You are on page 1of 68

Calculo Numerico e Computacional { CNC

Luiza Amalia Pinto Cant~ao
luiza@sorocaba.unesp.br

Sumario

1 Introduc~ao a Teoria de Erros e Estabilidade 3
1.1 Representac~ao de Numeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Aritmetica de Ponto Flutuante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Sistemas de Equaco~es Lineares 7
2.1 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.1 Sistemas Triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Metodo de Eliminac~ao de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.3 Fatorac~ao LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Metodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.3 Converg^encia dos Metodos de Jacobi e Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . 17
2.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Equaco~es N~ao-Lineares 20
3.1 Fase I: Isolamento das Razes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Fase II: Re

namento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Criterio de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Metodo da Bissec~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.3 Metodo de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.4 Metodo da Secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Sistemas N~ao-Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Metodo de Newton para Sistemas N~ao-Lineares . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4 Ajuste de Curvas 33
4.1 Interpolac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.1 Polin^omio Interpolador de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.2 Polin^omio Interpolador de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Quadrados Mnimos Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Interpolac~ao com Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.1 Interpolac~ao por Spline Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.2 Interpolac~ao por Spline Cubico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

1

. . . . . . . . . . . . . 54 5. . . . . . . . . . . . . 65 Refer^encias Bibliogra. . . . .1. . . . . . . . . . . . . . . . . . . . . . 51 5. . . . . . . . 52 5. . . . . . . . . . 53 5. . . . . . . . . .1. .1 Formula dos Trapezios: n = 1 . . . . . . . . . . . . . . . . . . . . . . . . .1 Extrapolac~ao de Richardson . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Exerccios . . . . . . . . . . . . . . . . . . . .1. . . .2 Metodos de Runge-Kutta . .3 Integrac~ao de Romberg . 52 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Formula de Newton-Cotes . .2 Formula de Simpson: n = 2 . . . . . . . . . 47 5 Integrac~ao Numerica 51 5. . . . . 56 6 Aproximaco~es para Equaco~es Diferenciais Ordinarias 59 6. . . . . . . . . . . . . . . . . . . . . . . . . .1 Diferencas Finitas . . . . . . . . . . .2 Integrac~ao de Romberg . . . . . . . . .3 Formulas de Newton-Cotes para n = 3 e n = 4 . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5. . 54 5. . . . . . . . . .  SUMARIO  SUMARIO 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Formulas Repetidas . . . . . . 60 6. . . . . . . . . . . . . 63 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5. . . . . . . . . . . . . . . . . . . . . . . .4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . .4 Exerccios . . . . . . . . . . . . . . . . . .

cas 67 2 .

CAPITULO 1 Introduc~ao a Teoria de Erros e Estabilidade 1. A = 31416 m2 . 3. A = 31415:92654 m2 . Calcule a area de uma circunfer^encia de raio igual a 100 m. Resultados Obtidos: 1.1 Representac~ao de Numeros Exemplo 1. 2. A = 31400 m2 . Como justi.

O numero . por exemplo. do numero ) na maquina utilizada1 e do numero maximo de dgitos usados na sua representac~ao. n~ao pode ser representado atraves de um numero .car as diferencas entre os resultados apresentados no exemplo 1? E possvel obter exatamente esta area? Os erros ocorridos dependem da representac~ao do numero (neste caso.

a sua area nunca sera obtida exatamente de forma numrica! Logo.141592654 respectivamente.nito de dgitos decimais. qualquer calculo que envolva numeros que n~ao podem ser representados atraves de um numero .14. o numero  foi escrito como 3. Para cada representao foi obtido um resultado diferente.1416 e 3. No exemplo 1. Qualquer que seja a circunfer^encia. e o erro neste caso depende exclusivamente da aproximac~ao escolhida para . 3.

2 Aritmetica de Ponto Flutuante Um computador ou calculadora representa um numero real no sistema denominado aritmetica de ponto utu- ante.nito de dgitos n~ao fornecera como resultado um valor exato. um numero pode ser representado com ponto . Ou seja. 1.

3 . 12:34 ou com ponto utuante 0:1234  102 . Assim. por exemplo. o numero r sera representado na forma: 0:d1 d2 d3 : : : dt  10e onde: 1 Calculadora ou computador.xo.

: : : t . ambos em valor absoluto. tr^es situac~oes poder~ao ocorrer: Caso (1) x 2 G : por exemplo: x = 235:89 = 0:23589  103 . Se nesta maquina houver precis~ao de tr^es dgitos signi. e 2 [ 5.  t e o numero de dgitos na mantissa. Sejam tr^es dgitos na mantissa (t = 3) e um expoente e 2 [ 5. M = 0:999  105 = 99900. 5]. Considere o conjunto dos numeros reais R e o seguinte conjunto: G = fx 2 R = m  jx j  M g: Dado um numero real x . d1 6= 0.Captulo 1. 2.  e e um expoente inteiro. Introduc~ao a Teoria de Erros e Estabilidade CNC  di . s~ao os dgitos da parte fracionaria. Exemplo 2. Os numeros ser~ao representados na seguinte forma nesse sistema: 0:d1 d2 d3  10e . 0  dj  9. e o maior numero. 5]: O menor numero sera m = 0:100  10 5 = 10 6 . para i = 1. tais que 0  di  9 e d1 6= 0. 3.

1. ent~ao x sera representado por 0:235  103 ou por 0:236  103 . Um metodo. Podemos escrever o numero  na forma de aritmetica de ponto utuante com 5 dgitos usando: 1.cativos na mantissa. A. Cant~ao 4 . chamado de arredondamento trunca a mantissa em k dgitos (como no caso acima). Se dk +1  5. Caso (3) jx j > M : por exemplo: x = 0:875  109 e e 2 ( 1. porem duas situac~oes podem ocorrer: 1. Caso (2) jx j < m: por exemplo: x = 0:345  10 7 e e 2 [ 5.3 Erros O formato de um numero em aritmetica de ponto utuante limita a mantissa em k dgitos decimais. 2. Existem duas maneiras de obter essa limitac~ao. O metodo de Truncamento:  = 0:31415  101 . O metodo de Arredondamento:  = 0:31416  101 . Estes dois processos geram erros nos calculos numericos e s~ao conhecidos como erros de truncamento e erros de arredondamento. a maquina acusa a ocorr^encia de under ow e geralmente ajusta para zero. dk = dk . Neste caso. dk = dk + 1. L. a maquina acusa a ocorr^encia de over ow e leva a falhas na computac~ao. Se dk +1 < 5. P. O outro metodo. respectivamente. 2. consiste em simplesmente cortar os dgitos dk +1 dk +2 : : :. Exemplo 3. Neste caso. 5]. 1). chamado de truncamento.

e impossvel obter o valor exato do erro absoluto. O que se faz e obter um limitante superior ou uma estimativa para o modulo do erro absoluto. Introduc~ao a Teoria de Erros e Estabilidade CNC Erros Absolutos e Relativos O erro absoluto e a diferenca entre o valor exato de um numero x e seu valor aproximado x : EAx = jx x j: Em geral. O erro relativo e de. e neste caso.Captulo 1. apenas o valor x e conhecido.

(EA = 2:136  10 4 e 1:51  10 4 ) p (g) p = 9!. p = 22000. (EA = 420 e ER = 1:042  10 2 ) p (f) p = 2. (EA = 7:346  10 6 e ER = 2:338  10 6 ) (c) p = e. p = 18 (9= e)9 . (EA = 2:818  10 4 e ER = 1:037  10 4 ) (d) p = e10 . x 6= 0: 1. p = 39900. (EA = 3:343  103 e 9:213  10 3 ) 2. p = 3:1416. p = 2:718. (EA = 1:454  10 e ER = 1:05  10 2 ) (e) p = 8!. Calcule o erro absoluto e o erro relativo nas aproximac~oes de p e p: (a) p = .nido como o erro absoluto dividido pelo valor aproximado: EA jx x j ERx = jx jx = jx j . (EA = 0:001264 e ER = 4:025  10 4 ) (b) p = . p = 1:414.4 Exerccios 1. p = 22=7. O numero e pode ser de.

( 1:941) (c) O valor real e f (0:1) = 1:99899998. Cant~ao 5 . Encontre o erro absoluto e relativo para o valor encontrado no item anterior. Calcule P o erro absoluto e o erro relativo nas seguintes aproximac~oes de e: (a) 5 X 1. (a) Encontre o limx !0 f (x ). Seja f (x ) = x cos x sen x x sen x .nido por e = 1 n=0 (1=n!). L. (b) para xi = 0:11 . onde n! = n  (n 1)    2  1 para n 6= 0 e 0! = 1. Efetue os somatorios seguintes em uma calculadora e em um computador: 30000 S= xi X i =1 (a) para xi = 0:5. n=0 n! (b) 10 X 1. A. 4. P. n=0 n! 3. ( 2) (b) Utilize aritmetica com arredondamento para valores de quatro dgitos para calcular f (0:1).

Calcule o erro absoluto e o erro relativo para as seguintes aproximac~oes de  utilizando o polin^omio em lugar da func~ao arcotangente: (a) 4 arctan 2 + arctan 31 (Aprox. EA = 2:838  10 5 e ER = 9:032  10 6 )     6. EA = 0:0546 e ER = 3:6  10 3 ) (g) 29  97 (Aprox. EA = 0:0215 e ER = 1:00) 17 7. EA = 0:499 e ER = 3:77  10 3 ) (c) (121 0:327) 119 (Aprox. 15:1. (a) 133 + 0:921 (Aprox. 8. EA = 0:079 e ER = 5:9  10 4 ) (b) 133 0:499 (Aprox. (a) 13 x 2 123 4 x + 1 =0 6 (b) 13 x 2 + 123 4 x 6 =0 1 (c) 1:002x 11:01x + 0:01265 = 0 2 (d) 1:002x 2 + 11:01x + 0:01265 = 0 Quest~ ao x1 EA ER x2 EA ER 7 0:02 2:4 10 1 62:1 3:2 10 4 8 (a) 92:26 0:1542 1 672  10 4 : 0:005419 6:273  10 7 1 157  10 4 : (b) 0:005421 1:264  10 6 2 333  10 4 : 4:58  10 3 4 58  10 3 : 4 965  10 5 : (c) 10:98 6:875  10 3 6 257  10 4 : 7:566  10 8 7 566  10 8 : 6 584  10 5 : (d) 0:001149 7 566  10 : 8 6 584  10 5 : 6 875  10 : 3 6 875  10 3 : 6 257  10 4 : L. A formula quadratica estabelece que as razes da equac~ao ax 2 + bx + c = 0. P. 0:00. 2:00.Captulo 1. EA = 2:86  10 4 e ER = 10 3 )      22 (h) 1 7 (Aprox. Calcule a equac~ao acima utilizando arredondamento para quatro dgitos e posteriormente avalie o erro abso- luto e relativo para cada raiz. EA = 3:983  10 3 e ER = 1:268  10 3 ) 1      (b) 16 arctan 15 4 arctan 239 1 (Aprox. A. 134. EA = 0:003 e ER = 1:79  10 3 ) 13 6 (e) 214e 5:74 (Aprox. 133. 3:14162103. quando a 6= 0. 0:286. Calcule os erros absolutos e relativos comparando-os com o valor exato determinado com pelo menos cinco dgitos. EA = 0:327 e ER = 0:195) (d) (121 119) 0:327 (Aprox. cujas razes s~ao aproximadamente x1 = 0:01610723 e x2 = 62:0839. Calcule os erros absolutos e relativos. s~ao: p p b + b2 4ac b b2 4ac x1 = 2a e x2 = 2a : Considere a equac~ao x 2 + 62:1x + 1 = 0. Cant~ao 6 . 3:14557613. EA = 0:154 e ER = 0:0786) (f) 10 + 6 e 62 3 (Aprox. Os primeiros tr^es termos termos diferentes de zeros da serie de MacLaurin para a func~ao arcotangente s~ao x (1=3)x 3 +(1=5)x 5 . Utilize a aritmetica com arredondamento para quatro dgitos e as formulas do exerccio acima para encontar os valores aproximados mais precisos para as razes das equac~oes quadraticas a seguir. Introduc~ao a Teoria de Erros e Estabilidade CNC 5. 1:80. Use a aritmetica com numeros de tr^es dgitos para executar os calculos a seguir. 1:67.

CAPITULO 2 Sistemas de Equaco~es Lineares Introduc~ao A soluc~ao de um sistema de equac~oes lineares e provavelmente o processo numerico mais utilizado para simular situac~oes do mundo real. equac~oes diferenciais. otimizac~ao. por exemplo. E uma etapa fundamental na resoluc~ao de varios problemas que envolvam. regress~ao e sistemas n~ao-lineares. Portanto. e de extrema import^ancia que se tenha uma implementac~ao e.

. n e bi para cada i = 1. .   . Veremos aqui tecnicas diretas e iterativas para resolver o sistema linear: a11 x1 + a12 x2 + : : : + a1n xn = b1   a21 x1 + a22 x2 + : : : + a2n xn = b2    (2. dadas as constantes aij para cada i..    . . j = 1.. pois geralmente esta e a fase que demanda a maior parte do tempo de processamento para resolver o problema. xn .    .. n. .1)  . 2. As tecnicas diretas s~ao metodos que d~ao uma resposta em um numero . . x2 . an1 x1 + an2 x2 + : : : + ann xn = bn    para x1 .ciente do metodo para soluc~ao do sistema linear..    . . . 2.. .

Uma outra maneira de escrever o sistema (2.  . . . ..1) e usando a forma matricial. . . denotada por Ax = b e generica- mente apresentada como: a11 a12    a1n x1 b1       a21 a22    a2n   x2   b2        .. uma sequ^encia de soluc~oes que deve convergir para a soluc~ao do sistema. . a partir de uma soluc~ao inicial.nito de passos..  =  .      an1 an2    ann xn bn Note que Ann denota a matriz de coe. sujeitos apenas aos erros de arredondamento.  .  (2. .2)  . As tecnicas iterativas geram.   ..   .

2) tem soluc~ao unica x = A 1 b. ou seja.cientes. . A 1 A = AA 1 = I. x o vetor das incognitas e b o vetor com os valores do lado direito do sistema (2.1). calcular explicitamente A 1 e em seguida A 1 b e desaconselhavel.1) ou (2. Se admitirmos que A e uma matriz inversvel. uma vez que o numero de operac~oes envolvidas e grande. o que torna este processo n~ao competitivo com os metodos que estudaremos aqui. Porem. ent~ao o sistema (2. onde I e a matriz Identidade.

1. Cant~ao 8 .3a) e (2.1 Metodos Diretos Apresentaremos inicialmente a resoluc~ao de Sistemas Triangulares Superior e Inferior.1 x1 + an 1.4a) e (2. an x + an 1.2 x2 +    + an 1.3b). para os problemas (2.4b)  .1 Sistemas Triangulares Considere os seguintes sistemas lineares: 2x1 x2 + x3 = 2   x2 + 2x3 = 3 (2.n 1 xn a2n xn   1  .. 2.   (2. temos: x3 = 1 x1 = 2         3 2 3 4     x2 = 1 = 1 x2 = 1 = 1   2+1 1 =1 2 4 1= 3       x1 = x3 =     2 5 5   Os problemas (2. an 1.n xn = bn 1   1. ou seja.3a) e (2. respectivamente.3a) e (2.3a)  x3 = 1   x1 = 2   2x1 + x2 = 3 (2.. usados nos Metodos de Eliminac~ao de Gauss e Fatorac~ao LU.n 1 xn 1 + ann xn = bn     Os Algoritmos (1) e (2) apresentam os procedimentos de resoluc~ao para sistemas nas formas (2.4b).3b). A.Captulo 2. que s~ao generalizac~oes para os problemas (2. Sistemas de Equac~oes Lineares CNC 2. P.3b) podem ser generalizados como seguem: a11 x1 + a12 x2 +    + a1.n 1 n 1    ann xn = bn    a11 x1 = b1   + a22 x2 = b2  a21 x1    .3b)  2x1 x2 + 5x3 = 2   cujas respectivas soluc~oes podem ser obtidas diretamente.n 1 xn 1 = bn 1     an1 x1 + an2 x2 +    + an. L.   (2.4a)  .n 1 xn + a1n xn = b1   1 a22 x2 +    + + = b2  a2.

Captulo 2. bn1 e xn1 bn Faca xn = 1: ann 2: Para k = n 1 ate k = 1 faca 3: soma = bk 4: Para j = k + 1 ate j = n faca 5: soma = soma akj xj 6: Fim do laco soma 7: xk = a kk 8: Fim do laco Algoritmo 1: Soluc~ao de Sistemas Triangulares Superiores Dado n. Sistemas de Equac~oes Lineares CNC Dado n. A.1. Troca da ordem das equac~oes. 3. Ann (matriz triangular superior). Propriedade 1. Soma do multiplo de uma equac~ao a outra. que det(A) 6= 0.2 Metodo de Eliminac~ao de Gauss Os metodos diretos mais comuns t^em como base as seguintes propriedade elementares de sistemas de equac~oes lineares. Suponha aqui. Reescrevemos a matriz A e o vetor b na forma de uma matriz expandida: L. Cant~ao 9 . ~ x = b~ equivalente ao sistema original Ax = b Estas operac~oes geram um sistema A O metodo de Eliminac~ao de Gauss usa esta propriedade para transformar a matriz A numa matriz triangular superior equivalente. A soluc~ao do sistema Ax = b n~ao se altera se o submetermos a uma sequ^encia de operac~oes do tipo: 1. Ann (matriz triangular inferior). P. Multiplicac~ao de uma equac~ao por uma constante n~ao-nula. bn1 e xn1 . b1 Faca x1 = 1: a11 2: Para k = 2 ate k = n faca 3: soma = bk 4: Para j = 1 ate j = k 1 faca 5: soma = soma akj xj 6: Fim do laco soma 7: xk = a kk 8: Fim do laco Algoritmo 2: Soluc~ao de Sistemas Triangulares Inferior 2. 2.

.. para i = 1..1) a ser triangularizado. n Dessa maneira.  . No . ou ainda. n. : : : . subtramos a primeira linha multiplicada pelo fator a mi 1 = a i 1 11 de todas as outras linhas li . . 2.    an 1 an 2 an 3    ann bn ln(1) os elementos li(1) .  . . . . .. . Para eliminar a incognita x1 das n 1 equac~oes. Sistemas de Equac~oes Lineares CNC a11 a12 a13    a1n b1 l1(1)    a21 a22 a23    a2n b2  l2(1) ... . ... . 3.. n. j = 2 : n bi(2) = bi mi 1 b1 : O ndice superior (2) indica que usaremos um segundo valor para aij e bi . : : : . Para i = 2 : n aij(2) = aij mi 1 a1j .. . .. .   ai 1 ai 2 ai 3    ain bi  li(1)   .  . 3. li(2) = li(1) mi 1 l1(1) . : : : .  . Elimina c~ ao da Primeira Coluna Suponha que a11 6= 0. .  .Captulo 2.    . .. i = 2. . representam as equac~oes do sistema linear (2. . . . .. para i = 2...

os coe.nal deste estagio.

cientes da matriz aumentada foram modi.

cados de modo que a matriz assume a seguinte con.

  .       0 an(2)2 an(2)3    ann   (2) bn(2) ln(2) Elimina c~ ao da Segunda Coluna Para eliminar a incognita x2 das n 2 ultimas equac~oes repetimos o procedimento anterior tomando agora a segunda linha como auxiliar no processo de eliminac~ao. .gurac~ao: a11 a12 a13    a1n b1 l1(1)    0 a22    a2(2)n b2(2)     (2) a23 (2) l2(2)  . Os coe. . i = 3 : n. ... onde mi 2 = a i 2 .. . .. . ... . .   . 22 supondo que a22 6= 0. .. .. ... .. . . isto e: a li(3) = li(2) mi 2 l2(2) .. . . . i = 3 : n.   0 a a    ain bi (2) (2) (2) (2) li(2)   i2 i3     . . . . . . .  .  .

cientes ser~ao modi.

Cant~ao 10 . j = 3 : n bi(3) = bi mi 2 b2(2) : L.cados segundo as relac~oes: Para i = 3 : n aij(3) = aij(2) mi 2 a2(2)j . A. P.

devemos trocar linhas (sempre escolhendo aquelas abaixo da diagonal para n~ao perder a eliminac~ao anterior). . Dado n. . PARE 5: Caso contrario 6: 6 k ent~ao Se i = 7: Troque a linha k com a linha i 8: Fim do condicional 9: Fim do condicional 10: Para i = k + 1 ate i = n faca a 11: m = mik = a ik kk 12: bi = bi mbk 13: Para j = k + 1 ate j = n faca 14: aij = aij makj 15: Fim do laco 16: Fim do laco 17: Fim do laco 18: Execute o algoritmo (1). 1: Para k = 1 ate k = n 1 faca 2: Selecione i  k tal que aik 6= 0 3: Se aii = 0 para todo i  k ent~ao 4: A n~ao e inversvel. Cant~ao 11 . ..  ()    . para i = 1. n.  ....Captulo 2. A. P. .    . a33 (3) .. a22 (2) . . . n e k = i + 1. Sistemas de Equac~oes Lineares CNC Seguindo raciocnio analogo. . 2.       (n) ann xn = bn(n)   0 0 0    ann (n) bn (n)   (n) No processo de eliminac~ao. . . Ann . Algoritmo 3: Soluc~ao de (2. ann que aparecem na diagonal principal da matriz A s~ao chamados piv^os e os elementos mij .. os elementos a11 . procede-se ate i = n e a matriz resultante sera: a11 a12 a13    a1n b1 a11 x1 + a12 x2 +    + a1n xn = b1      0 a22 (2) a23 (2)    a2(2)n b2(2)  x2 +    + a2(2)n xn = b2(2)    a22 (2)     . os multiplicadores. Se no processo de eliminac~ao um dos piv^os se anular.  .. . Resolva o sistema abaixo usando o algoritmo (3): 0:004x1 + 15:73x2 = 15:77 0:423x1 24:72x2 = 20:49 L. .. .2) via Eliminac~ao de Gauss Estrategia de Pivoteamento Exemplo 4.    . de modo que escolhamos elementos n~ao nulos para piv^os. bn1 e xn1 ..

Sistemas de Equac~oes Lineares CNC Use quatro dgitos na representac~ao em ponto utuante e arredondamento ao desprezar o quinto dgito. Troque a ordem das equac~oes lineares e resolva novamente o problema usando o mesmo algoritmo. de modo que o piv^o seja o maior elemento. O procedimento usado no exemplo 4 para obter a soluc~ao correta do sistema e chamado de estrategia de pivoteamento. A soluc~ao correta do sistema e x1 = 10 e x2 = 1:0. no k -esimo passo procuramos o elemento piv^o de maior valor absoluto entre os coe. obtemos m = 105:8 e: 0:004x1 + 15:73x2 = 15:77 1689x2 = 1688 Cuja soluc~ao obtida e x1 = 12:50 e 0:9994. da coluna que estamos eliminando. Calcule o erro relativo da soluc~ao obtida. Soluc~ao 1. que consiste na troca sistematica das linhas. que e a soluc~ao exata do sistema. 1.Captulo 2. Assim. Resolvendo o mesmo problema com a ordem das equac~oes trocadas temos m = 0:9456  10 2 e: 0:423x1 24:72x2 = 20:49 15:96x2 = 15:96 cuja soluc~ao e x1 = 10 e x2 = 1. em valor absoluto. Para eliminarmos x1 .

seus elementos satisfazem a jaii j > jaij j. 2. Uma matriz e diagonalmente dominante. i = 1. Uma matriz e simetrica AT = A e positiva de. Existem dois casos nos quais o metodo de eliminac~ao pode ser aplicado sem pivoteamento: 1. O algoritmo (4) ilustra esta estrategia. n. X j 6=i para todo i .cientes: jark j = i max ja j. trocamos as linhas k e r se for necessario. 2. ou seja. : : : . k n ik 2.

nida xT Ax > 0. 2.3 Fatorac~ao LU Os metodos de Eliminac~ao de Gauss e Eliminac~ao de Gauss com Pivoteamento podem ser usados economi- camente quando precisamos resolver varios sistemas com a mesma matriz dos coe.1. para todo vetor x 6= 0.

cientes A e diversos termos independentes b. Uma opc~ao seria guardar os coe.

Computacionalmente. esta alternativa e conhecida como Fatorac~ao LU da matriz A. e uma matriz triangular superior U. P.cientes mij calculados no processo de eliminac~ao e usa-los na atualizac~ao dos termos independentes b. isto e: A = LU =) Ax = b () LUx = b: O sistema LUx = b permite o desmembramento em dois sistemas triangulares: Ly = b e Ux = y: L. A. Suponha que seja possvel fatorar a matriz A num produto de uma matriz triangular inferior (com elementos da diagonal principal iguais a 1) L. Cant~ao 12 .

Dada uma matriz Ann . : : : . Ent~ao. A. usado no segundo sistema. (n 1). calculamos y que. det (A) = u11 u22    unn . Ainda mais. fornecera o vetor procurado x. Teorema 1. com mii = 1. Algoritmo 4: Soluc~ao de (2. Ann . 1  i  n e uma matriz triangular superior U = (uij ) tais que LU = A. Exemplo 5. bn1 e xn1 . existe uma unica matriz triangular inferior L = (mij ). Cant~ao 13 . Suponha que det (Ak ) 6= 0 para k = 1.Captulo 2. seja Ak a matriz constituda das primeiras k linhas e colunas de A. P. Sistemas de Equac~oes Lineares CNC Dado n.2) via Eliminac~ao de Gauss com Pivoteamento Resolvendo o primeiro sistema. 2. PARE 10: Caso contrario 11: Troque a linha k com a linha r 12: Fim do condicional 13: Para i = k + 1 ate i = n faca a 14: m = mik = a ik kk 15: bi = bi mbk 16: Para j = k + 1 ate j = n faca 17: aij = aij makj 18: Fim do laco 19: Fim do laco 20: Fim do laco 21: Execute o algoritmo (1). 1: Para k = 1 ate k = n 1 faca 2: w = jakk j e r = k 3: Para j = k ate j = n faca 4: Se jakj j > w ent~ao 5: w = jajk j e r = j 6: Fim do condicional 7: Fim do laco 8: Se w = 0 ent~ao 9: A n~ao e inversvel. Resolva o sistema linear a seguir usando a fatorac~ao LU: 3x1 + 2x2 + 4x3 = 1   x1 + x2 + 2x3 = 2  4x1 + 3x2 + 2x3 = 3   L.

Sistemas de Equac~oes Lineares CNC Dado n. A. 11 11 u2j = a2j m21 a1j j = 2. 3 u3j = a3j m31 a1j j = 2.2) via Fatorac~ao LU Soluc~ao 2. Ann .Captulo 2. Cant~ao 14 . Considere a matriz abaixo onde a primeira parte refere-se a matriz L e a segunda parte. 1: Para i = 1 ate i = n faca 2: Para j = i ate j = n faca i 1 uij = aij mik ukj X 3: k =1 4: Para j = i + 1 ate j = n fac!a i 1 mij = aji mjk uki =uii X 5: k =1 6: Fim do laco 7: Fim do laco 8: Fim do laco 9: Execute o algoritmo (2) para resolver Ly = b e o algoritmo (1) para resolver Ux = y Algoritmo 5: Soluc~ao de (2. P. 3 2a Etapa Piv^o: 1 u 1=3 u22 = 3 e multiplicadores: m32 = u32 = 1=3 = 1. bn1 e xn1 . 5. 0)T  4x3 = 0   L. 22 u33 = u33 m32 u23 Resolvendo L(Ux) = b (i) Ly = b y1 = 1  T =) y = 1. 35 . 0   1=3y1 + y2 = 2  4=3y1 + y2 + y3 = 3   (ii) Ux = y 3x1 + 2x2 + 4x3 = 1   1=3x2 + 2=3x3 = 5=3 =) x = ( 3. a matriz U: 1 0 0 3 2 4 1 0 0 3 2 4 1 0 0 3 2 4       ! !   0 1 0 1 1 2  1 Etapa  1=3 1 0 0 1=3  a  2=3  2 Etapa  1=3 1 0 0 1=3 2=3  a    0 0 1 4 3 2 4=3 0 1 0 1=3 10=3 4=3 1 1 0 0 4 1a Etapa Piv^o: a11 = u11 = 3 e multiplicadores: a 1 a 4 m21 = u21 = 3 e m31 = u31 = 3 .

n.1 Metodo de Jacobi Neste metodo. Ou seja. n 1   xn = bn anj xj  =ann X j =1 2. : : : . .Captulo 2. aii 6= 0. usamos o primeiro termo a direita da i -esima equac~ao para de..2 Metodos Iterativos Se no sistema Ax = b os elementos da diagonal s~ao diferentes de zero. x(2) . . 2.5) X j 6=i . ent~ao podemos explicitar x1 usando a primeira equac~ao. i = 1. : : :. x(k ) . Dada uma aproximac~ao inicial x(0) . n   xi = bi aij xj  =aii (2. x2 usando a segunda equac~ao e assim sucessivamente. reescrevemos o sistema (2.2.1) numa forma que e conveniente para os metodos iterativos: n   x1 = b1 a1j xj  =a11 X j =2 . as equac~oes (2.5) s~ao usadas para calcular uma sequ^encia de vetores aproximac~oes x(1) .. Sistemas de Equac~oes Lineares CNC 2.

2. o metodo de Jacobi consiste em calcularmos as componentes dos vetores x(1) . : : : usando (2. : : :. (2) 2 .5).nir uma nova aproximac~ao para xi : n   xi(1) = bi aij xj(0)  =aii .6) X j 6=i Usamos agora o vetor x(1) nas equac~oes (2. n: (2. x(2) = (x1(2) . i = 1. x(2) Veri. x . : : : .5) para calcular o novo vetor das aproximac~oes. xn(2) )T . Em resumo.

camos se este metodo converge fazendo: .

(k +1) .

xi xi(k ) .

.

.

.

.

(k +1) max .

xi xi(k ) .

.

<  ou max .

.

(k +1) .

.

<

1i n 1i n

xi .

onde  e uma toler^ancia su.

2. 2. tomamos x(0) = 0.2 Metodo de Gauss-Seidel Este metodo consiste em uma modi.cientemente pequena. Em testes computacionais usamos tambem como teste de parada um numero maximo de iterac~oes. Para iniciar o processo iterativo e necessario fornecer uma aproximac~ao inicial x(0) . Na falta de informac~ao sobre a soluc~ao.

L. as iterac~oes ser~ao calculadas usando as equac~oes (2. P. o valor recem calculado para x1(k +1) sera usado no calculo de x2(k +1) .cac~ao do metodo de Jacobi. A. Nele. para atualizar a componente que esta sendo calculada.5). Assim. Cant~ao 15 . mas aproveitando os calculos ja atualizados de outras componentes.

Ann .Captulo 2. Sistemas de Equac~oes Lineares CNC n1 . bn1 e x(0) 1: Para k = 0 ate k = max faca 2: Para i = 1 ate i= n faca n  3: 1 xi(k +1) = a bi X aij xj(k )  ii j =1.  Dado n. max. j 6=i .

(k +1) .

xi xi(k ) .

.

.

.

.

(k +1) Se max .

xi xi(k ) .

.

<  ou <  ent~ao .

.

4: 1i n .

(k +1) .

.

xi .

.

.

9: Fim do condicional 10: Fim do condicional 11: Fim do laco 12: Fim do laco Algoritmo 6: Metodo de Jacobi Dado n.  1: Para k = 0 ate k = max faca 2: Para i = 1 ate i= n faca i 1 n  (k +1) xi = a1 bi (k +1) aij xj aij xj (k )  X X 3: ii j =1 j =i +1 . Ann . 5: x = x(k +1) 6: Caso contrario 7: Se k = max ent~ao 8: PARE: n~ao houve converg^encia. bn1 e x(0) n1 . max.

(k +1) .

xi xi(k ) .

.

.

.

Se max .

.

xi(k +1) xi(k ) .

.

<  ou <  ent~ao .

.

4: 1i n .

(k +1) .

.

xi .

.

.

P. Resolva o sistema abaixo usando os metodos de Jacobi e Gauss-Seidel: 4:00x1 + 0:24x2 0:08x3 = 8:00   0:09x1 + 3:00x2 0:15x3 = 9:00  0:04x1 0:08x2 + 4:00x3 = 20:00   L. A. Cant~ao 16 . 9: Fim do condicional 10: Fim do condicional 11: Fim do laco 12: Fim do laco Algoritmo 7: Metodo de Gauss-Seidel Exemplo 6. 5: x = x(k +1) 6: Caso contrario 7: Se k = max ent~ao 8: PARE: n~ao houve converg^encia.

3 Converg^encia dos Metodos de Jacobi e Gauss-Seidel As condic~oes de converg^encia de veri. Sistemas de Equac~oes Lineares CNC 2.Captulo 2.2.

cac~ao simples para os metodos de Jacobi e Gauss-Seidel s~ao: 1. i = 1 : n. X j 6=i 2. ou seja: jaii j > jaij j. Os metodos iterativos n de Jacobi e Gauss-Seidel convergem se a matriz A e diagonalmente dominante. Os metodos iterativos de Jacobi e Gauss-Seidel convergem se A e uma matriz positiva de.

2. obtenha uma soluc~ao por meio de metodos gra.3 Exerccios 1. Para cada um dos sistemas lineares seguintes.nida: xT Ax > 0 para todo x 6= 0.

Explique os resultados do ponto de vista geometrico. P.cos.) (a) (b) 4x1 x2 + x3 = 8 4x1 + x2 + 2x3 = 9 2x1 + 5x2 + 2x3 = 3 2x1 + 4x2 x3 = 5 x1 + 2x2 + 4x3 = 11 x1 + x2 3x3 = 9 3. Utilize o metodo de Gauss usando operac~oes com arredondamento para dois dgitos para resolver os sistemas lineares a seguir. se possvel. Considere os seguintes sistemas:  (i) Soluc~ao real: (10. (A soluc~ao exata para cada sistema e x1 = 1. (a) (e) x1 + 2x2 = 3 x1 + 2x2 = 0 x1 x2 = 0 2x1 + 4x2 = 0 (f) (b) 2x1 + x2 = 1 x1 + x2 = 0 x1 + x2 = 2 x1 x2 = 0 x1 3x2 = 5 (c) (g) x1 + 2x2 = 3 2x1 + x2 = 1 2x1 + 4x2 = 6 4x1 + 2x2 = 2 x1 3x2 = 5 (d) (h) x1 + x2 = 3 2x1 + x2 + x3 = 1 2x1 4x2 = 6 2x1 + 4x2 x3 = 1 2. 1)T : 3:03x1 12:1x2 + 14x3 = 119   3:03x1 + 12:1x2 7x3 = 120  6:11x1 14:2x2 + 21x3 = 139   L. Cant~ao 17 . N~ao reordene as equac~oes. x2 = 1 e x3 = 3. A.

0:02065405. (b) Repita o item acima usando o metodo de Eliminac~ao de Gauss com Pivoteamento. Sistemas de Equac~oes Lineares CNC  (ii) Soluc~ao real: (0. (d) Calcule o erro relativo dos itens acima. (e) Veri. 10:16759660. 0:01269269. 1:18260870)T : 1:19x1 + 2:11x2 100x3 + x4 = 1:12    14:2x1 0:122x2 + 12:2x3 x4 = 3:44      100x2 99:9x3 + x4 = 2:15 15:3x1 + 0:110x2 13:1x3 x4 = 4:16     (iv) Soluc~ao real: (0:78839378. 10.Captulo 2. (c) Resolva os sistemas acima usando Fatorac~ao LU e operac~oes aritmeticas com aproximac~ao de tr^es dgitos por truncamento. 3:12541367. 4:55700252)T : p p p x1 e x2 + 2x3 3x4 = 11    p x1 + pe x2 e x3 + p7 x4 = 0 2 2 3      5x1 6x2 + px3 2x4 = p  x1 + e x2 3 2 7x3 + 9 x4 1 = 2    (a) Resolva os sistemas acima usando o metodo de Eliminac~ao de Gauss e operac~oes aritmeticas com aproximac~ao de tr^es dgitos por truncamento. 1=7)T : 0:03x1 + 58:9x2 = 59:2 ( 5:31x1 6:10x2 = 47:0  (iii) Soluc~ao real: (0:17682530.

Justi.que se os sistemas acima s~ao convergente se aplicarmos os Metodos Iterativos de Jacobi e Gauss- Seidel.

que sua resposta. 4. Sejam o sistemas lineares: 10 2 3 5 x1 48      x1 0:5x2 + 0:5x3 = 3  1 8 1 2 x2 4       (a)  x1 + x2 + x3 = 12 (b)  =       2 1 5 1 x3 11   0:5x1 0:5x2 + x3 = 3           1 2 3 20 x4 150 Resolva-os usando os metodos de Jacobi e Gauss-Seidel e veri.

Justi.que a converg^encia dos metodos.

que os resultados. Compare e veri. 5. Resolva os sistemas lineares: x1 3x2 + 5x3 + 6x4 = 17  1 2 4 x1 13       8x1 + 4x2 x3 = 29   (a)  (b)  3 1 4 x2 8     3x1 + 2x2 2x3 + 7x4 = 11     2 14 5 x3 50 x1 + 2x2 + 5x3 4x4 = 7    usando o metodo de Eliminac~ao de Gauss com e sem pivoteamento.

L. A.que os resultados. Cant~ao 18 . P.

Veri. utilizando apenas 4 casas decimais: 2 6 3 x1 5 x1 + 2x2 + 3x3 = 17       (a)  1 3:001 2 x2 9 (b)  5x1 x2 + 4x3 = 2        4 1 9 x3 29  2x1 + 4x2 + x3 = 25 usando Fatorac~ao LU. Efetue os calculos. Sistemas de Equac~oes Lineares CNC 6.Captulo 2.

7. Cant~ao 19 .que a unicidade e a exatid~ao das soluc~oes. Resolva os sistemas abaixo usando Fatorac~ao LU : (a) 1:012x1 2:132x2 + 3:104x3 = 1:984 2:132x1 + 4:096x2 7:013x3 = 5:049 3:104x1 7:013x2 + 0:014x3 = 3:895 (b) 2:1756x1 + 4:0231x2 2:1732x3 + 5:1967x4 = 17:102 4:0231x1 + 6:0000x2 + 1:1973x4 = 6:1593 1:0000x1 5:2107x2 + 1:1111x3 = 3:0004 6:0235x1 + 7:0000x2 4:1561x4 = 0:0000 L. 0 2 1 4 1 3   1 2 1 3 4 0     0 1 1 1 2 1   A =     2 3 4 2 0 5   1 1 1 3 0 2       1 1 2 1 2 0 8. Calcule o determinante da matriz A usando Fatorac~ao LU . A. P.

Estes valores especiais s~ao chamados de razes da equac~ao f (x ) = 0. CAPITULO 3 Equaco~es N~ao-Lineares Introduc~ao A necessidade de encontrar valores de x = x que satisfacam a equac~ao f (x ) = 0 aparece frequentemente em uma ampla variedade de problemas provenientes das Ci^encias e das Engenharias. ou zeros da func~ao f . os quais podem ser vistos na .

8 y = cos x 0.4 −0.gura 3. No entanto. as razes n~ao podem ser calculadas analiticamente.0 −7 −5 −3 −1 1 3 5 7 x Figura 3. y 1. para equac~oes algebricas de grau superior a quatro e para a grande maioria das equac~oes transcendentes.4 0. Para equac~oes algebricas de p grau ate quatro.0 0. que mostra quando a func~ao f (x ) = cos x = 0.2 0 x 1 x 2 x 3 x 4 −0.1.6 0.2 −0.6 −0.1: Razes da func~ao f (x ) = cos x . as razes podem ser calculadas analiticamente por meio de uma express~ao tal como x = ( b  b2 4ac )=2 para determinar as duas razes de f (x ) = ax 2 + bx + c = 0. Nestes casos t^em de ser usados metodos que encontrem uma soluc~ao aproximada para estas razes.8 −1. O problema de calcular uma raiz pode ser dividido em duas fases: .

encontrar um intervalo [a.Captulo 3. b] que contenha uma. raiz de f (x ) = 0. e somente uma. Fase II: Re. isto e. Equac~oes N~ao-Lineares CNC Fase I: Isolamento da raiz.

namento da raiz. que consiste em. escolhidas aproximac~oes iniciais no intervalo encontrado na Fase I. melhora-las sucessivamente ate obter uma aproximac~ao para a raiz dentro de uma precis~ao  pre-.

3.1 Fase I: Isolamento das Razes Nesta fase e feita uma analise teorica e gra.xada.

se f 0 (x ) n~ao muda de sinal em [a. Na analise teorica usamos frequentemente o teorema: Teorema 2. b]. Alem disso. Seja f (x ) uma func~ao contnua num intervalo [a. b] ent~ao x e a unica raiz de f (x ) neste intervalo.2 exempli.ca da func~ao f (x ). Se f (a)  f (b) < 0 ent~ao existe pelo menos um ponto x 2 [a. b] tal que f (x ) = 0. A Figura 3.

2 2.8 3.4 2.4 −0.ca o Teorema 2 e a Figura 3.4 0. Note que f 0 (x ) = sen x e f 0 (x ) < 0 neste intervalo.2 1.0 1.0 1. 3].3.4 1.6 2.0 Figura 3.8 2.2 −0. 0.8 −1.2: Ampliac~ao da func~ao f (x ) = cos x no intervalo x 2 [1.6 0.6 1. A analise gra. o caso onde ha raiz mas n~ao satisfaz as condic~oes do Teorema.6 −0.0 2.2 0 −0.

podemos executar os seguintes procedimentos: !.ca da func~ao f (x ) ou da equac~ao f (x ) = 0 e fundamental para obter boas aproximac~oes para a raiz. Esbocar o gra. Para tanto. 1.

esbocar os gra.co da func~ao f (x ) e localizar as abscissas dos pontos onde a curva intercepta o eixo ox 2. A partir da equac~ao f (x ) = 0. obter a equac~ao equivalente g (x ) = h(x ).

pois neste caso f (x ) = 0 () g (x ) = h(x ).cos das func~oes g (x ) e h(x ) no mesmo eixo cartesiano e localizar os pontos x onde as duas curvas se interceptam. Usar os programas que tracam gra. 3.

Cant~ao 21 . disponveis em algumas calculadoras ou softwares matematicos. P.cos de func~oes. A. L.

1 0.3 2.7 160 0. 1.7 1. Porem a Figura 3.9 200 0.4: (a) f (x ) = x 3 9x + 3.5 0.5 1.1 1.3 0. 2.0 0.0 −4 −3 −2 −1 0 1 2 3 4 −4 −3 −2 −1 0 1 2 3 4 (a) (b) Figura 3.9 2.4 mostra os tr^es passos. Assim.1 −1 −9.5 −0. (b) g (x ) = x 3 e h(x ) = 9x 3.3 0.1 0 0 −3 −2 −1 0 1 2 3 4 −0.7 15 27. A.Captulo 3.7 −25 −64. e mais conveniente usar os passos (2) e (3). 31 64.5 ilustra as func~oes f (x ).3: f (x ) = 4x 2 4x 3 + x 4 . x 5 e x = 0 () p px = 5 e x =) g (x ) = px e h(x ) = 5 e x .6 120 0.7 (a) (b) Figura 3. P. f (x ) = x 3 9x + 3: Neste caso. A Figura 3.8 0.2 40 0. Cant~ao 22 .4 7 9. somente o passo (1) e necessario para localizar as possveis razes. Equac~oes N~ao-Lineares CNC 240 1. p f (x ) = x 5 e x : Neste caso.1 −9 −27. Exemplo 7.0 23 45. L.4 80 0.4 −17 −45. g (x ) e h(x ).

07 3. (b) g (x ) = x e h(x ) = 5 e x .91 5. Equac~oes N~ao-Lineares CNC 1.5 1.14 −3.0 (a) (b) p Figura 3.71 −5.0 3.0 3.00 0.Captulo 3.5 4.03 g (x ) 1.5: (a) f (x ) = x 5 e x .29 f (x ) −0.5 1.5 3.43 −4.0 0.5 3.5 4.5 2.05 2.0 1.0 2. p 3.92 h(x ) 4.01 0.00 0.0 0.57 −1.86 −2.2 Fase II: Re.0 1.00 0.0 0.5 2.04 2.0 2.

namento Ser~ao apresentados aqui tr^es metodos numericos de re.

A forma como se efetua o re.namento da raiz: o metodo da Bissec~ao. de Newton e das Secantes.

veremos os criterios de parada adotados. Este deve avaliar quando xk . esta su. antes de descrever estes metodos. 3. Porem.2.namento e o que diferencia os metodos. na k -esima iterac~ao.1 Criterio de Parada O criterio de parada interrompe a sequ^encia gerada pelos metodos.

2. Avaliac~ao do ponto na func~ao: jf (xk )j  . o processo e interrompido quando pelo menos um dos criterios a seguir e satisfeito: 1. Contudo. logo. o valor exato da raiz e desconhecido na maioria dos casos. Avaliac~ao do tamanho do intervalo: .cientemente proximo da raiz exata.

xk xk .

.

jxk xk 1 j   ou .

.

xk .

1 .  .

.

para  su.

Cant~ao 23 .6 mostra este processo. P. A.2. A Figura 3. b) contenha uma unica raiz da equac~ao f (x ) = 0. neste caso (b a) < . b] e tal que f (a)  f (b) < 0. b] ao meio.2 Metodo da Bissec~ao Seja f (x ) uma func~ao contnua no intervalo [a. usando para isto a sucessiva divis~ao de [a. Suponha que o intervalo (a. L.cientemente pequeno (precis~ao desejada). 3. ou seja. Os passos para a execuc~ao deste metodo s~ao dados pelo Algoritmo 8. f satisfaz as condic~oes do Teorema 2. O objetivo deste metodo e reduzir a amplitude do intervalo que contem a raiz ate se atingir a precis~ao requerida.

Equac~oes N~ao-Lineares CNC y x 0 = a 1 = a 2 = a 3 a=a 0 x b=b =b 0 1 x 2 = b 3 x 1 = b 2 Figura 3.Captulo 3.6: O metodo da Bissec~ao gra.

 1: Para k = 0 ate k = max faca a+b 2: xk = 2 3: Se f (a)  f (xk ) < 0 ent~ao 4: b = xk 5: Caso contrario 6: a = xk 7: Fim do condicional 8: Se jb aj   ent~ao a+b PARE. a e b tais que f (a)  f (b) < 0. o ponto x1 da . Seja x0 uma aproximac~ao inicial da raiz. obteremos uma nova aproximac~ao para a raiz. Este metodo tambem e conhecido como Newton-Raphson. A linearizac~ao substitui a curva y = f (x ) por sua reta tangente. O metodo de Newton combina duas ideias comuns nas aproximac~oes numericas: linearizac~ao e iterac~ao.1 apresenta os passos deste exemplo).2. Dado f (x ). 3 3. Aproximando a curva y = f (x ) por sua reta tangente tracada no ponto (x0 . x = 9: 2 e raiz aproximada de f (x ) 10: Fim do condicional 11: Fim do laco Algoritmo 8: Metodo da Bissec~ao Exemplo 8. 1].camente. f (x0 )) obtemos a aproximac~ao linear. como ilustra a Figura 3. para  = 10 (a Tabela 3. Aplique o metodo da Bissec~ao para encontrar a raiz de f (x ) = x 3 9x + 3 no intervalo I = [0. devido a sistematizac~ao apresentada por Joseph Raphson em 1690. max.3 Metodo de Newton Isaac Newton (1642{1727) publicou seu metodo para encontrar razes de equac~oes n~ao-lineares em 1687. Encontrando o ponto de intersecc~ao desta reta com o eixo x .7.

gura. Cant~ao 24 . A. P. L.

5 0.3374023 0:0017893 Tabela 3.34375 0.375 0.3359375 0:0144744 (+) 0.014375 6 0.34375 0.328125 0.328125 0:0713582 (+) 0.3359375 0.25 0.0039063 8 0.03125 5 0.25 0:765625 (+) 0.3398438 0:0193443 ( ) 0.3359375 0.06 4 0. Equac~oes N~ao-Lineares CNC k a b xk = (a + b)=2 f (xk ) f (a)  f (xk ) jb a j 0 0 1 0.Captulo 3.336914 0:0060175 (+) 0.5 1:375 ( ) 0:5 1 0 0.0009766 10 0.0078125 7 0.1: Resultado do Exemplo 8.3378906 0.3125 0.78906 0:0024384 ( ) 0.25 0.3125 0.5 0.34375 0.375 0.25 2 0.3378906 0.34375 0:0531311 ( ) 0. y y = f (x ) .3359375 0.125 3 0.375 0:3222656 ( ) 0.3398438 0.0019531 9 0.3125 0:2180176 (+) 0.336914 0.

foi calculada a partir da reta tangente a curva y = f (x ) no ponto (x1 . representada na Figura 3. Para estabelecer express~oes analticas que permitam o calculo de x1 . O processo iterativo sera obtido pela repetic~ao do procedimento.  x x x x 2 1 0 x Figura 3.7: O metodo de Newton-Raphson. x2 . A nova aproximac~ao.7 pelo ponto x2 . f (x1 )). : : : observamos que a tangente do ^angulo  pode ser obtida tanto da de.

temos: tg() = xf (x0x) = f 0 (x0 ) ! x1 = x0 ff 0((xx0 )) 0 1 0 tg(.nic~ao da func~ao trigonometrica tangente quanto pela derivada de f (x ) no ponto x0 (inclinac~ao da reta tangente). da Figura 3. Assim.7.

Exemplo 9. Aplique o metodo de Newton para encontrar a raiz de f (x ) = x 3 9x + 3 tomando x0 = 0:5.2 apresenta os passos deste exemplo). L. P. ) = xf (x1x) = f 0 (x1 ) ! x2 = x1 ff 0((xx1 )) 1 2 1 Genericamente. o processo consiste em evoluir da aproximac~ao xk para a aproximac~ao xk +1 usando a formula: f (xk ) xx +1 = xk f 0 (xk ) (3. Cant~ao 25 . A.1) O metodo de Newton-Raphson esta esquematizado no Algoritmo 9. para  = 10 4 (a Tabela 3.

f (x0 )) e (x1 . o metodo n~ao converge para a soluc~ao.2.6667 1 0.5 1:375 8:25 1. No metodo da Secante.0000021 3 0.0042735 2 0. y y = f (x ) C = (x . 3. f (x 0 0 )) D E B x A x 1 x 0 x Figura 3. como indica a Figura 3.8: O metodo das Secantes. f (x ). Neste caso. f 0 (x ). 8: Fim do condicional 9: Fim do laco Algoritmo 9: Metodo de Newton-Raphson k xk f (xk ) f 0 (xk ) jxk +1 xk j 0 0. max e  1: Para k = 0 ate k = max faca f (x ) 2: xx +1 = xk f 0 (xk ) k 3: Se jf (xk +1 )j   ou jxk +1 xk j   ent~ao 4: PARE.4 Metodo da Secante Uma grande desvantagem do metodo de Newton e a necessidade de se obter f 0 (x ) e calcular seu valor numerico a cada iterac~ao. x = xk +1 5: Fim do condicional 6: Se k = max ent~ao 7: PARE. em vez de tangentes. Cant~ao 26 . A. P.2: Resultado do Exemplo 9. tomamos a reta que passa pelos pontos (x0 . Equac~oes N~ao-Lineares CNC Dado x0 . usamos a semelhanca de tri^angulos ABC L. s~ao necessarias duas aproximac~oes para inicializarmos o processo.8. x0 e x1 . f (x1 )) como uma aproximac~ao linear da curva y = f (x ).Captulo 3. Uma alternativa e usar retas secantes como aproximac~oes lineares locais da func~ao.3376068 0:0000183 8:6581 0.337609 4:545  10 12 Tabela 3. Para estabelecermos a relac~ao de recorr^encia do Metodo da Secantes.3333 0:0370 8:6667 0.

A principal ferramenta para resolver uma equac~ao n~ao-linear e o Metodo de Newton. atraves da formula: x f (x ) x f (x ) xk +1 = k f1 (x )k f (kx k) 1 : k k 1 O Algoritmo 10 sistematiza o procedimento para o metodo das Secantes. para  = 10 4 (a Tabela 3. 3.337609 0:0002222 1:464  10 7 Tabela 3. max e  1:Para k = 1 ate k = max faca x f (x ) x f (x ) 2: xk +1 = k f1 (x )k f (kx k) 1 k k 1 3: Se jf (xk +1 )j   ou jxk +1 xk j   ent~ao 4: PARE. Equac~oes N~ao-Lineares CNC e AED: f (x0 ) f (x1 ) = x0 x2 x1 x2 onde x2 e o ponto denotado por A na Figura 3. Quando essa soluc~ao e insatisfatoria. Dado x0 . x1 .Captulo 3. para calcular uma nova aprox- imac~ao xk +1 . f (x ). eventualmente contornada aproximando- se o problema original por um sistema de equac~oes lineares.8.3319415 0.0056931 4 0.0430585 3 0.375 5 0:3222656 0. o problema deve ser atacado diretamente.3376346 0. Essa tecnica sera modi- .3 Sistemas N~ao-Lineares Resolver um problema de equac~oes n~ao-lineares e uma tarefa complexa.3319415 0:3222656 0:0491011 0.3376346 0:0491011 0:0002222 0. 8: Fim do condicional 9: Fim do laco Algoritmo 10: Algoritmo para o Metodo das Secantes Exemplo 10.3 apresenta os passos deste exemplo). o metodo n~ao converge para a soluc~ao.3: Resultado do Exemplo 10.625 2 1 0. k xk 1 xk f (xk 1 ) f (xk ) jxk +1 xk j 1 0 1 0 5 0. no metodo das secantes usamos duas aproximac~oes xk 1 e xk .375 0.0000256 5 0. x = xk +1 5: Fim do condicional 6: Se k = max ent~ao 7: PARE. Aplique o metodo das Secantes para encontrar a raiz de f (x ) = x 3 9x + 3 tomando x0 = 0 e x1 = 1. Explicitando o valor da incognita x2 teremos: x f (x ) x f (x ) x2 = 0 f (x1 ) f 1(x ) 0 : 1 0 Generalizando.

L. P.cada para resolver um sistema de equac~oes n~ao-lineares. A. Cant~ao 27 .

Aplicando esta ideia para resolver o sistema (3. f (x )  0 se f (xk ) + f 0 (xk )(x xk ) = 0. teremos: f (x )  f (xk ) + f 0 (xk )(x xk ): Se usarmos esta aproximac~ao linear para encontrar a raiz de f (x ) = 0. f (xk ) x = xk f 0 (xk ) : (3. Observe que. : : : . x2 . x2 . x2 . . para uma func~ao escalar.3. x2 . f2 . . Queremos encontrar os valores de x1 . a serie de Taylor e outra maneira de se obter a func~ao de iterac~ao do metodo de Newton.Captulo 3.2). x2 . : : : .3) Assim. : : : ..2) pode ser representado por uma unica equac~ao vetorial. Tomando a serie de Taylor como uma aproximac~ao de func~oes. xn tais que: f1 (x1 . xn . F(x) = (f1 (x). fn (x1 . n. xn ) . temos a aproximac~ao de Taylor como: F(x) = F(xk ) + F0 (xk )(x xk ) + E (3. o polin^omio de Taylor. em torno de xk . tais que: f1 (x1 . x2 . 2. . temos: f 00 (x ) f (n) (x ) f (n+1) ( ) f (x ) = f (xk ) + f 0 (xk )(x xk ) + 2! k (x xk )2 +    + n! k (x xk )n + (n + 1)! (x xk )n+1 onde x   xk . ou seja. A. fn (x)) Assim. .2)  . Como foi feito no caso de uma equac~ao n~ao-linear. procuramos x1 e x2 . fn . P. explicitando x temos. Equac~oes N~ao-Lineares CNC 3. xn ) = 0    f2 (x1 . onde cada uma delas e uma func~ao de n variaveis fi : Rn ! R para i = 1. : : : . temos: x = (x1 . : : : . xn )  = 0   (3. : : : . : : : . x2 ) = x1 (x1 + 1) + 2x2 18 = 0 f2 (x1 . O ultimo termo desta express~ao representa o erro da aproximac~ao de f (x ) pelo polin^omio de grau n.    . F(x) = 0. a ideia da linearizac~ao sera usada no caso de sistemas. : : : . formado pelos n + 1 primeiros termos da expans~ao em serie de Taylor. : : : . x1 . xn )   = 0    Considere o seguinte exemplo: x1 (x1 + 1) + 2x2 = 18 ( (x1 1)2 + (x2 6)2 = 25 Aqui.4) = aproximac~ao linear + erro L. o sistema (3. Cant~ao 28 . f2 (x).. ou ainda.1 Metodo de Newton para Sistemas N~ao-Lineares Considere n func~oes : f1 . x2 ) = (x1 1)2 + (x2 6)2 25 = 0 Usando a notac~ao vetorial.. se tomarmos a aproximac~ao linear (usando os dois primeiros termos da serie de Taylor).

a matriz Jacobiana de F(x). Analogamente a serie de Taylor de func~oes de uma variavel. Note que. : : : . x2k . Equac~oes N~ao-Lineares CNC onde xk = vetor aproximac~ao na k -esima iterac~ao e E e um vetor que representa o erro da aproximac~ao linear. quando xk ! x. kEk  C kx xk k2 para alguma constante C . F0 (x) e a derivada de uma func~ao vetorial com variaveis vetoriais.4).Captulo 3. a aproximac~ao na iterac~ao k + 1 sera de. Esta derivada e uma matriz que contem todas as derivadas parciais de todos os componentes da func~ao F(x). @fi (x) J(x) = F0 (x) = [Jij ] =   : @xj Para estabelecer o metodo iterativo. xk denota o vetor obtido na k -esima iterac~ao: xk = (x1k . xnk ). Em (3.

multiplicamos a equac~ao acima pela inversa da Jacobiana e teremos: xk +1 = xk J 1 (xk ) F(xk ). Assim. x2 ) = 2x13 x22 1 = 0 f2 (x1 .nida pelo vetor que anula a parte linear da equac~ao (3. f1 (x1 . o vetor xk +1 e tal que: F(xk ) + J(xk )(xk +1 xk ) = 0 (3. Resolva o sistema que segue. evitamos este calculo fazendo: v = J 1 (xk ) F(xk ) J(xk ) v = F(xk ) Ou seja. usando o metodo de Newton para equac~oes n~ao-lineares. Cant~ao 29 . a matriz Jacobiana e: 6x12 2x2 " # J(x1 .4). portanto. o calculo das equac~oes acima envolve um sistema de equac~oes lineares para a aproximac~ao da iterac~ao k + 1. A. a nova aproximac~ao sera: xk +1 = xk + v O metodo de Newton para Sistemas n~ao-Lineares e dado pelo algoritmo (11) Exemplo 11. isto e. Como a invers~ao de matrizes e um processo trabalhoso e computacionalmente caro. que e uma generalizac~ao de (3.5) J(xk )(xk +1 xk ) = F(xk ) Para explicitar xk +1 . x2 ) = x23 3x1 x22 1 L. x2 ) = x1 x23 x2 4 = 0 As derivadas parciais desta func~ao s~ao: @f1 @f1 @x1 = 6x1 @x2 = 2x2 2 @f2 @f2 @x1 = x2 @x2 = 3x1 x2 1 3 2 e.3) para o caso de sistemas n~ao-lineares. P.

1:7) temos: 8:64 3:4 0:4340 " # " # J(x ) = 0 e F(x ) = 0 4:91 9:4 0:1956 Resolvendo o sistema J(xk ) v = F(xk ) encontramos: v = (0:03488. 2. Resolvendo o sistema linear para obter v. Para economizar os calculos. 2. temos que: x2 = (1:2343. 14: Se max1i n jxik xik 1 j < 2 ent~ao 15: Ent~ao x = xk 16: Fim do condicional 17: Fim do laco Algoritmo 11: Metodo de Newton para Sistemas N~ao-Lineares Tomando um aproximac~ao inicial x0 = (1:2. Equac~oes N~ao-Lineares CNC Dado x0 . : : : .. : : : . ou .. a cada iterac~ao. 1:6610)T : Para o calculo de uma nova aproximac~ao recalculamos F(x1 ) e a matriz Jacobiana em x1 .  e  i j 1 2 1: Para k = 1 at e k = max faca 2: Para i = 1 ate i = n faca 3: Fi = fi (xk 1 ) 4: Para j = 1 ate j = n faca @f 5: Jij = @xi (xk 1 ) j 6: Fim do laco 7: Fim do laco 8: Resolva o sistema Jv = F 9: xk = xk +1 + v 10: Se max1i n jfi (x k )j < 1 ent~ao 11: Ent~ao x = xk 12: Fim do condicional 13: . x1 = (1:2349. podemos manter uma matriz Jacobiana . n. 1:6615)T Podemos testar as aproximac~oes obtidas calculando os respectivos f1 e f2 : f1 (x0 ) = 0:4340 f2 (x0 ) = 0:1956 f1 (x1 ) = 7:4607  10 3 f2 (x1 ) = 1:9876  10 3 f1 (x2 ) = 1:2779  10 4 f2 (x2 ) = 3:202  10 4 Observe que a soluc~ao do sistema e o calculo do Jacobiano. s~ao dispendiosos.Captulo 3. @x @f para j = 1.. n.. fi para i = 1. 0:03902)T Assim.

P. Neste caso. pois a mesma e usada em algumas iterac~oes. atualizando-se apenas o termo L. A. Cant~ao 30 .xa em algumas iterac~oes. a decomposic~ao LU e adequada na soluc~ao do sistema.

3.4 Exerccios 1.Captulo 3. Localize gra. Equac~oes N~ao-Lineares CNC independente do sistema.

Encontre um valor aproximado para 3 com precis~ao de 10 4 utilizando: (a) Metodo da Bissec~ao. (b) x 4 2x 3 + 2x 1 = 0. (b) x0 = 1:875. A func~ao f (x ) = (4x 7)=(x 2) se anula em x = 7=4. (c) f (x ) = (x 2)(ex 2 1) = 0. (e) x0 = 3. (e) x 3 + x 1000 = 0. (b) Metodo da Secante. (b) f (x ) = 5 log x + 3x 4 7 = 0. (a) f (x ) = e2x 2x 3 5 = 0. (c) f (x ) = 5x 2 + log(x + 1) 2 = 0. Calcular pelo menos uma raiz de cada equac~ao abaixo com   0:001 pelo metodo da Bissec~ao. Determinar pelo menos uma raiz de cada equac~ao abaixo com   10 4 usando o metodo das Secantes. (c) Metodo de Newton. Explique gra. (b) x2 tg x = 0 (d) 2x 3x = 0. 2:5] (b) [ 2:5. (c) 1 x ln x = 0. 2. 5. (a) f (x ) = 2x 3 5x 2 10x + 20 = 0. (f) x0 = 7. Seja f (x ) = (x + 2)(x + 1)x (x 1)3 (x 2). 3.camente as razes das equac~oes a seguir: (a) 4 cos x e2x = 0. 7. Achar pelo menos uma raiz positiva de cada equac~ao com   10 5 pelo metodo de Newton. 3] (c) [ 1:75. (a) 4x 3 + x + cos x 10 = 0. (d) x0 = 1:95. Para que zero de f o metodo da Bissec~ao vai convergir quando for aplicado nos seguintes intervalos ? (a) [ 3. 1:5] (d) [ 1:5. (c) f (x ) = 2x + (cos x )x 2 = 0 6. Calcule as iterac~oes do metodo de Newton partindo das aproximac~oes iniciais: (a) x0 = 1:625. 1:75] (x = 2) (x = 2) (x = 1) (x = 1) p 4. (b) f (x ) = 2x 3 5x 2 x + 3 = 0. (c) x0 = 1:5.

Seja f (x ) = (4x 7)=(x 2).camente seus resultados. 8. Veri.

L. P. Cant~ao 31 . E possvel usar o metodo da Bissec~ao para localizar razes neste intervalo ? Explique.que que f (1:8)f (3) < 0. A.

Equac~oes N~ao-Lineares CNC p 9. 1:772454)T Resp. 1:983423)T  e x x +20x3 + 103 3 = 0 1 2 Resp.: x6 = (1:772454. 0:4224934)T (d) Use x0 = (0.: x2 = ( 0:5131616. 19:84211)T 12. a  0 pode ser calculada pela formula de recorr^encia: p 1 a ! xk +1 = p (p 1)xk + p 1 .: x5 = (0:5000. Demonstrar que a raiz a.: x5 = ( 1:456043. 2)T 6x1 2 cos(x2 x3 ) 1 = 0  ln(x + x ) sen(x1 x2 ) = ln 2 + ln  2 2 (  9x2 + x + sen x3 + 1:06 + 0:9 = 0  1 2 2 p ex x + cos(x1 x2 ) = 0 1 2   1 60x3 + 3 e x x +10 3 = 0 1 2 Resp.: x2 = (0:5001667. 0:1996059. A func~ao f (x ) = tg(x ) 6 tem um zero em x = (1=) arctan 6  0:447431543. use 10 iterac~oes para cada um dos seguintes metodos para calcular o valor aproximado dessa raiz. 0:2508036.: x4 = (0:4981447.: x2 = (0:4958936.Captulo 3. 1)T (c) Use x0 = ( 1. x0 > 0: xk 10. 18:49123. Considerando x0 = 0 e x1 = 0:48. 1)T 3x12 x22 = 0 x13 + x12 x2 x1 x3 + 6 = 0 (   ex1 + ex2 x3 = 0  3x1 x22 x13 1 = 0 x22 2x1 x3 = 4   Resp. Que metodo e mais bem-sucessido ? Por qu^e ? (a) Metodo da Bissec~ao. 1:66423. Cant~ao 32 . Use o metodo de Newton para encontrar uma soluc~ao para os seguintes sistemas n~ao-lineares nos domnios dados. Use o Metodo de Newton com x0 = 0 para calcular x2 para cada um dos seguintes sistemas n~ao lineares: 4x 2 20x + 1 x 2 + 8 = 0 3x1 cos(x2 x3 ) 12 = 0 (  (a) 1 1 2 1 4 2  2 x1 x2 + 2x1 5x2 + 8 = 0 (c)  4x12 625x22 + 2x2 1 = 0  Resp. (b) Metodo da Secante. 0:01837622)T Resp. A. 2. 0)T (b) Use x0 = (2. 11.: x2 = (4:350877. 0:528826)T L. 0. 0:5173874)T sen(4x1 x2 ) 2x2 x1 = 0 x12 + x2 37 = 0    (b)   4 1 (e2x e) + 4ex 2 2ex = 0 (d)  x1 x22 5 = 0    1 4 2 1 x1 + x2 + x3 3 = 0    Resp. 0:8660254)T Resp. P. (a) Use x0 = (1. Faca iterac~oes ate kxk xk 1 k < 10 6 .

1: Dados para interpolac~ao. a exist^encia de erros nos dados. yn )) onde x0 6= x1 6= x2 6= : : : 6= xn . y0 ).1 Interpolac~ao Seja a Tabela 4.6 0. Um modo de resolver este problema e obter uma func~ao que relaciona as variaveis x e y . . (x1 . Em geral.. Um polin^omio construdo com o intuito de aproximar uma func~ao e denominado polin^omio interpolador. 1. Para isso existem duas classes de metodos e a distinc~ao entre elas esta em considerarmos. estudaremos o Polin^omio Interpolador de Lagrange e o de Newton. Existem varios metodos para construir um polin^omio interpolador a partir de um conjunto de pares de dados. 2. Estabelece um metodo que permite encontrar um polin^omio que passe por n +1 pontos conhecidos. xi 0.953 Tabela 4. Aqui. as func~oes escolhidas para o ajuste s~ao polin^omios.221 3. CAPITULO 4 Ajuste de Curvas Introduc~ao Apresentaremos aqui os aspectos basicos e teoricos para ajuste de curvas usando interpolac~ao e aproximac~ao de func~oes de uma variavel real. ou n~ao. 4. Assim.. ent~ao eles s~ao os mais utilizados para determinar esta relac~ao. Interpolac~ao: os dados s~ao precisos e portanto pode-se exigir que a curva de ajuste passe pelos pontos dados. para resolver o problema basta avaliar o polin^omio no ponto desejado. Ou ainda. . Metodo dos Quadrados Mnimos: considera-se possveis erros introduzidos na obtenc~ao dos dados.320 4. quando ha a necessidade de aproximar dados tabelados atraves de uma func~ao. (xn .1. Considerando que os polin^omios s~ao as func~oes mais simples e estudadas. denotados por (x0 . Os problemas de interpolac~ao e aproximac~ao estudados surgem ao se aproximar uma func~ao f por outra func~ao g mais apropriada. y1 ).8 f (xi ) 1.1 0. . O problema consiste em encontrar o valor correspondente de y = f (x ) para um dado x n~ao pertencente a tabela.

1 ilustra este caso. A Figura 4... Existe um unico polin^omio p(x ). p(xn ) = f (xn ). para i = 0 : n: Prova 1.. xn .1: Exemplo de Interpolac~ao. tal que: p(xi ) = f (xi ).1. . Seja: p(x ) = f (x0 )l0n (x ) + f (x1 )l1n (x ) + f (x2 )l2n (x ) + : : : + f (xn )lnn (x ) n = X f (xk )lkn (x ) (4. . x2 . desejamos encontrar um polin^omio p(x ) tal que p(x0 ) = f (x0 ). yn = f (xn ). . de grau menor ou igual a n.. Seja f (x ) uma func~ao conhecida nos n + 1 pontos distintos x0 .1) k =0 onde lk s~ao os polin^omios de Lagrange de. Teorema 3..Captulo 4.. Ajuste de Curvas CNC 4. x1 . . p(x1 ) = f (x1 ). . y p(x ) x 0 x 1 x 2 xn 1 xn x Figura 4.. y1 = f (x1 ).1 Polin^omio Interpolador de Lagrange Dados y0 = f (x0 ).

veri.2) = Y (x xi ) : (x xi ) i =0.nidos por: n (x x0 )(x x1 ) : : : (x xk 1 )(x xk +1 ) : : : (x xn ) lkn = (x x )( k 0 xk x1 ) : : : (xk xk 1 )(xk xk +1 ) : : : (xk xn ) n (4. i 6=k k Sabemos que: lkn (xk ) = 1 e lkn (xi ) = 0 para i 6= k: Com isso.

L.1) e conhecido como Formula de Lagrange.1) com p(x ) = p1 (x ) p2 (x ) para mostrar que p(x )  0 e portanto. Cant~ao 34 . usamos (4. p1 (x )  p2 (x ). A unicidade e consequ^encia de ser p(x )  0 o unico polin^omio de grau n que se anula em n +1 pontos distintos.camos que p(x ) e o polin^omio interpolador. De fato. O polin^omio interpolador (4. P. supondo que existam dois polin^omios interpoladores p1 (x ) e p2 (x ). A.

1) teremos o polin^omio interpolador p2 (x ): 0:16 0:0625 p2 (x ) = 0:25(x 2 6:5x + 10) + 3 ( 4x 2 + 24x + 32) + 3 (x 2 4:5x + 5) = 0:0575x 2 0:4388x + 0:8975 Apenas para comparac~ao. com erro absoluto de 0:0125. Pela substituic~ao dos pontos de inter- polac~ao na express~ao 4. Ajuste de Curvas CNC Exemplo 12.2 ilustra este exemplo. f (x0 ) = f (2) = 0:25. Usando a express~ao (4. calculamos os polin^omios de Lagrange: (x l02 (x ) = (x x1 )(x x2 ) = (x 2:5)(x 4) = x 2 6:5x + 10 0 x1 )(x0 x2 ) (2 2:5)(2 4) (x l12 (x ) = (x x0 )(x x2 ) = (x 2)(x 4) = 4x 2 + 24x + 32 1 x0 )(x1 x2 ) (2:5 2)(2:5 4) 3 (x l22 (x ) = (x x0 )(x x1 ) = (x 2)(x 2:5) = x 2 4:5x + 5 2 x0 )(x2 x1 ) (4 2)(4 2:5) 3 Lembrando que f (x ) = x12 .Captulo 4. x1 = 2:5 e x3 = 4. A Figura 4. Como ser~ao usados tr^es pontos.2. que e uma aproximac~ao de f (3) = 0:1111. Encontre o polin^omio que interpola f (x ) = 1 x 2 nos pontos x0 = 2. tomando x = 3 teremos p2 (x ) = 0:0986. o polin^omio interpolador tem grau 2. L. P. Cant~ao 35 . f (x1 ) = f (2:5) = 0:16 e f (x2 ) = f (4) = 0:0625. A.

0 2.4 3.2 2.2 3.0 1 2 f (x ) = 2 p(x ) = 0:0575x 0:4388x + 0:8975 x 1.8 1.13 0.8 3.8 4.8 3.0 0.6 0.2 2.4 0.2 1.4 1.4 −0.0 2.2 2.8 4. 0.2 −0.8 3.5 0.3 2.6 0 0.0 3.0 3.6 2.21 0.1 −0.0 3.0 2. 36 CNC .0 2.2 3.6 2.0 2.0 2 2 2 2 x 4:5x + 5 2 4x 2 + 24x 32 0 l (x ) = x 6:5x + 10 = = 3 1 l l 3 3 Figura 4.4 0.3 0.8 3.4 3.7 0.25 L. Cant~ao 0.05 0. P.17 Captulo 4.6 0 −0.1 −0.21 0.6 3.2 0.25 0.2 3.29 0.3 0.8 4.09 0.2 0.8 4.4 2.6 2.2 3.4 3.05 2.4 3.6 3.8 3.4 2.6 2.0 2.8 0. Ajuste de Curvas 0.17 0.2 2.4 2.09 0.0 2.1 0.4 3.6 2.6 3.0 3.0 2.6 3.2 2.6 3. A.13 0.2 3.0 1.9 1.4 2.2: Exemplo sobre Interpolac~ao de Lagrange.29 0.0 3.8 4.4 2.

Captulo 4. i = 0. e testar se houve melhoria nos calculos. e importante que o trabalho efetuado anteriormente possa ser reutilizado para estabelecer a express~ao do novo polin^omio. 2. 1. n. do grau adequado para o polin^omio interpolador. Considere a forma do polin^omio interpolador de Newton: pn (x ) = d0 + d1 (x x0 ) + d2 (x x0 )(x x1 ) + : : : + dn (x x0 )(x x1 ) : : : (x xn 1 ) (4. 2.1. a priori.2 Polin^omio Interpolador de Newton Nem sempre temos conhecimento.3) onde cada di . ao acrescentarmos um novo ponto ao polin^omio de Lagrange. Operador Diferen cas Divididas Seja y = f (x ) que passa pelos pontos (xi . O operador de diferencas divididas  e de. n e conhecido como operador diferencas divididas. teremos de refazer os calculos. o Polin^omio de Newton acrescenta um novo termo aos calculos efetuados anteriormente. yi ). : : : . Assim. Um teste razoavel consiste em aumentar o numero de pontos de interpolac~ao. Por outro lado. Ajuste de Curvas CNC 4. : : : . Note que. i = 0. 1. crescendo portanto o grau do polin^omio interpolador.

sendo p(x ) um polin^omio de grau n. xi +2 . xi +1 . xi +n ] n 1 n 1 Ordem n: i +n i Forma de Newton para o Polin^ omio Interpolador Sejam os n +1 pontos (xi . xi +1 . yi ). 2. : : : . tais que yi = p(xi ).nido como: Ordem 0: 0 yi = yi = [xi ] =  xyi +1 0 yi 0 Ordem 1: yi xi = [xi . com xi distintos. Pela de. : : : . xi +2 ] i +2 ::: n yi =  xyi +1 x yi = [xi . n. i = 0. 1. xi +1 ] i +1 Ordem 2: 2 yi = yxi +1 yi xi = [xi .

x0 ] =  p(xx) x p(x0 ) = p(xx) xp(x0 ) 0 0 0 0 ou p(x ) = p(x0 ) + [x. tem-se: [x. x1 ] = [x. x2 ](x x2 ): 2 L. x2 ] + [x. x0 . x0 . x1 . x2 ] = [x. x1 ](x x0 )(x x1 ): (4. x1 . tem-se: p(x ) = p(x0 ) + [x0 . x0 .4). x0 . x1 . x0 . x1x] x[x0 .5) Contudo. x1 .4) No entanto. x1 ](x x0 ) + [x. x1 ](x x1 ): 1 Substituindo esta equac~ao em (4. x0 ](x x0 ): (4. [x. x1 ] + [x. x2 ] ! [x. [x. x0 ] = [x0 . x0 . P. x0x] [xx0 .nic~ao de diferencas divididas. x1 ] ! [x. Cant~ao 37 . x0 . A. x1 ] = [x0 .

x2 ](x x0 )(x x1 ) + [x.7) L. : : : .Captulo 4. No caso dos quadrados mnimos lineares partimos da hipotese de que temos alguma informac~ao sobre o comportamento de g (x ). (4. [x. tem-se: p(x ) = p(x0 ) + [x0 . x2 ](x x0 )(x x1 )(x x2 ): (4.5). chega-se a p(x ) = p(x0 ) + [x0 . x1 . A. o resultado foi um polin^omio de grau 2. 20). xn ] = 0. x1 . Escrevendo o polin^omio de Newton. x3 ](x x0 )(x x1 )(x x2 ) + : : : + + [x0 . x2 . x1 . Tomando y0 = p(x0 ) e usando a notac~ao de diferencas divididas com o operador . Organizando os calculos atraves de uma tabela. x1 . apesar de usarmos quatro pontos na interpolac~ao (portanto esperavamos obter um polin^omio de grau 3). 4. neste exemplo. x1 . xn ](x x0 )(x x1 ) : : : (x xn 1 )+ + [x. Ajuste de Curvas CNC Substituindo a equac~ao acima em (4. P.6) Continuando o desenvolvimento de [x. buscando uma aproximac~ao que minimiza os resduos. x1 . temos: p3 (x ) = y0 + y0 (x x0 ) + 2 y0 (x x0 )(x x1 ) + 3 y0 (x x0 )(x x1 )(x x2 ) = 0 + 2(x 1) + 1(x 1)(x 2) + 0(x 1)(x 2)(x 4) = x (x 1) Note que. x1 . 12) e (5. Isto se deve aos quatro pontos estarem sobre uma parabola. x1 . x0 . x2 ]. x0 . x0 . : : : . 0). (2. x1 ](x x0 ) + [x0 . tem-se o polin^omio de Newton de grau n: pn (x ) = y0 + y0 (x x0 ) + 2 y0 (x x0 )(x x1 ) + : : : + n y0 (x x0 )(x x1 ) : : : (x xn 1 ): Exemplo 13. Seja f (x ) uma func~ao que sera aproximada por g (x ). x1 ](x x0 ) + [x0 . : : : . x2 ](x x0 )(x x1 ) + [x0 .2 Quadrados Mnimos Lineares O metodo dos Quadrados Mnimos e a tecnica de aproximac~ao mais usada na analise numerica e em problemas praticos.2: Tabela de Diferencas Divididas. 2). temos: i xi yi yi 2 yi 3 yi 0 1 0 2 1 0 1 2 2 5 1 2 4 12 8 3 5 20 Tabela 4. xn ](x x0 )(x x1 ) : : : (x xn ) Como p(x ) e um polin^omio de grau n. pois fornece uma aproximac~ao para dados que s~ao medidos com um certo grau de incerteza. x0 . Use o polin^omio de Newton para interpolar os pontos (1. Cant~ao 38 . Suponha que os dados s~ao aproximados por uma func~ao do tipo: f (x ) ' g (x ) = c1 1 (x ) + c2 2 (x ) + : : : cn n (x ) (4.

2 (x ).. Ajuste de Curvas CNC onde as func~oes 1 (x ).Captulo 4.. . n (x ) s~ao preestabelecidas. Para cada conjunto de coe..

: : : . sera: r (xk ) = f (xk ) g (xk ) = f (xk ) [c1 1 (xk ) + c2 2 (xk ) + : : : cn n (xk )] (4. i = 1 : n. c2 .. precisamos determinar c1 . c2 . em xk . Quando temos o caso de aproximar f (xk ). cn ): Assim. o metodo dos quadrados mnimos minimiza: Z b Z b r 2 (x ) dx = (f (x ) g (x ))2 dx: a a De. por uma express~ao mais simples g (x ). A ideia do metodo dos quadrados mnimos e a de minimizar a soma dos quadrados dos resduos. cn de maneira a melhorar a aproximac~ao.7). X X i =1 i =1 onde f (xi ). minimizar: m m r 2 (xi ) = (f (xi ) g (xi ))2 .. uma func~ao conhecida para todo x . o resduo de (4.cientes ci . i = 1 : m..8) = r (xk . c1 . . ou seja. s~ao os dados que ser~ao aproximados.

nic~ao 1. O produto escalar entre duas func~oes f (x ) e g (x ) e de.

se f (x ) e g (x )   X   i  =1   s~ao conhecidos em xi . x ) = f (x ) c1 c2 x . g  0 { Positividade. isto e. f (x ) c1 c2 x >= [f (xi ) c1 c2 xi ]2 : X i =1 L. < f .g >=  Z b (4. h >= 1 < g1 . temos: f (x ) ' g (x ) = c1 + c2 x: O resduo para cada par (c1 . c2 ) =< f (x ) c1 c2 x. g >= 0 . c2 ) e para cada x . isto e. Cant~ao 39 .. A. h > { Linearidade. g >=< g. h > { Comutatividade. sera r (c1 . Usando (4. i = 1 : m. b):  s~ao conhecidas e integraveis em   Note que.. Tomando 1 (x ) = 1 e 2 (x ) = x . . r > (c1 . no caso discreto. c2 . P. se f (x ) e g (x ) a   (a. < g. queremos encontrar a reta (f (x ) ' g (x ) = c1 1 (x ) + c2 2 (x )) que melhor ajusta esta tabela. no sentido dos quadrados mnimos. (4. Exemplo 14. minimizando < r. h > + 2 < g2 .9). que e uma func~ao de c1 . Regress~ao Linear (quadrados mnimos com uma reta) Dada uma tabela com m valores (xi . i = 1 : m:  < f. cn . 3. Assim. 2. no caso contnuo.nido por:  m f (xi )g (xi ). r >. g > 0 e < g.9)     f (x )g (x ) dx. pelo metodo dos quadrados mnimos devemos procurar c1 e c2 que minimizem a func~ao: m < r.9) possui as seguintes propriedades: 1. c2 . f (xi )). < 1 g1 + 2 g2 .

obtemos c1 = 0:89968 e c2 = 1:70784.5 0. os valores de c1 e c2 da melhor reta (no sentido dos quadrados minmos) s~ao obtidos pelo sistema: 5c1 + 2:5c2 = 8:768 2:5c1 + 1:875c2 = 5:4514 Resolvendo o sistema.3: Dados para ajuste de curva.25 0.60752 r (xi ) 0. xi 0 0.6487 2.25 0. r > temos: m m 2 (f (xi ) c1 c2 xi ) = 0 e 2xi (f (xi ) c1 c2 xi ) = 0 X X i =1 i =1 Estas duas equac~oes formam um sistema linear nas incognitas c1 e c2 .Captulo 4.11078 Neste exemplo. isto e. A.000 1.0 f (xi ) 1.1170 2. ou seja g (x ) = 0:89968 + 1:70784x .2840 1. Cant~ao 40 .2840 1.000 1. procedidas as repectivas derivac~oes com respeito a c1 e c2 em < r. que pode ser reescrito na forma:  m m mc1 + c2 xi = f (xi )   X X   i =1 i =1   m m m c1 xi + c2 xi2 = xi f (xi )   X X X    i =1 i =1 i =1  Para ilustrar este procedimento.32664 1.7536 2. ou ainda. considere o ajuste da tabela abaixo por uma reta: xi 0 0.18056 2.5 0.7183 Tabela 4.0 f (xi ) 1.89968 1. r >= 0. P. @ @ @c1 < r.1170 2. a soma dos quadrados do resduo e: 5 r 2 (xi ) = 0:039198 X i =1 L.75 1. Ajuste de Curvas CNC Do Calculo Diferencial sabemos que a condic~ao necessaria do ponto crtico e que as derivadas nele se anulem.6487 2. r >= @c2 < r. Usando os valores da tabela temos: 5 5 xi = 2:5.7183 g (xi ) 0. Os valores de g (xi ) e os respectivos resduos est~ao na tabela abaixo. xi2 = 1:875 X X i =1 i =1 5 5 f (xi ) = 8:768 xi f (xi ) = 5:4514 X X i =1 i =1 Assim.10032 0:04264 0:1049 0:06356 0.75 1.

Uma alternativa e interpolar f (x ) em grupos de poucos pontos. devemos respeitar as condic~oes da De. Ajuste de Curvas CNC 4. obtendo-se polin^omio de grau menor. e impor condic~oes para que a func~ao de aproximac~ao seja contnua e tenha derivadas contnuas ate uma certa ordem.Captulo 4.3 Interpolac~ao com Splines Se a func~ao f (x ) esta tabelada em (n +1) pontos e a aproximarmos por um polin^omio de grau n que a interpole sobre os pontos tabelados. o resultado dessa aproximac~ao pode ser ruim quando n cresce. Para que isto aconteca.

nic~ao 2. De.

nic~ao 2. (n 1). 1. j = 0. : : : . que tem o nome de spline. n. b]. 1. n. Sp (x ) e contnua e tem derivada contnua ate ordem (p 1) em [a. A origem do nome spline vem de uma regua elastica. Considere a func~ao f (x ) tabelada nos pontos x0 < x1 < : : : < xn . yj ). 1. Uma func~ao Sp (x ) e denominada spline interpolante de grau p com nos nos pontos xj . que pode ser curvada de forma a passar por um dado conjunto de pontos (xj . : : : . xj +1 ]. 3. usada em desenhos de engenharia. Sp (xj ) = f (xj ). j = 0. se satisfaz as seguintes condic~oes: 1. 2. Sob certas hipoteses (de acordo com a teoria da elasticidade) a curva de. em cada subintervalo [xj . j = 0. Sp (x ) e um polin^omio de grau p. : : : .

Esta func~ao e uma spline cubica interpolante com nos nos pontos xj . cada qual um polin^omio cubico. A terceira derivada. pode ter descontinuidades nos pontos xi . segundo a De. de tal forma que ela e suas duas primeiras derivadas s~ao contnuas sempre.nida pela regua pode ser descrita aproximadamente como sendo uma func~ao por partes. entretanto.

Estudaremos aqui dois tipos de Interpolac~ao por Splines: Interpolac~ao por Spline Linear e Interpolac~ao por Spline Cubica. : : : . 4. xj ] : j j 1 j j 1 Assim: 1.1 Interpolac~ao por Spline Linear A interpolac~ao por spline linear de f (x ). nos pontos x1 . xj ]. S (x ) e um polin^omio de grau 1 em cada subintervalo [xj 1 . 2. xj ) e nos pontos xj . : : : .nic~ao 2. S (x ). S (x ) e contnua em (xj 1 . j = 1. n como: x x x x Sj (x ) = f (xj 1 ) x j x + f (xj ) x xj 1 . xj ]. uma vez que S (x ) esta bem de. 8 x 2 [xj 1 .3. xn pode ser escrito na forma de subinter- valos [xj 1 . x2 .

pois: Sj (xj ) = Sj +1 (xj ) = f (xj ) =) S (x ) e contnua em [a.0 2.0 2. x1 . Exemplo 15.5 De acordo com a de.0 f (xi ) 1. S (x ) e uma spline linear.0 3. b] e.nida.0 2.0 5. xn . 3. Achar a func~ao de interpolac~ao por spline linear de: xi 1. S (xj ) = Sj (xj ) = f (xj ) =) S (x ) e a interpolac~ao por spline linear de f (x ) nos pontos x0 . portanto.0 7. : : : .

P.nic~ao: L. Cant~ao 41 . A.

portanto. teremos que S2 (x ) tem derivadas contnuas ate a ordem 1 apenas e. Se usarmos splines quadraticas.Captulo 4. j = 1.2 Interpolac~ao por Spline C ubico A spline linear apresenta a desvantagem de ter derivada primeira descontnua nos pontos xj . n. 5] 2 x x x x2 S3 (x ) = f (x2 ) x 3 x 2 + f (x3 ) x x2 3 3 = 7 37 5 x + 2:5 7 x 5 = 1 ( 0:5x + 8:5) . Por esta raz~ao. 7] 5 2 ou ainda. De. 2]   1 (x + 4)   se x 2 [2. 2] x x x x1 S2 (x ) = f (x1 ) x 2 x + f (x2 ) x x1 2 1 2 = 5 25 2 x + 35 x 2 = 32 (5 x ) + x 2 = 13 (x + 4) x 2 [2. Ajuste de Curvas CNC x x x x S1 (x ) = f (x0 ) x 1 x + f (x1 ) x 1 x0 1 0 0 = 2 12 1 x + x 1 22 1 = 2 x + 2x 2 = x x 2 [1.3. 5]  S (x ) =   3   1 ( 0:5x + 8:5) se x 2 [5. : : : . 2. x 2 [5. a curvatura de S2 (x ) pode trocar nos pontos xj . as splines cubicas s~ao mais usadas. 7] 2   4. x se x 2 [1.

Dada uma func~ao f (x ) de.nic~ao 3.

indicado por Sj (x ). (n 2). (n 2). : : : . 6. S (xj ) = f (xj ) para cada j = 0. Sj00+1 (xj +1 ) = Sj00 (xj +1 ) para cada j = 0. Sj +1 (xj +1 ) = Sj (xj +1 ) para cada j = 0. b] e um conjunto de nos a = x0 < x1 < : : : < xn = b. 5. 1. 2. (n 1). 1. as condic~oes indicadas na de. : : : . 1. Sj0+1 (xj +1 ) = Sj0 (xj +1 ) para cada j = 0. um spline cubico interpolador S (x ) para f e uma func~ao que satisfaz as seguintes condic~oes: 1. : : : . no intervalo [xj . Para se construir o spline cubico interpolador para uma func~ao dada. 1. : : : .nida em [a. S (x ) e um polin^omio cubico. 4. 3. xj +1 ] para cada j = 0. : : : . 1. Um dos seguintes conjuntos de condic~oes de contorno e satisfeito: (a) S 00 (x0 ) = S 00 (xn ) = 0 (condic~ao de contorno livre ou natural). (b) S 0 (x0 ) = f 0 (x0 ) e S 0 (xn ) = f 0 (xn ) (contorno restrito). (n 2). n.

Cant~ao 42 .nic~ao s~ao aplicadas aos polin^omios cubicos Sj (x ) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3 L. A. P.

Captulo 4. aplicando a condic~ao (3). Denotando hj = xj +1 xj . temos: Sj (xj ) = aj + bj (xj xj ) + cj (xj xj )2 + dj (xj xj )3 = aj Sj (xj ) = aj = f (xj ). (n 2). : : : . : : : . 1. Ajuste de Curvas CNC para cada j = 0. simpli. Da condic~ao (2). aj +1 = Sj +1 (xj +1 ) = Sj (xj +1 ) = aj + bj (xj +1 xj ) + cj (xj +1 xj )2 + dj (xj +1 xj )3 para cada j = 0. 1. (n 1) (condic~ao (1)).

(n 1). 1. Se de. : : : .camos a notac~ao para cada j = 0.

nirmos an = f (xn ). temos: bj +1 = bj + 2cj hj + 3dj hj2 (4.10) e (4. para cada j = 0. (n 1). temos: = aj + bj hj + cj hj + cj +13h cj hj3   aj +1 2 j  cj +1 cj 2  (4. (n 1). Cant~ao 43 . Sendo Sj00 (x ) = 2cj + 6dj (x xj ). : : : .12) nas equac~oes (4. : : : . Aplicando a condic~ao (4) . Tomando Sj0 (x ). : : : . 2. (n 1). 2. Sj00 (xj ) = 2cj + 6dj (xj xj ) = 2cj 00 Sj (xj ) 2 = cj Aplicando na condic~ao (5).13) = aj + bj hj + cj hj + 2 3 hj L. ent~ao a equac~ao: aj +1 = aj + bj hj + cj hj2 + dj hj3 (4. 2cj +1 = 2cj + 6dj hj cj +1 = cj + 3dj hj Isolando dj : cj +1 cj dj = 3hj (4.12) Substituindo a equac~ao (4. A. 1. respectivamente. 2. 1.11). : : : .11) para cada j = 0. temos: Sj0 (x ) = bj + 2cj (x xj ) + 3dj (x xj )2 implica que: Sj0 (xj ) = bj + 2cj (xj xj ) + 3dj (xj xj )2 =) Sj0 (xj ) = bj para cada j = 0. (n 1). 1. P.10) e valida para cada j = 0. 1.

12). uma vez que os valores de fcj gnj=0 s~ao determinados.14).13) para bj . temos o sistema linear de equac~oes: bj = bj 1 + (cj + cj 1 )hj 1 1 hj 1 hj 1 hj (aj +1 aj ) 3 (2cj + cj +1 ) = hj 1 (aj aj 1 ) 3 (2cj 1 + cj ) + (cj + cj 1 )hj 1 (4. temos: c c   aj +1 = aj + bj hj + cj hj + j +13h j hj3 2 j hj2 bj hj = (aj +1 aj ) 3 (2cj + cj +1 ) (4. A quest~ao maior que .15) 1 h bj = h (aj +1 aj ) 3j (2cj + cj +1 ) j Reduzindo os ndices para bj 1 : bj 1 = h 1 (aj aj 1 ) hj3 1 (2cj 1 + cj ) j 1 Substituindo esses valores na equac~ao (4. essa e uma maneira simples de encontrar as constantes fbj gjn=01 remanescentes na equac~ao (4. respectivamente. (n 1). e de se construir os polin^omios cubicos fSj (x )gnj =01 . : : : . com os ndices reduzidos.Captulo 4. na medida em que os valores de fhj gjn=01 e faj gnj=0 s~ao dados.14) = bj + (cj +1 + cj )hj Resolvendo a equac~ao (4. Ajuste de Curvas CNC cj +1 cj 2   bj +1 = bj + 2cj hj + 3 3hj hj = bj + 2cj hj + (cj +1 cj ) hj (4.16) 3 3 hj 1 cj 1 + 2cj (hj 1 + hj ) + hj cj +1 = h (aj +1 aj ) h (aj aj 1 ) j j 1 para cada j = 1. Esse sistema envolve apenas fcj gnj=0 como incognitas. Note que. pelo espacamento dos nos fxj gnj=0 e os valores de f nos nos.15) e fdj gnj=0 da equac~ao (4. 2.

se esses valores s~ao unicos.16) e.ca em relac~ao a essa construc~ao e se os valores de fcj gnj=0 podem ser encontrados utilizando-se o sistema de equac~oes (4. se a resposta for positiva. Os teoremas a seguir indicam esse e o caso quando qualquer das condic~oes de contorno dadas na parte (6) da De.

Teorema 4. Se f e de.nic~ao 3 e imposta.

x1 . A. P. Prova 2. isto e. As condic~oes de contorno nesse caso implicam que cn = S 00 (xn )=2 = 0 e que: 0 = S 00 (x0 ) = 2c0 + 6d0 (x0 x0 ). ent~ao f tem um unico spline interpolador natural (ou livre) S nos nos x0 . Cant~ao 44 . produzem um sistema linear descrito L. xn . juntamente com as equac~oes (4.nida em a = x0 < x1 < : : : < xn = b.16). e portanto c0 = 0. um spline interpolador que satisfaz as condic~oes de contorno S 00 (a) = 0 e S 00 (b) = 0. As duas condic~oes c0 = 0 e cn = 0. : : : .

. . e portanto. . tem soluc~ao unica para c0 . .  :   e    . : : : . ... . Se f e de.       3 (an an ) 3 (an an 2 )    h 1  n 1 h n 2 1    cn 0 A matriz A e diagonalmente dominante..   .Captulo 4. c1 . . Ajuste de Curvas CNC pela equac~ao vetorial Ax = b. hn 2 2(hn 2 + hn 1 ) hn 1  .. . .  .. Teorema 5... .     . . .. . h0 2(h0 + h1 ) h1     .. cn . ..   . x= .   ..   0 h1 2(h1 + h2 ) h2 . onde A e uma matriz (n + 1)  (n + 1): 1 0 0   0   .    0   0 0 1   e b e x s~ao os vetores: 0   h1 (a2 a1 ) h0 (a1 a0 ) 3 3 c0         ... . .   A=   . . . ... c1     b= .

A. xn .nida em a = x0 < x1 < : : : < xn = b. isto e.15). : : : . com j = 0. x1 . e diferenciavel em a e b. Cant~ao 45 . Como f 0 (a) = S 0 (a) = S 0 (x0 ) = b0 .14)): f 0 (b) = bn = bn 1 + hn 1 (cn 1 + cn ) de maneira que a equac~ao (4. P. temos: 1 h f 0 (a) = h (a1 a0 ) 30 (2c0 + c1 ) 0 0 3 3f (a) = h (a1 a0 ) h0 (2c0 + c1 ) 0 3 2h0 c0 + h0 c1 = h (a1 a0 ) 3f 0 (a) 0 Do mesmo modo (equac~ao (4. um spline interpolador que satisfaz as condic~oes de contorno S 0 (a) = f 0 (a) e S 0 (b) = f 0 (b). ent~ao f tem um spline interpolador restrito S nos nos x0 .15) nos permite dizer que j = n 1 implica que: an an 1 hn 1 f 0 (b) = hn 1 3 (2cn 1 + cn ) + hn 1 (cn 1 + cn ) a a h f 0 (b) = n h n 1 + n3 1 (cn 1 + 2cn ) n 1 3f 0 (b) = h 3 (an an 1 ) + hn 1 (cn 1 + 2cn ) n 1 3 hn 1 cn 1 + 2hn 1 cn = 3f 0 (b) h (an an 1 ) n 1 L. Prova 3. aplicando-se a equac~ao (4.

 . .. para: xi 0. 0]T . respectivamente.. temos cT = [0..Captulo 4. 2.   0 h1 2(h1 + h2 ) h2 . A. hn 2 2(hn 2 + hn 1 ) hn 1  .   .12)..   A=   . 3. cn . . . . 0:4] L.         h (an an  3  1 n 1 ) h n 3 2 (an 1 an 2 )    cn 3f 0 (b) (an an 1 )   3 h n 1 A matriz A e diagonalmente dominante. usando o Teorema 4. .15) e (4. onde 2h0 h0 0   0   . Exemplo 16. . Ajuste de Curvas CNC A equac~ao (4.  :   e   .. podemos montar a func~ao spline: 0:62049958 + 3:4550869(x 0:1) 8:9957933(x 0:1)3 x 2 [0:1. para j = 0. podemos determinar bj e dj . juntamente com as equac~oes: 2h0 c0 + h0 c1 = h3 (a1 a0 ) 3f 0 (a) 0 3 hn 1 cn 1 + 2hn 1 cn = 3f 0 (b) h (an an 1 ) n 1 determinam o sistema linear Ax = b...   . . 3. . 2:698738. 0:2)   S (x ) =  0:28398668 + 3:1852131(x 0:2) 2:698738(x 0:2)2 0:9463033(x 0:2)3 x 2 [0:2. . 2 usando as equac~oes (4. .. . c1 .. como mostra a Tabela 16. . para j = 0.2 0.     . Assim.  . tem soluc~ao unica para c0 .16)..4 yi 0:62049958 0:28398668 0:00660095 0:2484244 Como os intervalos est~ao igualmente espacados. 1. temos o seguinte sistema tridiagonal linear: 1 0 0 0 c0 0      0:1 0:4 0:1 0 c1 1:377581      =      0 0:1 0:4 0:1 c2 1:4629254              0 0 0 1 c3 0 Resolvendo o sistema acima. 2. . .. Cant~ao 46 . 1. 2:982629. P. com S 00 (x0 ) = S 00 (xn ) = 0.10. Construa os splines cubicos naturais. . . para j = 0. Como aj = f (xj ). 1. A partir da Tabela 16.. .    0   0 2hn 1   hn 1 e b e x s~ao os vetores: h0 (a1 3 a0 ) 3f 0 (a)     h1 (a2 a1 ) h0 (a1 a0 ) c0 3 3         c1   . e portanto..3 0. hj = 0:1. .   . : : : .. h0 2(h0 + h1 ) h1     . 0:3)   0:00660095 + 2:6170764(x 0:3) 2:982629(x 0:3)2 + 9:9420967(x 0:3)3 x 2 [0:3. ..   b= x= .

4: Coe.Captulo 4. Ajuste de Curvas CNC aj bj cj dj 0:62049958 3:4550869 0 8:9957933 0:28398668 3:1852131 2:698738 0:9463033 0:00660095 2:6170764 2:982629 9:9420967 0:24842440 | 0 | Tabela 4.

2:29703. para j = 0. temos cT = [ 2:1498408.cientes para os splines naturais. 2. como mostra a Tabela 17. aj bj cj dj 0:62049958 3:5850208 2:1498408 0:4907741 0:28398668 3:1403294 2:297073 0:4745836 0:00660095 2:6666773 2:4394481 0:4498015 0:24842440 | 2:5743885 | Tabela 4. 2:5743885]T . podemos determinar bj e dj . para os dados do exemplo anterior.15) e (4. hj = 0:1. Construa os splines cubicos restritos.12). Exemplo 17. Como os intervalos est~ao igualmente espacados. 3. Como aj = f (xj ). 3. 1.5: Coe. temos o seguinte sistema tridiagonal linear: 0:2 0:1 0 0 c0 0:6596755      0:1 0:4 0:1 0 c1 1:377581      =      0 0:1 0:4 0:1 c2 1:4629254              0 0 0 :1 0:2 c3 0:7588225 Resolvendo o sistema acima. para j = 0. 1. usando o Teorema 5. para j = 0. 2:4394481. Assim. com f 0 (0:1) = 3:58502082 e f 0 (0:4) = 2:16529366. 2. 1. respectivamente. 2 usando as equac~oes (4.

Cant~ao 47 . x0 = 1. (b) f ( 13 ) se f ( 0:75) = 0:07181250. x0 = 0. podemos montar a func~ao spline: 0:62049958 + 3:5850208(x 0:1) 2:1498408(x 0:1)2 0:4907741(x 0:1)3 x 2 [0:1. x1 = 0:25. n = 3. 0:2)   S (x ) =  0:28398668 + 3:1403294(x 0:2) 2:297073(x 0:2)2 0:4745836(x 0:2)3 x 2 [0:2. (d) f (x ) = cos x + sen x . A partir da Tabela 17. x2 = 1:3 e x3 = 1:4. 0:4] 4. f (8:6) = 18:50515 e f (8:7) = 1882091. n = 3. Obtenha o polin^omio interpolador de Lagrange e Newton para as seguintes func~oes : (a) f (x ) = e2x cos 3x . n = 2. (c) f (x ) = ln x . f ( 0:5) = 0:02475000. x0 = 2:0. (b) f (x ) = sen(ln x ). P. 2 e 3 para aproximar cada um dos seguintes items: (a) f (8:4) se f (8:1) = 16:94410.4 Exerccios 1. Utilize o polin^omio interpolador de Lagrange e de Newton de grau 1. 2.cientes para os splines restrito. f ( 0:25) = 0:33493750 e f (0) = 1:10100000. x1 = 0:3 e x2 = 0:6. f (8:3) = 17:56492. n = 2. x1 = 2:4 x2 = 2:6. 0:3)   0:00660095 + 2:6666773(x 0:3) 2:4394481(x 0:3)2 0:4498015(x 0:3)3 x 2 [0:3. x1 = 1:1. A. x0 = 0. x2 = 0:5 e x3 = 1:0. L.

Ajuste de Curvas CNC (c) f (0:25) se f (0:1) = 0:62049958. (1.Captulo 4. (0:5. y ). f (0:3) = 0:00660095 e f (0:4) = 0:24842440. Encontre y para o caso em que o coe. f (0:8) = 0:22363362 e f (1:0) = 0:65809197. (d) f (0:9) se f (0:6) = 0:17694460. 2). f (0:2) = 0:28398668. 0). f (0:7) = 0:01375227. 3. 3) e (2. Seja p3 (x ) o polin^omio interpolador para os dados (0.

i = 1 : 8: xi 1:0 0:7 0:4 0:1 0:2 0:5 0:8 1:0 f (xi ) 36:547 17:264 8:155 3:852 1:820 0:860 0:406 0:246 (a) Faca o diagrama da dispers~ao dos dados.0972 1.1 1.7 5.73 299. (b) Ajuste os dados.5697 1.72660 1.1 5.11 142.5015 7.ciente de x 3 em P3 (x ) e 6 (use o polin^omio interpolador de Lagrange).94 3.1 yi 1.5 5.3 1. Utilize os seguintes valores e aritmetica com arredondamento de quatro dgitos para obter uma aproximac~ao para f (1:09). Cant~ao 48 . (b) y = 6:61821x 2 1:14352x + 1:23556. 8.0 1.50 326. Transforme os modelos abaixo em relac~oes lineares: (a) y = b +a cx (b) y = abx (c) y = b +a x (d) y = 1 +1ebx 9. Encontre os polin^omios de quadrados mnimos de graus 1.21 2.72 (a) Construa o polin^omio de quadrados mnimos de grau 1 e calcule o erro.45 2. para a func~ao y = c1 e c2 x . A.098426 0.3 6. Apresentando os dados xi 4.050446 0. P.84 1.6 yi 0.05 167.3 1. A func~ao que esta sendo aproximada e f (x ) = log10 (tg x ).1 yi 102.14 224. Utilize esse conhecimento para encontrar um limite para o erro na aproxi- mac~ao: f (1:00) = 0:1924 f (1:05) = 0:2414 f (1:10) = 0:2933 f (1:15) = 0:3492 5.5 4.6 0.9 6.8487 2. Calcule o resduo para cada caso (erro).2 0.5 1. L.53 195.3 0.33277 0. xi 1.18 Resposta: y1 = 0:620895 + 1:219621x . utilizando um polin^omio de Lagrange e um de Newton de 3 grau.2 4. y2 = 0:5965807 + 1:253293x 0:01085343x 2 e y3 = 0:6290193 + 1:18501x + 0:03533252x 2 0:01004723x 3 . Repita o exerccio anterior para os seguintes dados: xi 0. 6.56 113. Resposta: (a) y = 72:0845x 194:138.9 1. (c) Calcule o resduo da sua aproximac~ao. Suponha que num laboratorio obtivemos experimentalmente os seguintes valores para f (x ) sobre os pontos xi . 2 e 3 para os dados apresentados na tabela abaixo.1 1.0 4. 4.9 2. usando o Metodo dos Quadrados Mnimos.8 7.18 130.4 1.87 256. (b) Construa o polin^omio de quadrados mnimos de grau 2 e calcule o erro.96 2.

Ajuste de Curvas CNC x 8 6 4 2 0 2 4 y 30 10 9 6 5 4 4 Resposta: y = 3:001 e 2:5x . Ajuste os dados: (a) usando a aproximac~ao y = (c +1 c x ) . 10. Faca o gra.Captulo 4.

co para 1=y e veri.

x 11. (b) y = 5:5199(0:8597) . existente em uma cultura apos x horas e apresentado na tabela: n de horas (x ) 0 1 2 3 4 5 6  n de bacterias por vol. unitario (y ) 32 47 65 92 132 190 275 (a) Veri. (b) idem para y = abx .que que esta aproximac~ao e 0 1 viavel. por unidade de volume. (c) compare os resultados (a) e (b). O numero de bacterias. Resposta: (a) y = 1 0:195 + 0:0185x .

(c) f (x ) = x 3 + 4:001x 2 + 4:002x + 1:101. Use os splines cubicos cons- trudos para os valores dados de x . compare os valores obtidos por meio destas equac~oes com os dados experimentais. (b) f (x ) = sen(ex 2). Resposta: y = 32:14685(1:42696)x e y = 38:83871x 0:963 . Resposta: S (x ) = x . (a) f (x ) = x ln x . (b) Ajuste aos dados as curvas y = abx e y = ax b . aproxime f ( 1=3) e f 0 (1=3). aproxime f (0:84) e f 0 (0:84). P. Determine o spline cubico livre S que interpole os dados f (0) = 0. 13. (b) f (0:8) = 0:22363362 e f (1:0) = 0:65809197.que que uma curva para se ajustar ao diagrama de dispers~ao e do tipo exponencial. f (1) = 1 e f (2) = 2 e satisfaz s 0 (0) = s 0 (2) = 1. Cant~ao 49 . (c) f ( 0:5) = 0:02475. Os dados no Exerccio acima foram gerados utilizando-se as func~oes a seguir. (a) f (8:3) = 17:56492 e f (8:6) = 18:50515. para aproximar f (x ) e f 0 (x ). 12. Determine o spline cubico restrito S que interpole os dados f (0) = 0. f (1) = 1 e f (2) = 2. f (0:25) = 0:3349375 e f (0) = 1:101 15. Construa os splines cubicos restritos utilizando os dados do Exerccio (10) e o fato de que: (a) f 0 (8:3) = 1:116256 e f 0 (8:6) = 1:151762. e calcule o erro absoluto. L. A. (c) Avalie da melhor forma o valor de y (x ) para x = 7. 14. 16. 2]. Construa os splines cubicos livres para os dados que se seguem. em [0. aproxime f (0:9) e f 0 (0:9).

Repita o Exerccio (11) utilizando os splines gerados no Exerccio (12). Um spline cubico natural S em [0.Captulo 4. 17. 2] e de. 18. (c) f 0 ( 0:5) = 0:751 e f 0 (0) = 4:002. Ajuste de Curvas CNC (b) f 0 (0:8) = 2:1691753 e f 0 (1:0) = 2:0466965.

c = 3 e d = 1. 19. Resposta: b = 1. c e d .nido por: S0 (x ) = 1 + 2x x 3 se 0  x < 1 ( S (x ) = S1 (x ) = 2 + b(x 1) + c (x 1)2 + d (x 1)3 se 1  x  2 Encontre b. Um spline cubico restrito S para uma func~ao f e de.

encontre a func~ao interpoladora linear para f (x ) = e2x . c e d . Use as R1 derivadas do spline para aproximar f 0 (0:5) e f 00 (0:5). 1] e compare o resultado com 0 cos(x ) dx = 0. 0:5. P. Dada a partic~ao x0 =R 0. Integre o spline em [0. 1:0. encontre a. Construa um spline cubico livre para aproximar f (x ) = cos(x ) utilizando os valores dados por f (x ) em x = 0. construindo desta vez um spline cubico restrito com f 0 (0) = f 0 (1) = 0. Cant~ao 50 . Compare essas aproximac~oes com os resultados reais. 22. 20.nido em [1. 0:25. L. Aproxime 00:1 e2x dx com 00:1 S (x ) dx . e compare os resultados com os valores reais. b. 21. 0:1]. 3] por: S0 (x ) = 3(x 1) + 2(x 1)2 (x 1)3 se 1  x < 2 ( S (x ) = S1 (x ) = a + b(x 2) + c (x 2)2 + d (x 2)3 se 2  x  3 Dados f 0 (1) = f 0 (3). A. x1 = 0:05 eR x2 = 0:1 de [0. Repita o exerccio acima. 0:75.

Mesmo quando se conhece a express~ao analtica da func~ao integrando. a integral Z e x 2 dx resulta em uma func~ao que n~ao pode ser expressa em termos de combinac~oes . somente os valores dessa func~ao. CAPITULO 5 Integrac~ao Numerica Introduc~ao Por que Integrac~ao Numerica ? Isto e: por que n~ao restringir o calculo de integrais ao uso das tecnicas de integrac~ao estudadas no Calculo Diferencial e Integral ? A resposta para essa quest~ao tem por base dois fatos: 1. 2. Por exemplo. mas que s~ao os dados necessarios para a integrac~ao numerica. o calculo da func~ao primitiva pode ser trabalhoso e nem sempre simples. o que inviabiliza o uso das tecnicas integrac~ao do Calculo. Geralmente em problemas envolvendo o calculo de integrais n~ao se conhece a express~ao analtica da func~ao integrando.

Os pontos de integrac~ao (para este caso) s~ao: xj = a + jh j = 0 : n: . onde n e um numero inteiro. b).1 Formula de Newton-Cotes Neste caso. os pontos de integrac~ao s~ao igualmente espacados em (a.1) a i =0 onde a  x0 < x1 <    < xn  b s~ao chamados pontos de integrac~ao e wi s~ao os pesos da formula de integrac~ao. logartmicas ou exponenciais. tal que h = b n a . X (5. 5. Assim. vamos procurar desenvolver formulas de integrac~ao do tipo: Z b n  f (x ) dx = wi f (xi ). A ideia basica da integrac~ao numerica reside na aproximac~ao da func~ao integrando por um polin^omio.nitas de outras func~oes algebricas. As formulas de integrac~ao s~ao somatorios cujas parcelas s~ao valores da func~ao f (x ) calculados em pontos e multi- plicados por pesos convenientemente escolhidos.

2) a a (xi x0 ) : : : (xi xi 1 )(xi xi +1 ) : : : (xi xn ) dx: Atraves da equac~ao (5. A express~ao (5. tomaremos os extremos do intervalo de integrac~ao. x0 = a. interpolamos f (x ) usando um polin^omio de grau 2 que coincide com essa func~ao nos pontos x0 . tomamos n = 2.3) x0 ormula de Simpson: n = 2 5. isto e. temos: Z b n Z b f (x ) l (x ) dx = f (xi ) li (x ) dx: X a i =0 a Assim.1 ormula dos Trapezios: n = 1 F A formula dos trapezios corresponde a interpolac~ao da func~ao a ser integrada por um polin^omio de grau n = 1. a = x0 e b = x1 .1). Integrando os polin^omios de grau 2. o calculo de wi e obtido pela integrac~ao de li (x ).2 F Para estabelecer a formula de Simpson. x1 e x2 . P. isto e: wi = Z b li (x ) dx = Z b (x x0 ) : : : (x xi 1 )(x xi +1 ) : : : (x xn ) (5. x1 = (a +2 b) e x2 = b em (5.1. podemos estabelecer a formula dos trapezios para a integrac~ao no intervalo (x0 . estabelecemos os pesos da formula de Simpson: w0 = Z x2 (x x1 )(x x2 ) h x0 (x0 x1 )(x0 x2 ) dx = 3 w1 = Z x2 (x x0 )(x x2 ) dx = 4h x0 (x1 x0 )(x1 x2 ) 3 w2 = Z x2 (x x0 )(x x1 ) h x0 (x2 x0 )(x2 x1 ) dx = 3 L. f (xi )). Como a interpolac~ao linear pede 2 pontos.2) nos permite encontrar os pesos da regra dos trapezios: Z x1 (x x1 ) 1 Z x (x x ) = 1 (x x1 )2 x =x = h 1  w0 = (x0 x1 ) dx = h x 1 2h x =x 2 x0 0 0 Z x1 (x x0 ) 1 Z x (x x ) = 1 (x x0 )2 x =x = h 1  w1 = (x1 x0 ) dx = h x 0 2h x =x 2 x0 0 0 Com isso.2) podemos obter formulas do tipo Newton-Cotes para polin^omios de qualquer grau. 5. x1 ): h Z x1 f (x ) dx = 2 [f (x0 ) + f (x1 )] : (5. b).Captulo 5. A.2). Assim. Integrac~ao Numerica CNC Considere agora o polin^omio de Lagrange de grau n que interpola os (n + 1) pontos (xi .1. de (5. Cant~ao 52 . i = 0 : n n pn (x ) = f (xi )li (x ): X i =0 Integrando esta ultima express~ao no intervalo (a.

Captulo 5. Integrac~ao Numerica CNC O calculo das integrais acima podem ser simpli.

(x1 . f (x2 )).4) x0 y y = f (x ) y y = p (x ) x x x 0 x 1 x 0 x 1 x 2 (a) (b) Figura 5. Cant~ao 53 .5) x0  n=4 Z x4 2h   f (x ) l (x ) dx = 45 [7f (x0 ) + 32f (x1 ) + 12f (x2 ) + 32f (x3 ) + 7f (x4 )] (5. (5. A Figura 5. A.5) e (5. a area sob a parabola que passa pelos pontos (x0 . f (x0 )). t h = x x1 h = x x2 . P. x2 x1 = h.3 F  n=3 Z x3 3h [f (x ) + 3f (x ) + 3f (x ) + f (x )]   f (x ) l (x ) dx = 8 0 1 2 3 (5.1: Aproximac~ao de integral por trapezio e Simpson. usando polin^omios interpoladores de grau 2. (5. f (x1 )) e (x2 .6) x0 Exemplo 18. ormulas de Newton-Cotes para n = 3 e n = 4 5. Por exemplo.cados lembrando que: x1 x0 = h. fazendo estas substituic~oes no calculo do peso w0 temos: w0 = Z x1 (x x1 )(x x2 ) dx = Z h t (t h) dt = h x0 (x0 x1 )(x0 x2 ) h 2h 2 3 Dessa maneira.1. Calcule o erro absoluto de cada aproximac~ao.6)) para obter aproximac~oes para ln 2.4). L.1(b). estabelecemos a formula de Simpson: h Z x2   f (x ) dx = 3 [f (x0 ) + 4f (x1 ) + f (x2 )] : (5. Sabemos que ln 2 = Z 2 1  1 x dx = 0:69314718: Use as formulas de Newton-Cotes apresentadas (formulas (5.3).1(a) mostra a area sob a curva aproximada pela area do trapezio e a Figura 5. x2 x0 = 2h e usando a substituic~ao de variaveis t = x x1 e portanto t + h = x x1 + h = x x0 .

e as propriedades de integrais. b] em n subintervalos de igual comprimento h = (b n a) .7) e (5.Captulo 5. temos: Z b Z x1 Z x2 Z x3 Z x f (x ) dx = f (x ) dx + f (x ) dx + f (x ) dx : : : + f (x ) dx n a x0 x1 x2 xn 1 (5.3 Integrac~ao de Romberg As formulas de Newton-Cotes podem ser combinadas de modo a melhorar a aproximac~ao da integrac~ao numerica. aplique as formulas (5. Podemos aplicar a regra dos trapezios para cada um dos subintervalos. 5.2 Formulas Repetidas Divida o intervalo de integrac~ao [a.7) = h   2 [f (x0 ) + 2f (x1 ) + 2f (x2 ) : : : + 2f (xn 1 ) + f (xn )] : Se optarmos por aplicar a formula de Simpson repetida.8) no intervalo [1. 2] e h = 0:25. Assim. Ainda calculando aproximac~oes para ln 2. Calcule o erro absoluto para cada aproximac~ao. Integrac~ao Numerica CNC 5. lembrando que xi xi 1 = h.8) = h3 ff (x0 ) + 4 [f (x1 ) + f (x3 ) + : : : f (xn 1 )] + 2 [f (x2 ) + f (x4 ) + : : : + f (xn 2 )] + f (xn )g Exemplo 19. Assim. devemos repartir o intervalo num numero par de subintervalos. Sejam x0 = a. Uma tecnica e. uma vez que cada parabola requer tr^es pontos de interpolac~ao. xi = xi 1 + h e xn = b. se n e um numero par: Z b Z x2 Z x4 Z x f (x ) dx = f (x ) dx + f (x ) dx + : : : + f (x ) dx n a x0 x2 xn 2 h   = 3 [f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + : : : + 2f (xn 2 ) + 4f (xn 1 ) + f (xn )] (5.

9) g 00 (x ) g n (x ) = g (x0 ) + g 0 (x0 )(x x0 ) + 2! 0 (x x0 )2 + : : : + n! 0 (x x0 )n + : : : Seja g (0) um valor a ser calculado. seja g uma func~ao com derivadas de todas as ordens em algum intervalo contendo x0 como um ponto interior. h = x x0 ). que e baseada na extrapolac~ao de Richardson. P. Usando a equac~ao (5. Ent~ao a expans~ao da serie de Taylor gerada por g em x = x0 e: 1 g (k ) (x ) g (x ) = 0 k ! (x x0 ) k X k =0 (5. A.9) em torno de zero. teremos.3. Cant~ao 54 .1 Extrapolac~ao de Richardson Inicialmente. respectivamente: h2 h3 g (h) = g (0) + g 0 (0)h + g 00 (0) 2 + g 000 (0) 3! + : : : h = g (0) + g 0 (0) h2 + g 00 (0) h8 + g 000 (0) 48 h3   2 g 2 + ::: L. 5. de g (h) e g (h=2). calculada em func~ao do par^ametro h (isto e.ciente para estabelecer esta combinac~ao e atraves da integrac~ao de Romberg. e g (h) sua aproximac~ao.

Combinando convenientemente estes dois somatorios de. vemos que g (h) e g (h=2) s~ao aproximac~oes para g (0). Integrac~ao Numerica CNC Tomando os dois primeiros termos do lado direito destas duas express~oes.Captulo 5.

nimos uma aproximac~ao mais precisa: h 1 h       g1 (h) = 2g 2 g (h) = 21 1 21 g 2 g (h) 2g (0) + 2g 0 (0) h + 2g 00 (0) h + 2g 000 (0) h  2 3  = 2 8 48 + : : : h + g 000 (0) h 2 3 g (0) + g 0 (0)h + g 00 (0)  2 6 = = g (0) g 00 (0) h4 3g 000 (0) 24h3 2 + ::: Se g1 (h) for usada para calcular g (0). ent~ao este sera mais preciso. tomamos agora g1 (h) e g1 (h=2) para de. Repetindo a ideia.

teremos: 4g1 h2 h3 g1 (h) = 3g (0) + 3g 000 (0) 48 + : : :   Dessa maneira: 1 h 1 h         g2 (h) = 3 4g1 2 g1 (h) = 22 1 22 g1 2 g1 (h) (5. Sejam: h2 h3 g1 (h) = g (0) g 00 (0) 4 3g 000 (0) 24 + ::: h h2 h3 3g 000 (0) 192   g1 2 = g (0) g 00 (0) 16 + ::: Subtraindo a primeira equac~ao da segunda.10) h 3 = g (0) + g 000 (0) 48 + : : : Em resumo.nir outra aproximac~ao g2 (h). multiplicada por 4. a ideia e aplicar sucessivamente combinac~oes de aproximac~oes para melhorar a aproximac~ao .

nal. Pode-se veri.

x2 ). Cant~ao 55 . A. h h x 0 x 1 x 2 Figura 5. x2 ).car que a express~ao generica do n-esimo estagio deste procedimento e: 2n gn 1 (h=2) gn 1 (h) = 1 2n g h     gn (h) = 2n 1 2n 1 n 1 2 gn 1 (h) (5. respectivamente. L.2: Intervalo (x0 .11) 5. P.2.3. como ilustra a Figura 5.2 Integrac~ao de Romberg Chamemos I1 (h) e I1 (h=2) os resultados obtidos pela regra dos trapezios tomando 2h e h. em (x0 .

(Sp) (g) 0 x sen x dx . (b) x 3 ex dx . Exemplo 20. Calcule a integral abaixo usando a Extrapolac~ao de Richardson com n = 4. 1 2 (Resposta: (Tc) 0:639900) (Resposta: (Tc) 31:3653) L. (Sp) 0:16240168) (Resposta: (Tr) 4:1432597. Integrac~ao Numerica CNC Aplicando a formula dos trapezios simples e repitida temos: 2h e I1 h2 = h2 [f (x0 ) + 2f (x1 ) + f (x2 )] :   I1 (h) = 2 [f (x0 ) + f (x2 )] Usando a formula de extrapolac~ao (5. temos: 1 h     I2 (h) = 3 4I1 2 I1 (h) 1 4h   = 3 2 [f (x0 ) + 2f (x1 ) + f (x2 )] h [f (x0 ) + f (x2 )] = 31 [f (x0 ) + 4f (x1 ) + f (x2 )] Note que.Captulo 5. n = 4. que e uma aproximac~ao melhor do que a formula do Trapezio.4 Exerccios 1.10). Utilize a regra Trapezoidal Composta (Tc) e Simpson Composta (Sc) com os valores indicados de n para aproximar as seguintes integrais: Z 2 Z 2 (a) x ln x dx . (Sp) 0:1940104) (Resposta: (Tr) 0:8666667. (Resposta: (Tr) 0:265625. 0 0 (Resposta: (Tr) 0:1839397. Use a regra do Trapezio (Tr) (n = 1) e a regra de Simpson (Sp) (n = 2) para aproximar as seguintes integrais: (a) Z 1 x 4 dx . (e) Z 1:6 2x 0:5 1 x 2 4 dx . a express~ao de I2 (h) corresponde a formula de Simpson aplicada no intervalo (x0 . n = 4. (Sp) Z 0:5 2 dx . (Resposta: (Tr) 0:2678571. Z =4 1 (Resposta: (Tr) 0:17776434. 0:1922453) (Resposta: (Tr) 0:2180895. (Sp) 0 x 2 4 0:2670635) (Resposta: (Tr) 0:1777643. (Sp) 2:5836964) 2. (Sp) 0:1513826) Z 1 Z =4 (d) x e dx . P.11). x2 ). Z 1 e x2 dx 0 5. Cant~ao 56 . 2 x (h) e3x sen 2x dx . Se quisermos uma aproximac~ao melhor. 0:7391053) (b) x 4 0 (f) Z 0:35 2 dx . podemos usar a formula geral (5. A. (Sp) Z 1:5 0:1768216) (c) x 2 ln x dx .

[0. Z 10 p 8. 4. n = 8. Integrac~ao Numerica CNC (c) Z 2 2 Z 1 2 x 2 + 4 dx . (Resposta: 0:6362135) x 4 (g) 0 2 3 x 4 Z =4 Z =4 (d) x sen x dx . f (0:5) = 2:5. [ 1. 1 xi 1:0 1:25 1:5 1:75 2:0 f (xi ) 1:0 0:8 0:6666 0:5714 0:5 6.75 para 01 f (x ) dx . Para controlar a poluic~ao termica de um rio. Calcule x 4 dx usando: 0 (a) a regra do Trapezio com n = 5. (Resposta: 334:42) (c) a regra de Romberg com n = 4. (Resposta: 0:6426970) 0 0 Z 2 5. 0 0 (Resposta: (Tc) 0:784241) (Resposta: (Tc) 0:476977) Z  p 2x dx . Cant~ao 57 . Os dados constam da tabela abaixo: Hora 9 10 11 12 1 2 3 4 5 Temperatura 75:3 77:0 83:1 84:8 86:5 86:4 81:1 78:6 75:1 Use a regra de Simpson e o Teorema do Valor Medio (Calculo) para estimar a temperatura media da agua entre 9h da manh~a e 5h da tarde. (Resposta: 0:1922593) (e) e 3x sen 2x dx . (Resposta: 341:36) (b) a regra de Simpson com n = 8. (g) 0 3 x 4 (Resposta: (Tc) 6:42872) (Resposta: (Tc) 0:605498) Z 2 Z 3=8 (e) e2x sen 3x dx .Captulo 5. 4]. L. Z 5 (d) x 2 cos x dx . Atenc~ao: Use aproximac~oes com quatro casas decimais para f (xk ) e arredonde as respostas para duas casas decimais. (Resposta: 2:5879685) 1 0 1 Z 1:6 2x dx . 0 0 (Resposta: (Tc) 13:5760) (Resposta: (Tc) 0:970926) 3. (Resposta: 0:1606105) (f) 0 1 x 2 4 (c) Z 0:35 2 dx .R f (1) = 2 e f (0:25) = f (0:75) = . p (a) f (x ) = x 4 1+ 1 . um biologo registra a temperatura (em  F) a cada hora. n = 6. n = 6. P. (Resposta: 0:7341567) Z (b) x2 e x dx . (f) x 2 + 4 dx . 1] 7. com n = 3: Z 1:5 Z =4 (a) x 2 ln x dx . de 9h da manh~a as 5h da tarde. Determine se a regra Trapezoidal Composta com n = 4 da 1. n = 8. n = 8. Utilize a integrac~ao de Romberg para calcular as seguintes integrais. n = 8. Use a regra de Simpson com n = 8 para aproximar o valor medio de f no intervalo dado. Suponha que f (0) = 1. (h) tan x dx . A. (Resposta: 0:08875677) 2 (h) (cos x )2 dx . (Resposta: 0:1768200) Z 3:5 p 2x dx . (Resposta: 0:28) (b) f (x ) = cos x . Utilize os seguintes dados para aproximar f (x ) dx usando a integrac~ao de Romberg.

Aproxime a integral impropria fazendo a substituic~ao u = 1=x e aplicando ent~ao a regra de Simpson com n = 4. Obtenha uma aproximac~ao de 0 com n = 4. P. Integrac~ao Numerica CNC 9. Z 1 p 41 jx j 10 p (a) dx (Resposta: 0:49) Z x +x (c) x 3 + 1 dx 2 1 (b) Z 1 e x2 dx (Resposta: 0:14) (d) Z 1 p e x sen x dx 1 1 pxx dx fazendo a substituic~ao u = px e aplicando a regra do trapezio cos Z 1 10. A. (Resposta: 1:79) L. Cant~ao 58 .Captulo 5.

y 0 (x ) = f (x ). Qual e a soluc~ao de uma EDO ? E uma func~ao de. Qual e a ordem de uma EDO ? E a ordem da mais alta derivada da func~ao incognita. Por exemplo: 1. CAPITULO 6 Aproximaco~es para Equaco~es Diferenciais Ordinarias Introduc~ao O que e uma Equac~ao Diferencial Ordinaria (EDO) ? E uma relac~ao que envolve uma \func~ao incognita" e suas derivadas ou diferenciais. y (x ) + y (x ) = 0. 3. onde y 0 (x ) denota dydx . S~ao equac~oes cujas incognitas s~ao func~oes de uma variavel e suas derivadas (caso unidimensional). 00 2. y (3) (x ) + (sen x )y 00 (x ) + 5xy (x ) = 0.

nida num intervalo que. Tipos de problemas com EDO Para de. juntamente com suas derivadas. satisfaz a equac~ao diferencial dada.

estes dados de. temos de fornecer dados adicionais a equac~ao diferencial.nir uma unica func~ao y (x ).

nem dois tipois de problemas: 1. . Problema de valor inicial (PVI): procuramos y (x ) que. y 0 (a) = v0 . 2. as vezes. alem de satisfazer a equac~ao diferencial para x > a. Problema de valor de contorno (PVC): a equac~ao diferencial devera ser satisfeita no intervalo (a. atende as condic~oes preestabelecidas no incio do intervalo onde vamos resolv^e-la: y (a) = y0 e. onde y0 e v0 s~ao valores conhecidos. com y0 e yn conhecidos. b) e s~ao preestabelecidos valores para y (x ) nos extremos deste intervalo: y (a) = y0 e y (b) = yn .

y 0 ) s~ao func~oes conhecidas. o modelo matematico que representa o fen^omeno da desintegrac~ao e dado por: dx (t ) dt = x (t ) onde dx dt e a variac~ao int^antanea (desintegrac~ao) sofrida pela subst^ancia e o par^ametro > 0 representa o coe. Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC Objetivos Apresentar metodos numericos que nos conduzam a aproximac~oes da func~ao de uma unica variavel y (x ).Captulo 6. (6. podemos constatar que \o numero de desintegrac~oes por unidade de tempo e proporcional a quan- tidade de subst^ancia presente em cada instante". y (x ). y (x )) e y 00 (x ) = f (x. y ) e f (x. se x = x (t ) representa a quantidade de uma subst^ancia radioativa presente em cada instante t . Um exemplo (Desintegrac~ao radioativa) Quando observamos a desintegrac~ao (variac~ao) de uma subst^ancia ra- dioativa. y.1) onde f (x. y 0 (x )). soluc~ao das EDOs de tipos: y 0 (x ) = f (x. Assim.

que e constante para cada subst^ancia espec.ciente de proporcionalidade.

1 Diferencas Finitas A ess^encia dos metodos numericos esta na discretizac~ao do contnuo. portanto. dx dt < 0. 6.ca. E esta discretizac~ao que torna \. Usamos o sinal negativo porque o numero de atomos diminui com o passar do tempo e.

nito" o problema e. portanto. A incognita de uma equac~ao diferencial ordinaria e uma func~ao y (x ) de. viabiliza sua soluc~ao computacional.

Neste passo. O primeiro passo de qualquer metodo destinado a soluc~ao numerica de equac~oes diferenciais e discretizar a regi~ao onde procuramos a soluc~ao. de.nida em todos os pontos do intervalo no qual a equac~ao esta sendo resolvida.

que e um conjunto .nimos uma malha.

2) onde  esta entre x e x + h. teremos: h2 y (x + h) = y (x ) + hy 0 (x ) + 2! y 00 (): L. sua expans~ao em serie de Taylor e: h2 hn hn+1 y (x + h) = y (x ) + hy 0 (x ) + 2! y 00 (x ) + : : : + n! y (n) (x ) + (n + 1)! y (n+1) (). (6. o segundo passo consiste na discretizac~ao das derivadas que est~ao na equac~ao diferencial. no ponto x . em x + h. pois esta nos da informac~oes sobre a func~ao. Cant~ao 60 .nito de pontos. as derivadas s~ao aproximadas por diferencas entre valores da soluc~ao discretizada. Se assumirmos que y (x ) tem derivadas ate a ordem n + 1 em x . Neste passo. : : : As aproximac~oes de y (x ) ser~ao calculadas nos pontos desta malha. i = 1. P. 2. A malha de passo h associada a x0 e o conjunto de pontos: xi = x0  ih. No metodo de Diferencas Finitas.2). e sua avaliac~ao numa vizinhanca de x . Se tomarmos n = 1 em (6. A. A ferramenta matematica basica de aproximac~ao para as derivadas e a serie de Taylor. Seja x0 um ponto de refer^encia e h um numero positivo. chamados de nos da malha.

reescrevemos as formulas avancada e atrasada. obtemos a formula centrada para discretizac~ao da derivada e o seu erro: y (x + h) y (x h) h2 000 y 0 (x ) =2h 3! y () (6. temos: h2 h3 y (x + h) = y (x ) + hy 0 (x ) + 2 y 00 (x ) + 3! y 000 () h2 h3 y (x h) = y (x ) hy 0 (x ) + 2 y 00 (x ) 3! y 000 () Subtraindo a penultima express~ao da ultima. temos: h3 y (x h) y (x + h) = 2hy 0 (x ) 2 3! y 000 (): Rearranjando a express~ao acima. bem como o erro associado a esta discretizac~ao: y (x + h) 2y (x ) + y (x h) h2 (iv ) y 00 (x ) = h2 12 y () (6. a formula atrasada para a discretizac~ao da derivada e seu erro e: y (x ) y (x h) h 00 y 0 (x ) = h + 2 y (): (6. ainda com n = 1. tomando h em (6.6) para algum  2 (x h.Captulo 6.2). as derivadas presentes na EDO s~ao substitudas por aproximac~oes descritas acima. obtemos uma formula para discretizar a derivada de segunda ordem. No metodo das Diferencas Finitas.5) Seguindo as mesmas ideias. Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC Isolando y 0 (x ) na equac~ao acima. Tomando n = 3 em (6. Resumindo.4) Tomemos agora n = 2 em (6.3) De modo semelhante. temos: h2 h3 h4 y (x + h) = y (x ) + hy 0 (x ) + 2 y 00 (x ) + 3! y 000 (x ) + 4! y (iv ) () h2 h3 h4 y (x h) = y (x ) hy 0 (x ) + 2 y 00 (x ) 3! y 000 (x ) + 4! y (iv ) () Somando estas duas ultimas formulas e explicitanto y 00 (x ). x + h). a formula avancada para a discretizac~ao da derivada e seu erro e: y (x + h) y (x ) h 00 y 0 (x ) = h 2 y (): (6. podemos estabelecer uma express~ao para o calculo da aproximac~ao para a segunda derivada.2). temos: h2 y (x h) = y (x ) hy 0 (x ) + 2! y 00 (): Isolando y 0 (x ) na equac~ao acima. para cada ponto da malha no interior do intervalo onde a EDO esta de.2).

nida. y 0 (xi )  = h . P. usamos: yi +1 yi yi yi 1 yi +1 yi y 0 (xi )  = h . A. ou y 0 (xi )  = 2h 1 L. denotamos por yi a aproximac~ao de y (xi ) (ou seja. Cant~ao 61 . yi  = y (xi )).

Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC e yi +1 2yi + yi 1 y 00 (x ) = h2 .Captulo 6. q (x ) e r (x ) func~oes contnuas de. como discretizac~ao das derivadas de primeira e segunda ordens que aparecem na equac~ao diferencial. O metodo das Diferencas Finitas pode ser generalizado em um algoritmo para EDO de segunda ordem. Sejam p(x ).

1 h2 pi yi 1 + 2 + h qi yi + 1 + h2 pi yi +1 = h2 ri . o que garante a exist^encia de uma unica soluc~ao do sistema linear.b] tornam o sistema diagonalmente dominante. A hipotese q (x )  0. e conhecido como problema de Sturm-Liouville. a  x  b. obtendo a discretizac~ao da EDO: yi +1 2y1 + yi 1 h2 + p(xi ) yi +1 2h yi 1 + q (xi )yi = r (xi ).     2  para i = 1 : n 1. b] em n partes iguais de comprimento h. qi = q (xi ) e r (xi ). Note que a primeira e a ultima equac~oes devem ser modi. com valores de contorno y (a) = y0 . e a escolha de h tal que: h  max jp(x )j < 2   [a. a < x < b. denotando pi = p(xi ). y (b) = yn . b]. Dividindo o intervalo [a. Se em cada ponto interior xi usamos as aproximac~oes : y 0 (xi )  yi +1 yi e y 00 (xi )  y 2y + y = 2h 1 = i +1 h2i i 1 . introduzimos a malha a = x0 < x1 < : : : < xn = b. i = 1 : n 1 ou ainda. O problema de encontrar y (x ) tal que: y 00 + p(x )y 0 + q (x )y = r (x ). com todas as desigualdades estritas.nidas em [a.

A. Cant~ao 62 . 1) com condic~oes de contorno: y (0) = 0. x 2 (0. y (1) = e usando h = 0:1 e a formula centrada para aproximar y 0 (xi ).cadas pela utilizac~ao da condic~ao de contorno. Exemplo 21. L. Aproxime numericamente a soluc~ao da EDO abaixo usando o metodo de Diferencas Finitas: y 00 y 0 + xy = ex (x 2 + 1). P.

7) y (x0 ) = y0 : Considerando a malha de.Captulo 6. q (x ). com dado inicial: y 0 (x ) = f (x. y ) (6. b. n 1: h = (b a)=n 2: Para j = 1 ate j = n 1 faca 3: x = a + jh h 4: di (j ) = 1 2 p(x ) 5: d (j ) = 2 + h2 q (x ) h 6: ds (j ) = 1 + 2 p(x ) 7: ti (j ) = h2 r (x ) 8: Fim do laco 9: ti (1) = ti (1) y0 (1 (h=2)p(a + h)) 10: ti (n 1) = ti (n 1) yn (1 + (h=2)p(b h)) 11: Resolver o sistema. Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC Dado a. yn . Algoritmo 12: Metodo de Diferencas Finitas de Sturm-Liouville 6. y0 . r (x ). p(x ).2 Metodos de Runge-Kutta Tomemos a EDO de primeira ordem.

podemos usar a formula de diferencas .nida pelo passo h.

obtemos uma vers~ao discretizada de (6. e de.7): yk +1 yk h = f (xk .8) Esta equac~ao permite que calculemos yk +1 a partir de yk . yk ): (6. Assim.nitas avancada para discretizar a derivada de y (x ) no ponto xk .

ne o Metodo de Euler.9) tem vers~oes de maior precis~ao nos trabalhos de Runge (1895). Dado a. y ) 1: h = (b a)=n 2: Para k = 0 ate k = n 1 faca 3: xk = a + kh 4: yk +1 = yk + hf (xk . yk ). : : : O Algoritmo 13 ilustra este metodo. 1. Sua aplicac~ao e muito simples: y0 = y (x0 ) (6. n.9) yk +1 = yk + hf (xk . P. yk ) 5: Fim do laco Algoritmo 13: Metodo de Euler A ideia de Euler (6. A. y0 e f (x. b. para k = 0. Cant~ao 63 . para o caso de uma L.

yk + 20 6: m2 = hf (xk +1 . 15 e 16 apresentam os metodos de Runge-Kutta (como s~ao conhecidos) para EDO's de primeira ordem. L. yk + 20 h m1   6: m2 = hf xk + 2 . b. Seja a EDO: 1 y 0 (x ) = 1 + x 2 2y 2 y (0) = 0 Resolva-a usando os metodos de Euler. terceira e quarta ordens para x 2 (0. n. n. P. yk + 2 7: m3 = hf (xk +1 . yk + m0 ) 6: 1 yk +1 = yk + 2 (m0 + m1 ) 7: Fim do laco Algoritmo 14: Metodo de Runge-Kutta de segunda ordem Dado a. A. y0 e f (x.Captulo 6. yk ) h m  5: m1 = hf xk + 2 . e Kutta (1901). Runge-Kutta de segunda. 1) e h = 0:1. b. n. y ) 1: h = (b a)=n 2: Para k = 0 ate k = n 1 faca 3: xk = a + kh 4: m0 = hf (xk . y ) 1: h = (b a)=n 2: Para k = 0 ate k = n 1 faca 3: xk = a + kh 4: m0 = hf (xk . Os Algoritmos 14. Dado a. Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC equac~ao. y0 e f (x. y ) 1: h = (b a)=n 2: Para k = 0 ate k = n 1 faca 3: xk = a + kh 4: m0 = hf (xk . yk ) h m  5: m1 = hf xk + 2 . yk m0 + 2m1 ) 7: 1 yk +1 = yk + 6 (m0 + 4m1 + m2 ) 8: Fim do laco Algoritmo 15: Metodo de Runge-Kutta de terceira ordem Dado a. yk + m2 ) 8: 1 yk +1 = yk + 6 (m0 + 2m1 + 2m2 + m3 ) 9: Fim do laco Algoritmo 16: Metodo de Runge-Kutta de quarta ordem Exemplo 22. Cant~ao 64 . y0 e f (x. para o caso de sistemas de EDO de primeira ordem. b. yk ) 5: m1 = hf (xk + h.

3]. y (0) = 0. use h = 0:1 L. 2]. Use o metodo de Euler com h = 0:1 para aproximar a soluc~ao e compare-a com os valores reais de y . (a) y 00 + y = 0. P. y (2) = ln 2. 2. m = 5. Runge-Kutta de segunda. (c) y 0 = sen(x )y . 3. soluc~ao real y (x ) = x4 x22 + ln x 23 . m = 6. soluc~ao real: y (t ) = t=(1 + ln t ). y (2) = 4. x 2 [0. (b) y 00 + 4y = cos x . x 2 [0. 5. terceira e quarta ordens com o numero de subintervalos n indicado: (a) p y 0 = x . y (1) = 1. 2]. Cant~ao 65 . soluc~ao real: y (t ) = t tan(ln t ).Captulo 6. Aplique o metodo de Euler. y (2) = ln 2. (d) y 00 = 2y 0 y + x ex x . 1] e n = 10 (soluc~ao usando o metodo de Euler: y10 = 1:54711). use h = 0:2. y (1) = 0 com h = 0:2 e x 2 [1. (d) p  y 0 = x + 1 y . y (0) = 1. 2] e n = 5: (soluc~ao usando o metodo de Euler: y5 = 1:55490). y (1) = 12 . Aproximac~oes para Equac~oes Diferenciais Ordinarias CNC Compare os resultados obtidos com a sua soluc~ao analtica (calcule o erro relativo): x y = 1 + x2 : 6. A. 2] e n = 8 (soluc~ao usando o metodo de Euler: y8 = 3:39195). soluc~ao real: y (x ) = ecos(x ) 1 . 0  x  2. terceira e quarta ordens para aproximar as soluc~oes dos seguintes PVI e compare os resultados com os valores reais: (a) y 0 = y=t (y=t )2 . (c) y 0 = xy . Runge-Kutta de segunda. use h = (=20). use h = 0:05. (b) y 0 = 1 + y=t + (y=t )2 . 0  x  (=4). y (0) = 0. com as soluc~oes exatas y (t ) = t 2 (et e ). x 2 [0. ]. y (=4) = 0. 1  x  2. 1  t  2 y (1) = 0. y (1) = 1. x 2 [1. 0  x  (=4). x 2 [1. utilizando os metodos de Euler. y (1) = 12 . Dado o PVI 2 y 0 = t y + t 2 et . Use o Metodo das Diferencas Finitas para aproximar as soluc~oes dos problemas abaixo e compare com as soluc~oes reais. p soluc~ao real: y (x ) = cos x + ( 2 1) sen x . 1  x  2. use h = (=20). 4. 1  x  2. y (1) = 0. com h = 0:1 e x 2 [1. soluc~ao real: y (x ) = 31 cos 2x 62 sen 2x + 13 cos x . soluc~ao real: y (x ) = e 2x 1 5 =3+x 5=3 : Atenc~ao: m e o numero de subintervalos. y (=4) = 1. 1  t  2. (c) y 00 = x4 y 0 x22 y + 2 xln2 x . soluc~ao real: y (x ) = 61 x 3 ex 35 x ex +2 ex x 2. y (1) = y (2) = 0. 0 (b) y 00 = yx + x32 y + lnxx 1.3 Exerccios 1. Use o Metodo das Diferencas Finitas para aproximar as soluc~oes dos seguintes PVC: (a) y 00 = x4 y 0 + x22 y x22 ln x . Resolver os problemas de valor inicial abaixo. yp(0) = 0. y (0) = 1. use h = 0:05. y (0) = 1. 1  t  3. (b) y 0 = x 2 + y 2 .

(a) Encontre a soluc~ao aproximada usando o metodo de Euler com h = 0:5 e h = 0:25.Exerccios Captulo 6. (c) Sabendo que a soluc~ao analtica do problema e y = e x +x =3 . usando Runge-Kutta de 4a . Considere o PVI: y 0 = yx 2 y . (b) idem. com y (0) = 1. coloque num mesmo gra. 2]. considerando x 2 [0. Aproximac~oes para Equac~oes Diferenciais Ordinarias 6.

h = 4. y (0) = 2. (Resposta: y (16) = 12:00999) (b) Runge-Kutta de 4a ordem. Resolva por: (a) Runge-Kutta de 2a ordem. (Resposta: y (16) = 11:998) 8. h = 2. Resposta: Euler: y (1) = 4:488320. 7. Runge-Kutta de 4a ordem: y (1) = 4:78251. 9. y (0) = 20. Compare seus resultados. sabendo que y (x ) = ex +x + 1. Dado o PVI y 0 = yx . Calcule y (1) para y 0 = y x . Resolva pelo metodo de diferencas . soluc~ao exata: y (1) = 4:718282. Compare seus resultados com os valores exatos de y (x ) nos pontos xi . deseja-se encontrar aproximac~oes para y (16). utilizando Euler e Runge-Kutta de 4a ordem com h = 0:2.co a soluc~ao 3 analtica e as soluc~oes numericas encontradas nos itens anteriores.

66 . (c) Qual o valor de y (=4) nos itens anteriores. (c) Qual o valor de y (1=2) nos itens anteriores. (b) Com h = 14 . (Resposta: y (0:25) = 1:107487. y (0:5) = 0:529106. (b) Com h = 8 . y (0:75) = 0:180622) 10. y (1) = 2 tem a soluc~ao y (x ) = e2 (e4 1) 1 (e2x e 2x ) + x . O PVC: y 00 = 4(y x ). y 2 = 0:1 tem a soluc~ao y (x ) = 101 (sen x + 3 cos x ). 0  x  1. o PVC: y 00 + 2y 0 + y = x   y (0) = 2  y (1) = 0   usando h = 0:25. O PVC:   y 00 = y 0 + 2y + cos x. y (0) = 1. (a) Com h = 4 . 11. y (0) = 0:3. y (0) = 0. 12. y (1) = e 10 : Use h = 0:1 e h = 0:25.nitas. 0  x  1. Use o Metodo das Diferencas Finitas para aproximar as soluc~oes de y = e 10x para o PVC: y 00 = 100y. Use o Metodo das Diferencas Finitas para aproximar a soluc~ao e compare os resultados com a soluc~ao real. 0  x  2 . Use o Metodo das Diferencas Finitas para aproximar a soluc~ao e compare os resultados com a soluc~ao real. (a) Com h = 21 .

Refer^encias Bibliogra.

Lopes C alculo Num erico: Aspectos Te oricos e Computacionais . Faires. 1996.com/moler/chapters. [4] N. [8] E. 2006. H. C alculo com Geometria Anal tica . M etodos Num ericos . Sowokowski. 2a Edic~ ao. Pioneira Thomson Learning. W. Stewart. Higham. 2a Edic~ ao. 2003. C alculo Num erico: Caracter sticas Matem aticas e Computacionais dos M etodos Num ericos. Prentice Hall. Sperandio. L.cas [1] R. G. [5] M.com/b/bookcpdf. 2001. [3] M. V. Accuracy and Stability of Numerical Algorithms. A. Burden. M. T. Cunha. J.html 67 . e Silva. LTC Editora.nrbook. L. 2000. [2] F. 1996. 2a Edic~ ao. 2003. Campos Fo. 5a Edic~ ao. SIAM { Society for Industrial and Applied Mathematics. Makron Books. Pioneira Thomson Learning. L. [7] J. C. Volume 1. Algoritmos Num ericos . Volume I. 1994. J. R. C. Ruggiero. C alculo . [6] D. D. Mendes. J. An alise Num erica . [9] www. Makron Books.mathworks. F.php [10] www. Editora da Unicamp.