜ ⎟ i. j = ui + 1. j • u i.15 0.t ) ( x . j ⎠ 2 ⎝ i + 1. j u • i + 1.005 2 ⎛ 2α 2 k ⎞ ⎞ ⎟u +α k⎛ +u u ui . j + ui − 1.

> 39/13. > evalf(arccosh(0)). n). O valor "default" de Digits é 10. >sqrt(7835). 90 . Alguns Comandos 1) > evalf(expr). > 2^12. > 27^(1/3). > ln (7). > 758-195. > sqrt(7835.3).5*8. > abs(-7). 21). > exp(1). > 28!. >7^x. 3) > Digits := n. > evalf(27^(1/3)). >exp(3. ajusta para n o número de dígitos utilizados em ponto flutuante. > 7. avalia expr utilizando aritmética de ponto flutuante com precisão determinada pela variável global Digits. >arccosh(0). Hiperbólicas e suas inversas (argumento x em Radianos) > sin(Pi/2).3). Funções Trigonométricas .). Funções Básicas.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. > cos(75. 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). > Pi. calcula expr com n dígitos de precisão. > Digits:=15.5).Aula de Laboratório 1 utilizando Maple Operações. > infinity. > evalf(ln (7). > cos(75. > sqrt (-1). > evalf( Pi. > log[3](10). > evalf( Pi). 2) > evalf(expr.

Comparar os resultados. >z. > log[3](10): > %. > 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' ). 29. 8) restart. > z :=7. Armazenar o resultado na ln( 50c / d ) variável v. 2) O valor de a = e π 163 é um número inteiro? Estimar a com 18. mostra o conteúdo do último output e %%. > unassign ( 'z' ). porém o resultado não é mostrado. 3) Calcular 325! pelo Maple e pela sua calculadora. o mesmo é executado. 6) Para fazer uma atribuição à variável z e posteriormente apagar o conteúdo de z: > z := 7. >z. seno(300) = seno ⎜ ⎟ ⎝ 180 ⎠ a + 5b 3 b) para a = -3. > z := 'z'. reinicializa o MAPLE Exercícios: ⎛ 30π ⎞ a) seno(30). 31 e 57 dígitos. 30. Analisar os resultados.4) Se usarmos : no final do comando. > z. 5) O Maple pode trabalhar com inteiros muito grandes > 253!.3 e d = 7. > evalf(%%). c = 10. 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 . O comando length (%) mostra o número de dígitos de 253! > length(%). do penúltimo. b = 10.1. %. c) secante hiperbólica de v calculado no item b.02 .

y=c.. Aplicação: O fator de atrito λ para um duto retangular .. 50000. x=-15. Determinar λ para os λ ( ) seguintes valores de Re : 10000.035 log 10 Re λ − 0. 20000. > else > print(a).x= a.. x). plot(f(x). é dado por: 1 = 2. x). f (4).b.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.3*Pi). 1000000. 4) vide exercício 1(página2) 5) > for i from 0 by 2 to 10 do > print(i^2) > od. segundo Maubach. > f (Pi). fsolve(f(x)=0. x=-3*Pi. f(x) Plota a função f(x) sendo: x . 1 2 Comandos f:=x->f(x). Exemplos 1) >f:=x->sin(x/2).c.variável y .valor final k .b).. y=-2.. solve(f(x)=0.. fsolve(f(x)=0.d).y=c..passo 3 4 plot({f(x).x= a. Comentários Define a função de variável x . 2) >plot(f(x). For i from io by k to in do comandos od.variável io ..15.b.989 .2).7. > plot(f(x).. Para opções utilizar o Help: < ?plot Calcula as raizes da equação f(x)=0. x=a . 6) > a:=-23.valor inicial in . x= -2.b. 100000.7). sqrt(x+1)}. Para opções utilizar o Help: < ?solve < ?fsolve Comando de repetição onde: i . 5 6 if condição then comando1 else comando2 fi.. 92 Comando de teste (condicional) . 3) > plot({x^2-5*x.g(x)}. onde Re é o número de Reynolds.parâmetro na vertical(opcional) a. > if a<0 then > print(-a). y= -7.d :parâmetros a serem especificados Plota as funções f(x) e g(x) num mesmo sistema de eixos.d). > fi.

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

diff(f(x). x.c..x= a.Aula de Laboratório3 utilizando Maple Objetivo: Enumerar. > plot(p1(x).00011.d).x) 6 subs(x=a.g(x)}.00011 = 0 (3) Determinar V utlizando o método de Newton-Raphson com V0= RT 0. Analisar o comportamento gráfico( raízes reais de multiplicidade par e ímpar.057V + 0.06. P 25 Comandos 1 f:=x->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).variável y .b.x. 2 plot(f(x). Geralmente. y=c. por ex).. PV = nRT é um conceito conhecido. y=c.0.06V 2 − 0.mol e substituindo esses dados em (2) ..parâmetro na vertical(opcional) a.03V 3 + 1. Utilizar método de NewtonRaphson para cálculo das raízes da equação f(x)=0(algébrica ou transcendente) Aplicação: A lei para um gás ideal. 94 .. a1=-1.50*x^3-18.31250*x+33. Comentários Define a função de variável x . a temperatura é T = 293oK e R = 0.d). 5 diff(f(x). localizar e calcular as raízes de polinômios.x$4).x).411125. > fsolve(p1(x)=0.961 .x.057 e a3=-0.082l-atm/Kg.4).b. o volume V é obtido de : 25V 4 + 24.x. 4 fsolve(p(x)=0.x= a.complex).b.d :parâmetros a serem especificados Plota as funções f(x) e g(x) num mesmo sistema de eixos. Exemplos ou 1) Raiz de multiplicidade par > p1:=x->5*x^4-12.. 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). a2 = 0.x=-3. utilizam-se estimativas para as relações P-V-T. f(x) Plota a função f(x) sendo: x .0375*x^2+32. Considerando a pressão P=25 atm . diff(f(x).082x 293 = = 0. expr).

> plot(p2(x). > x[0]:=4. > abs(x[5]-x[6]). > abs(x[5]-x[6]).x).5).x.. > p4:=x-> x^4-2*x^3+11*x^2-18*x+18.x).1690. x^2+x+1 ).2*x+15.30).3..56*x^2-86.x.diff(f(x).x).x).5).x. > fsolve(p2(x)=0. > Digits:=20.10). > diff(x^7. 4) > subs( x=2. 3) Raizes complexas > p3:=x-> x^3-2.x=-3.6. > diff(x^7. > fsolve(p3(x).756*x-85. x=-5.. > fsolve(p4(x).5. > for i from 0 to 5 do x[i+1]:=evalf(x[i]-(f(x[i])/subs(x=x[i]. 95 . > fsolve(p3(x)=0.x)))) od. > plot({cos(x).x$3)..8*x^2+8.3*Pi).x). x=-3*Pi.. > fsolve(p4(x)=0..8*x^3-16. > plot(p4(x). x=-10. 5) > diff(x^7.x=-2.2) Raiz de multiplicidade ímpar > p2:=x-> 2*x^4+6.y=-5. 6) Método de Newton-Raphson >f := x ->cosh(x)*cos(x)-1. 1/cosh(x)}. > plot(p3(x). > plot(f(x). complex). complex).

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

4. > plot({50-2*x.3.{y. [25.y=-6. [2.. [.1].-3. > plot3d({50-2*x. 3) Sistema Linear Incompatível (não admite solução) > solve({x+y=3.-11. (100-4*x)/2}.21. -x-5}.4*x+2*y=100}.2) Sistema Linear Compatível Indeterminado (possui infinitas soluções) > solve({2*x+y=50.7.2.7. > solve({3*x+y+2*z=0. axes=box).11] ). > v3 :=vector(3.9.5x 2 + 4 x 3 − 8.5x 4 = 21.v1.6.7 ⎪ ⎪0. 5) Resolver o sistema utilizando o Método de Gauss-Jordan (Matrix Inversa).2 x 2 + 2. > gaussjord(%).5. > augment( B.x}).10.5. > F1 :=evalm(A&*S). x=0. > S := linsolve(A.4 x 1 + 0.9. 97 .2 x 4 = −3..2.1. axes=box). [3.1..5 x 3 − x 4 = 9.5.9]).-5] ).9.[16. > plot3d({3-x. > plot({3-x. x+y=-5}..9 > A := array([ [2.-5] ).v2. x-y+z*t=3 )..1.-9*x-3*y-6*z=0}.2.2]. [.1.5. x=0. (100-4*x)/2}.5].3x1 − x 2 + x 3 + 5.y=0. > v2 :=vector(3.4. outra maneira: > solvefor[t]( x+y=1.3...{z.5.y.2. x=-10.9 ⎪ ⎩ x 1 + 0.y=-2. 4) Resolver o sistema e calcular o resíduo produzido pela solução encontrada: ⎧2 x 1 + x 2 − 0.1x 3 + x 4 = 2. > Resíduo := evalm(F-F1)..6).2+2*x-2*y.. > solvefor[x]( x+y=1.-.x}). > F := vector([2.3. x-y+z*t=3 ). -x-5}.6..9 ⎨ ⎪0. x=-10.-5. [1.F).v3 ). axes=box).-1.{y.x}).10).(9*x+3*y)/(-6)}.1.-8.4] ). ⎧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(3.3.2.-1] ]). > v1 :=vector(3. x=-2.6. > plot3d({(-3*x-y)/2.

.0 6. Solução: 98 . Aplicação: Na modelagem de um processo de combustão é necessário expressar a entalpia (E) como uma função da temperatura (T). Gerar matrizes e vetores utilizando comandos de teste e repetição. > det(M).9 178.8 349. Considerando os dados tabelados.. Detectar se um sistema linear é mal condicionado.3 Exemplo 1 Construir uma matriz M = [mij] .3 Estimar o alongamento para o caso de ser aplicada uma carga de 7Kg. j] := 5 * i * j ⎢ else M[i. estimar a entalpia para uma temperatura de 150 o F .1.0 2. ⎣ > print(M). > evalf(%). > M2 :=transpose(M). M é inversível? Solução: > with(linalg).2 45. j] := i + 3 * j ⎢> ⎢> fi ⎢ ⎢> od ⎢> od.7.2 92. E(Btu / lb) 60 80 100 120 140 160 180 T(o F) 0. de ordem 7x7. > evalf(%). > evalm(M1 &* M). 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. M é simétrica? Calcular o determinante de M . > evalm(M1 + M2).7). Obteve-se: c arg a (kg ) 2 4 6 8 alongamento(cm) 1.Aula de Laboratório5 utilizando Maple Objetivos: Determinar o polinômio interpolador utilizando a resolução de sistemas de equações lineares. Analisar graficamente. > M1 :=inverse(M). tal que mij = i + 3j se i é igual a j e mij = 5ij se i for diferente de j.4 764.0 17. >M := array(1.5 5.

plot(p(x). a0+a1*4+a2*4^2+a3*4^3=2.2^3].3]). > evalm(C &* L). Análise Gráfica: > with(plots).a3}). > L := linsolve(C..8. 99 .a1.4^3]. p(4).4.2. > F := vector([1. > S := linsolve(A. > p:=x-> -.5.8^2.6^3].5.5.Procuramos p( x ) = a 0 + a 1x + a 2 x 2 + a 3 x 3 .6.675*x^2-2.15. [1.8. a0+a1*6+a2*6^2+a3*6^3=5..6.x=-5.4^2.2. > ?cond. > plots[display]({plots[pointplot]([2.6^2.6. a0+a1*8+a2*8^2+a3*8^3=6. b) outra forma de resolver o sistema: > A := array([ [1.a2.8^3] ]). p(8)]. 743/840. > p(7). {a0.5. > C := hilbert(5).2. [1. Solução: > with(linalg). > F := vector([137/60. 459/420.7.4.10)}). 87/60.5.016666667*x+2.3}. > validade:= [p(2). 1879/2520]). p(6).1. y=0. 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 (*).F). [1.3]).F). a) uma maneira de resolver no maple:: >solve ({a0+a1*2+a2*2^2+a3*2^3=1. > cond(C).6.04583333333*x^3+.2^2.

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

6.a2. Obteve-se: c arg a (kg ) 2 4 6 8 alongamento(cm) 1.{a0.6.5 5.5.5. vy:=vector(4..5.5.8^3] ]).[2.3]). > F := vector([1.vy. a0+a1*8+a2*8^2+a3*8^3=6.8. 101 .2.3 Estimar o alongamento para o caso de ser aplicada uma carga de 7Kg.15. [1.5.3).2^2.10)}). > S := linsolve(A. for i to 1 do df3[i]:=df2[i+1]-df2[i] od. Procuramos p ( x) = a0 + a1 x + a2 x 2 + a3 x 3 Estudamos alguns algortmos para determinação dos coeficientes de p.4. > simplify(p(x)).[2.2.2^3]. 3) Via comando´interp´do maple > vx:=vector(4.3}.4.0 2. validade: > [paa(2).b > solve({a0+a1*2+a2*2^2+a3*2^3=1. 2) Polinomio interpolador de Newtons para Diferenças Finitas Ascendentes > > > > > > > vx:=vector(4.5.paa(8)].[1.Interpolação EXEMPLO: O alongamento de uma mola foi medido em função da carga aplicada.a3}).2.5. [1.8]).3])..6. [1.[1.8]): > vy:=vector(4. for i to 2 do df2[i]:=df1[i+1]-df1[i] od.plot(paa (x).1.4^2.x): > paa(7). análise gráfica > plots[display]({plots[pointplot]([2. for i from 1 to 3 do df1[i]:=vy[i+1]-vy[i] od.x): > pa(7).6.8^2.4.3]): > pa:=interp(vx.a1.6. 1) via resolução de um sistema linear: 1.F).a > with(linalg): > A := array([ [1.6^3].6^2.paa(6).4^3].Aula de Laboratório 6 utilizando Maple .2.2.3]).8.. 1. df:=array(1.6. > p(7).0 6.a0+a1*4+a2*4^2+a3*4^3=2. > paa:=unapply(pa.x=-5. y=0.paa(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)).a0+a1*6 +a2*6^2+a3*6^3=5.6.6.4.5.5.

c) Estimar a demanda máxima e a data em que ocorreu.9 104.544 1.532 a)Determinar o polinômio interpolador de Newton para diferenças divididas.0 93. conforme tabela abaixo: altitude(m) 2600 2700 2800 2900 3000 o ponto de ebulição( C ) 91.552 1. sabendo-se que o ponto de ebuliçao da água varia com a altitude.34 90.548 1.67 90.0 velocidade(m / s ) 1.01 90.34 91. 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. > 2) A que temperatura a água entra em ebulição no Pico da Bandeira (altitude de 2890m).538 1.p.00 > 3) A velocidade do som na água varia com a temperatura conforme tabela: temperatura ( oC ) 86.3 98. 102 . e verificar sua validade. b) Estimar a velocidade do som se a temperatura da água for de 100 graus centígrados. b) Representar graficamente p e os dados tabelados num mesmo sistema de eixos.EXERCICIOS: 1) A tabela abaixo fornece a demanda diária máxima de energia elétrica na Cidade A no mês de março.

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

yv := [ 34. x). importdata.y]]]([[1. statevalf. describe.4.3.63.. Comparar os resultados graficamente. gll := x → 7 1 gpp := x → x2 + x + 30 2 2 > with(plots): > plots[display]({plots[pointplot]([1.. 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. [34. 7 ] > yv:=[34.120. y=a*x^2+b*x+c]]([xv.88. x=0.y=a*x+b. [ anova.45. transform ] > xv:=[1.88.6.5.120.. 57 x − 12 2 > gl:=fit[leastsquare[[x.yv]). 3.15 9.120.63.2.45.plot(gll(x)..7. xv := [ 1. 57 x − 12 2 > gp:= fit[leastsquare[[x.x).10.y].4.88.6. 6.4. x=-10.205]).210)}).159. statplots.205]]).205].5.6. > with(stats). 63. y=0.50).159.plot(gpp(x).45. 120. 205 ] > g:=fit[leastsquare[[x.7].3. 159.{a. 45.63.7]. fit. 2. yv]): > gpp:=unapply(rhs(gp). 88.10. g := y = gl := y = > gll :=unapply(rhs(g). 5.34. 57 x − 12 2 104 .# PUCRS .2. y=0.2.y].5. random.b}]]([xv. 4.Instituto de Matemática # Cálculo Numérico -Prof.3.

8)]).dur(170)].15 Os dados tabelados descrevem a intensidade da luz como uma função Exemplo 3 105 .79.18 0.7.dur(180)].dur(140).066862759.dur(150).120. 1. x=90.d]).180.9 2.log(120).dur(130).21 0. V [m/s] 100 120 150 180 D [min] 79 2 8 7.log(150).029619417 ] > fit[leastsquare[[x. 4.605170186.28 0. #validade: > [dur(100).369447852.Ajuste por função Potência Os dados abaixo dão a duração D de uma broca de Carborundum em função da velocidade de corte V.34 0.80)}). > plots[display]({plots[pointplot]([100.787491743.2.52 0.680591334)). v := [ 4.dur(120).332204510.67 0.b}]]([v.9.52911140)). 3.Exemplo 2 .log(28). #projeção: > [dur(110). 5.plot(dur(x). y=a*x+b.150.. 5.y]. 2.85 0. > dur :=x -> (.28.log(7. d 30 35 40 45 50 55 60 65 70 75 I 0.190. y=0.log(180)]).dur(160). d := [ 4.8] ). {a. > v:=evalf([log(100).9).. > evalf(exp(30.log(2.010635294.8 pede-se fazer uma tabela D = D(V) para V = 100(10) 180.192956851 ] > d:=evalf([log(79).1813947103e14)*(x^(-5.42 0.24 0.

i]..42. 35. vi := [ . 4.. 70..45.I(d). vi1 := [ 1...50. x=10.67.761904762.1/. 75 ] > vi:=[. i=0.001329810498 x − . f2 := i = .35. 1. 2.21..166666667.x).571428571..15])..55.55.28..85.60.1329810498e-2*x^2-. .70.85. 50.70.40. f2a := x → .1/.52.666666667 ] > f2:= fit[leastsquare[[x.6161059331 > f3:=x->1/(.923076923. i=a*x^2+x*b+c]]([vd. x=10.15 ] > vi1:=evalf([1/.60. vd := [ 30.21.1/.02080049421 x + .42. .176470588.50 .3).. 2.001329810498 x2 − .1 8.2080049421e-1*x+.21..24.34.52.1/.15].65.28. . . ..18. 65. 5.67.75]. vi1]). 6.15]).1/.001329810498 x2 − .24.1/.67. 4.100. 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. .6161059331 > plots[display]({plots[pointplot]([30.65. > vd:=[30..28....3)}).28.Utilizando o sistema Maple...941176471.18.35.. 55..6161059331).1/.52. 40.42.. 3.40. 60. 1.24.380952381.45.42.85.02080049421 x + . i=0.67.plot(f2a(x).24.da distância da fonte. .34. . 45.492537313.34. .plot(f3(x).6161059331 > f2a:=unapply(rhs(f2).1/.555555556. .02080049421 x + . 2 f3 := x → 1 106 .34.75..1/.85.100. medida num experimento.52.21.18..

..20 107 .100.00 0..plot(f2a(x). x=-100.24.1)..60. i=0.67..70.34.35...40.. x=-100.00 0.100.65..2)})..50 0. > Trabalho x 0..75.50 2..85.18..45.30 0.42.00 y 1.55.50 . i=0..> plots[display]({plots[pointplot]([30.00 1.15]).52.50 1.plot(f3(x).28.20 0.21.

..x).. para plotar os pontos.converte a expressão P em uma função na variável x 108 ......pn]). exprn]). plot. pointplot.plot(f(x). aplica o critério dos mínimos quadrados transform[applay[f(x)]]([expr1.avalia numéricamente expressões.... para plotar um gráfico de uma f(x) unapply(P...m)}). plota gráficos. aplica os parâmetros da função f(x) para cada elemento listado plots[display]({plots[pointplot]([p1. Comandos utilizados evalf([expr1. varn]]]... polinomios.. exprn]). display.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. listn])... para plotar dois gráficos ao mesmo tempo.. funções....p2.. fit[leastsquare[[var1. aplica a função f(x) parra cada expressão (expr) transform[multiapplay[f(x)]]([list1. x=-m.

> ApproximateInt(exp(-x^2)..2)=evalf(int(exp(-x^2). I=⎮ dx ⎮e ⌡ 0 2 Obs: Por default.. ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ 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. method = simpson). o número de subintervalos utilizados é 10. x=0. estimar o valor de I e comparar ⌠ ( ( −x ) 2 ) com o valor exato.8820813910 2 109 .2.2.evalf(%).8818388107 > ApproximateInt(exp(-x^2). method = trapezoid).evalf(%). Incluindo a opção partition = n o cálculo é obtido utilizando n subintervalos ...PUCRS-FAMAT-Cálculo Numérico-Exemplos de Integração Numérica Utilizando Sistema Maple9 Prof.8820809834 > Valor_exato:=int(exp(-x^2). > with(Student[Calculus1]): Ex. Eliete Biasotto Hauser > restart.:Utilizando tarapézios e Simpson com 10 subintervalos.2)). x=0. x=0. Valor_exato := 1 erf( 2 ) π = 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. x=0.

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

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

3)..2))+abs(evalf(int(x*(x 2)*(x .916667 esta correto? > Área:=evalf(int(x*(x .75000000 > evalf(int(x*(x . No último exemplo .3).5.3)))+evalf(int(x*(x .4166666667 112 ..3).2)*(x .5)). output = plot).3).2)*(x .x=0. -0.3).x=3.Atenção: Sempre analisar os resultados obtidos > ApproximateInt(x*(x .. x=0. Área := 23. área 22.x=2.2)*(x ..2)*(x .3)). method = simpson.x=2..

2*x...1)).. > ApproximateInt(tan(x) .0))+abs(evalf(int(tan(x) 2*x.2*x. x=0.7687470594 113 . x=-1.2*x.. -0. partition = 50). x=0.3843735297 > evalf(int(tan(x) .1.. output = plot. x=-1. x=-1. 0.No próximo exemplo é óbvio que a área não é nula. > evalf(int(tan(x) . method = simpson.2*x. area := 0.0)).1))).3843735297 > area:=evalf(int(tan(x) .

0 < y < 60 .2018 2) Com h=k=10.7038 0.942 4.8602 0.192 63.2.835 0 20 3 0 13.942 9. ←i j↓ 0 1 2 3 4 5 6 0 0.3559 0. t ) = 0 .60 ) = u ( 80 .01 0 0 0.110 1.068 13.75) ≅ 1.993 0 10 2 0 24.917 2. utilizando o método de Euler com h=0. j + 1 = 0 .010 13.368 42.0 ) = sen( πx ).368 24.835 38. o PVI ⎨ ⎪ ⎩ y( 1 ) = 2 Resposta: y(1.5208 0. resolver numericamente equação de Laplace sujeita às condições u ( x . 0 < t .4 0.523 0 60 7 0 1.620 13.523 4.5878 0 0.128 7.068 0 40 5 0 4. com as condições de contorno ∂t ∂x 2 u ( 0 . j ⎠ Para h=0.490 38.348 5.04 3 0 0.917 1.Faculdade de Matemática Prof. y ) = 100 6 0 2.7038 0.Considerar a equação de calor ∂u ∂ 2u ( x .633 7.7781 0.5758 0.05 4 0 0.25⎛ ⎜u Utilizando j=0 e i=1.978 23. t ) = u ( 1 .02 1 0 0.5317 0 0.9511 0.3219 0.138 46.t ) = 0 .6366 0. 1.PUCRS .3559 0 0.8602 0. Eliete Biasotto Hauser-Cálculo Numérico ALaboratório EDO_EDP ⎧ ⎪ y` = − xy − 1 1) Resolver no intervalo [1 .4809 0.00 x→ 0 ↑ tempo 0. j + 0 . e as condições iniciais u( x . e j↓ 6 5 4 3 2 1 0 x→ 0 100 100 100 100 100 100 100 0 1 0 46.5 ui . 0. y ) = 0 .993 63.660 8.3934 0 0. 0 ≤ t .2 e k=0.06 5 0 0.4809 0 0.3934 0. 0 < x < 1.138 67.6366 0.t ) = 0 . ∂y 2 ∂x 2 u ( 0 .633 0 50 ∂ 2u ∂ 2u ( x . ⎝ i + 1.110 0 70 8 0 0 0 0 0 0 0 80 ←i 60 50 40 30 20 10 0 y↓ 3 .75].5758 0.5878 0.7781 0.4350 0 0.3219 0 0.009 4.348 2.01).5317 0.0 ) = u ( x .010 26.t ) + ( x .211 1.6 0.2 0. 0 < x < 80 .5208 0.01 obtemos as diferenças finitas para a equação do calor ui .t ) − ( x .25 .978 0 30 4 0 8.660 15. j +u ⎞ ⎟ i −1.032 23.3 e 4 obter as aproximações da temperatura na primeira linha do tempo u(x . 0 ≤ x ≤ 1.03 2 0 0.4350 0.9511 0.8 1 114 .

Sign up to vote on this title
UsefulNot useful