Algebra Linear e MDF

Metodos de Diferencas Finitas
Aspectos Teoricos, Computacionais e Aplica c oes

Petronio Pulino
1
2
3
4
5
6
7
8
9
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [m]

y

[
m
]

o
C
sq
PULINUS
Metodos de Diferencas Finitas
Aspectos Teoricos, Computacionais e Aplica c oes
Petronio Pulino
Departamento de Matem atica Aplicada
Instituto de Matem atica, Estatstica e Computa c ao Cientca
Universidade Estadual de Campinas
Caixa Postal 6065, CEP 13083859, CampinasSP, Brasil
e-mail: pulino@ime.unicamp.br
Julho de 2008
Conte udo
Prefacio vii
1 Uma Breve Revis ao 1
1.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Conceitos Basicos sobre Fun coes . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Taxa de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2

Algebra Matricial Computacional 5
2.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Matrizes Especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Transforma cao de Similaridade . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Diagonaliza cao de Matrizes Especiais . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Norma Vetorial e Norma Matricial . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Analise de Sensibilidade para Sistemas Lineares . . . . . . . . . . . . . . . . . 28
2.6.1 Dire coes de Maximo Erro Relativo . . . . . . . . . . . . . . . . . . . . 29
2.6.2 Perturba coes na Forma Parametrica . . . . . . . . . . . . . . . . . . . . 41
2.7 Armazenamento de Matrizes Esparsas . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.1 Esquema de Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.2 Esquema de Cole cao de Vetores Esparsos . . . . . . . . . . . . . . . . . 44
2.7.3 Produto de Matriz Esparsa por Vetor . . . . . . . . . . . . . . . . . . . 45
2.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Analise Numerica de Sistemas Lineares 51
3.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Problema de Minimiza cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Metodo da Maxima Descida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4 Metodo dos Gradientes Conjugados . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4.1 Gradientes Conjugados Precondicionado . . . . . . . . . . . . . . . . . 64
3.4.2 Programas em Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
i
ii CONTE
UDO
3.5 Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.1 Itera cao de Ponto Fixo. Matriz Convergente . . . . . . . . . . . . . . . 68
3.5.2 Metodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.3 Metodo de GaussSeidel . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5.4 Metodo da Relaxa cao Sucessiva . . . . . . . . . . . . . . . . . . . . . . 81
3.5.5 Matriz de Itera cao e Precondicionador . . . . . . . . . . . . . . . . . . 85
3.6 Metodo da Fatora cao de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6.1 Sistema Tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6.2 Sistema com Estrutura de Banda . . . . . . . . . . . . . . . . . . . . . 95
3.7 Metodo da Fatora cao LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.7.1 Sistema Tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.7.2 Sistema com Estrutura de Banda . . . . . . . . . . . . . . . . . . . . . 112
3.7.3 Sistema Tridiagonal por Blocos . . . . . . . . . . . . . . . . . . . . . . 116
3.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.9 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.9.1 Sistema Linear com Estrutura Tridiagonal por Blocos . . . . . . . . . . 129
3.9.2 Gradientes Conjugados para Sistema Normal . . . . . . . . . . . . . . . 130
4 Diferencia c ao Numerica 131
4.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.2 Aproxima cao da Primeira Derivada . . . . . . . . . . . . . . . . . . . . . . . . 131
4.2.1 Formula de Diferen cas Finitas Atrasada . . . . . . . . . . . . . . . . . 131
4.2.2 Formula de Diferen cas Finitas Avan cada . . . . . . . . . . . . . . . . . 133
4.2.3 Formula de Diferen cas Finitas Centrada . . . . . . . . . . . . . . . . . 134
4.2.4 Estudo Numerico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.3 Aproxima cao da Segunda Derivada . . . . . . . . . . . . . . . . . . . . . . . . 139
4.3.1 Formula de Diferen cas Finitas Centrada . . . . . . . . . . . . . . . . . 139
4.4 Aproxima cao de Operadores Diferenciais . . . . . . . . . . . . . . . . . . . . . 142
4.4.1 Operador de Difusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4.4.2 Operador de Advec cao . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.5 Extrapola cao de Richardson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.7 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.7.1 Operador de Difusao Bidimensional . . . . . . . . . . . . . . . . . . . . 146
CONTE
UDO iii
5 Aproxima c ao de Problemas Elpticos 149
5.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.2 Problema de Difusao com Dissipa cao . . . . . . . . . . . . . . . . . . . . . . . 149
5.3 Estabilidade, Consistencia e Convergencia . . . . . . . . . . . . . . . . . . . . 152
5.4 Estabilidade na norma2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.5 Condi coes de Contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.5.1 Condi cao de Neumann . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.5.2 Condi cao de Robin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.6 Equa cao de Poisson Esquema de Alta Ordem . . . . . . . . . . . . . . . . . 165
5.6.1 Analise de Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
5.6.2 Ordem de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.8 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.8.1 Flexao de uma Viga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.8.2 Equa cao de Poisson Bidimensional . . . . . . . . . . . . . . . . . . . . 179
5.8.3 Equa cao de Laplace Tridimensional . . . . . . . . . . . . . . . . . . . . 184
5.9 Programas em Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
5.9.1 Problema de Poisson Esquema de Alta Ordem . . . . . . . . . . . . . 190
5.9.2 Flexao de uma Viga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6 Aproxima c ao de Problemas Parabolicos 193
6.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
6.2 Equa cao de Difusao de Evolu cao . . . . . . . . . . . . . . . . . . . . . . . . . . 193
6.3 Esquema Explcito de Euler Progressivo . . . . . . . . . . . . . . . . . . . . . 194
6.3.1 SemiDiscretiza cao no Tempo . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.2 SemiDiscretiza cao no Espa co . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.3 Discretiza cao Espa coTempo . . . . . . . . . . . . . . . . . . . . . . . . 196
6.4 Esquema Implcito de Euler Regressivo . . . . . . . . . . . . . . . . . . . . . . 201
6.5 Esquema Implcito de CrankNicolson . . . . . . . . . . . . . . . . . . . . . . 204
6.6 Estabilidade e o Teorema de Equivalencia de Lax . . . . . . . . . . . . . . . . 208
iv CONTE
UDO
6.7 Simula coes Numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.9 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.9.1 Processo de Resfriamento . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.9.2 Trocador de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
6.9.3 Transferencia de Calor em Corpo Esferico . . . . . . . . . . . . . . . . 231
6.9.4 Transferencia de Calor em uma Placa . . . . . . . . . . . . . . . . . . . 238
7 Aproxima c ao de Problemas de Advec c aoDifus ao 239
7.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
7.2 Problema de Advec caoDifusao Estacionario . . . . . . . . . . . . . . . . . . . 239
7.3 Esquema de Diferen cas Finitas Centrada . . . . . . . . . . . . . . . . . . . . . 242
7.3.1 Analise das Oscila coes . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
7.4 Esquema de Diferen cas Finitas Upwind . . . . . . . . . . . . . . . . . . . . . . 252
7.5 Esquema Upstream & Downstream . . . . . . . . . . . . . . . . . . . . . . . . 256
7.5.2 Calculo do Parametro

Otimo . . . . . . . . . . . . . . . . . . . . . . . . 258
7.6 Esquema Compacto de Quarta Ordem . . . . . . . . . . . . . . . . . . . . . . 263
7.6.2 Ordem de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . 267
7.7 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
7.7.1 Problema de Advec caoDifusao Estacionario . . . . . . . . . . . . . . . 270
7.8 Programas em Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
7.8.1 Esquema Compacto de Quarta Ordem . . . . . . . . . . . . . . . . . . 272
7.8.2 Problemas de Advec caoDifusao com Dissipa cao . . . . . . . . . . . . . 273
8 Problemas de Advec c aoDifus ao de Evolu c ao 275
8.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
8.2 Equa cao de Advec caoDifusao de Evolu cao . . . . . . . . . . . . . . . . . . . . 275
8.3 Esquema Explcito de Euler Progressivo . . . . . . . . . . . . . . . . . . . . . 276
8.3.2 SemiDiscretiza cao no Espa co . . . . . . . . . . . . . . . . . . . . . . . 277
8.4 Esquema Implcito de Euler Regressivo . . . . . . . . . . . . . . . . . . . . . . 282
CONTE
UDO v
8.5 Esquema Implcito de CrankNicolson . . . . . . . . . . . . . . . . . . . . . . 286
8.6 Projetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
8.6.1 Problemas de Advec caoDifusao de Evolu cao . . . . . . . . . . . . . . . 292
9 Advec c ao de Pesticidas em Solo Saturado 299
9.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
9.2 Transporte de Solutos em Coluna de Solo Saturado . . . . . . . . . . . . . . . 300
9.3 Simula cao Numerica e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . 303
9.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
9.5 Gracos das Simula coes Numericas . . . . . . . . . . . . . . . . . . . . . . . . 311
Bibliograa 319
vi CONTE
UDO
Pref acio
Este texto tem por objetivo apresentar aos alunos do curso de gradua cao em Matematica Apli-
cada e Computacional, da modalidade Analise Aplicada, do Departamento de Matematica
Aplicada IMECC / UNICAMP, bem como para os estudantes de engenharia, uma introdu cao
à resolu cao numerica de Equa coes Diferenciais Parciais pelo Metodo de Diferen cas Finitas.
Este tema e extremamente importante, pois, em geral, os fenomenos fsicos, qumicos ou
biologicos podem ser modelados atraves de equa coes a derivadas parciais. Tais equa coes sao
classicadas por tipos. Assim, equa coes elpticas descrevem os fenomenos de difusao esta-
cionarios, equa coes parabolicas descrevem os fenomenos de difusao de evolu cao e as equa coes
hiperbolicas descrevem os fenomenos de transporte. Para cada tipo de equa cao existe uma
classe de metodos numericos que sao mais adequados.
Vamos apresentar os esquemas de diferen cas nitas que sao estaveis para os problemas
de advec caodifusao, no caso em que o transporte advectivo e predominante sobre o trans-
porte difusivo. Como aplica cao de um problema de advec cao dominante, apresentamos um
modelo matematico e as simula coes numericas para o transporte de soluto em colunas de solo
saturado. Este modelo representa, por exemplo, a inltra cao de pesticidas em areas agrcolas.
Para um problema puramente difusivo, apresentamos modelos para o estudo do processo de
resfriamento, que tambem e muito interessante nas aplica c oes praticas em varias areas tec-
nologicas. O problema de Poisson, que e um exemplo classico de um problema elptico, esta
relacionado com as aplica coes em potencial eletrico ou na distribui cao de temperatura em
regime estacionario. Varios tipos de condi coes de contorno serao apresentadas para cada um
dos problemas acima, assim como o seu signicado fsico.
Para um bom aproveitamento do texto e conveniente uma certa familiaridade com os
metodos matematicos para obten cao da solu cao de problemas de valores de contorno atraves
da tecnica de separa cao de variaveis, bem como da forma de classica cao das equa coes a
derivadas parciais. Alem disso, uma disciplina introdutoria de equa coes diferenciais ordinarias
tambem e recomendado.
vii
viii PREF
ACIO
Na constru cao das formulas de diferen cas nitas para aproxima cao do valor das deri-
vadas de uma fun cao real em um ponto, vamos necessitar da teoria sobre Formula de Tay-
lor com resto e de alguns outros resultados sobre fun cao diferenciavel. Apresentamos uma
breve introdu cao sobre esses temas no primeiro captulo. Nos exerccios, do quarto captulo,
abordamos uma segunda maneira de obtermos as formulas de diferen cas nitas atraves de
interpola cao polinomial.
Os esquemas de diferen cas nitas utilizados para a discretiza cao dos problemas de valo-
res de contorno, bem como a analise de erro local, estabilidade, consistencia e convergencia,
que vamos apresentar, fazem parte do programa da disciplina MS 711 Analise Numerica III ,
que e sugerida para o setimo semestre da modalidade Analise Aplicada. Assim, considera-
mos que os alunos tem um conhecimentos dos topicos estudados na disciplina de Calculo
Numerico e um aprofundamento nos metodos numericos para sistemas lineares que sao abor-
dados na disciplina MS 512 Analise Numerica I , sugerida para o quinto semestre do curso
de gradua cao em Matematica Aplicada e Computacional.
A discretiza cao de problemas de valores de contorno atraves dos esquemas de dife-
ren cas nitas nos levam a um problema de sistemas lineares de grande porte, e com uma
certa estrutura de esparsidade. No terceiro captulo apresentamos os metodos iterativos e os
metodos diretos para obten cao de solu coes numericas para os sistemas lineares provenientes
das discretiza coes. Na analise de convergencia dos metodos iterativos, bem como para o
estudo da estabilidade, consistencia e convergencia dos esquemas numericos, necessitamos de
uma teoria mais especca sobre matrizes especiais e normas matriciais. Esses topicos serao
apresentados, visando as necessidades do texto, no segundo captulo, e requerem um certa
habilidade em algebra linear. Neste captulo tambem apresentamos uma analise de sensibi-
lidade para sistemas lineares, onde pretendemos colocar um pouco de luz na inuencia do
n umero de condi cao da matriz na qualidade das solu coes numericas.
No quarto captulo faremos as constru coes das formulas de diferen cas nitas para apro-
ximar o valor da primeira e segunda derivada, atraves das formulas de Taylor com resto,
explicitando o erro local de cada uma das formulas descritas. Este procedimento tem por ob-
jetivo a analise do erro de truncamento local dos esquemas de diferen cas nitas, bem como a
obten cao do termo de difusao numerica dos esquemas estaveis para os problemas de advec cao
dominante. Vamos tambem construir formulas de diferen cas nitas atrasada e avan cada para
aproximar a primeira derivada, tendo por objetivo a discretiza cao de condi coes de contorno
de Robin. Os captulos seguintes serao destinados aos metodos de diferen cas nitas para
problemas de valores de contorno e suas aplica coes.
PREF
ACIO ix
No nal de cada captulo apresentamos um conjunto de exerccios, alguns dos quais
sao necessarios a elabora cao de uma implementa cao computacional, que pode ser feita uti-
lizando a estrutura de programa cao do Matlab. Com o objetivo de apresentar uma ma-
neira eciente de programa cao dos metodos numericos estudados, estao disponveis na pagina
www.ime.unicamp.br/pulino/MDF
AsTeCA/ a implementa cao computacional em Matlab

de alguns dos metodos. Os procedimentos disponibilizados serao utilizados como ponto
de partida para a implementa cao computacional dos modelos numericos para os problemas
praticos sugeridos nos projetos, que estao relacionados com o tema do captulo.
Petronio Pulino
DMA IMECC / UNICAMP
Mar co de 2005
x PREF
ACIO
c Petronio Pulino, 2008 DMA IMECC UNICAMP
Captulo 1
Uma Breve Revis ao
1.1 Introducao
Neste captulo vamos apresentar alguns conceitos basicos de C alculo Diferencial e Integral
que serao utilizados na constru cao dos esquemas numericos e na analise do erro local. Apre-
sentamos tambem o conceito de taxa de convergencia que sera muito util no entendimento
da ordem de convergencia de um determinado esquema numerico.
1.2 Conceitos Basicos sobre Funcoes
Teorema 1.1 (de Bolzano) Seja f : [a, b] IR uma fun cao contnua com f(a) e
f(b) possuindo sinais opostos, isto e, f(a)f(b) < 0. Entao, existe pelo menos um ponto
c (a, b) tal que f(c) = 0.
Teorema 1.2 (da Conservacao de Sinal) Seja f : [a, b] IR uma fun cao contnua.
Se f(x
0
) = 0 para x
0
(a, b), ent ao existe um intervalo (x
0
, x
0
+) no qual a fun cao
f possui o mesmo sinal que f(x
0
).
Teorema 1.3 (do Valor Intermediario) Seja f : [a, b] IR uma fun cao contnua.
Se f(a) < d < f(b), ent ao existe pelo menos um ponto c (a, b) tal que f(c) = d.
Teorema 1.4 (Teorema dos Valores Extremos) Seja f : [a, b] IR uma fun cao
contnua. Entao, a fun cao f assume valores maximo e mnimo em [a, b], isto e, existem
pontos x
1
e x
2
em [a, b] tais que
f(x
1
) = max{ f(x) ; x [a, b] } e f(x
2
) = min{ f(x) ; x [a, b] }
1
2 Metodos de Diferen cas Finitas
O Teorema do Valor Intermediario para fun coes contnuas e geralmente utilizado na forma a
seguir, que sera muito util na analise de erro das Formulas de Diferen cas Finitas e tambem
para analise de erro global das Regras de Integra cao Numerica.
Teorema 1.5 (do Valor Ponderado para Somas) Seja f : [a, b] IR uma fun cao
contnua e x
1
, , x
n
pontos distintos de [a, b]. Sejam w
1
, , w
n
valores reais de mesmo
sinal. Entao, existe pelo menos um ponto c (a, b) tal que
n
i=1
f(x
i
)w
i
= f(c)
n
i=1
w
i
Demonstracao Vamos considerar que w
i
> 0 para todo i. Seja
f(x
min
) = min
1in
{ f(x
i
) } e f(x
max
) = max
1in
{ f(x
i
) }
entao como estamos considerando os w
i
todos positivos, temos que
f(x
min
)
n
i=1
w
i
<
n
i=1
f(x
i
)w
i
< f(x
max
)
n
i=1
w
i
Vamos denir a seguinte fun cao auxiliar
g(x) = f(x)
n
i=1
w
i
; x [a, b]
note que, a fun cao g e contnua em [a, b]. Desse modo, pelo Teorema do Valor Intermediario,
existe pelo menos um ponto [a, b] tal que
g() =
n
i=1
f(x
i
)w
i
= f()
n
i=1
w
i
o que completa a demonstra cao.
Teorema 1.6 (do Valor Medio para Integrais) Seja f : [a, b] IR uma fun cao
contnua. Entao, para algum ponto c (a, b) tem-se que
b
a
f(x)dx = f(c)(b a)
Teorema 1.7 (do Valor Ponderado para Integrais) Sejam f, g : [a, b] IR
fun coes contnuas. Seja a fun cao g n ao muda de sinal em [a, b]. Entao, para um certo
ponto c [a, b] tem-se que
b
a
f(x)g(x)dx = f(c)
b
a
g(x)dx
Captulo 1.Uma Breve Revis ao 3
Teorema 1.8 (de Rolle) Seja f : [a, b] IR uma fun cao contnua em [a, b] e
diferenciavel em (a, b). Seja f(a) = f(b). Entao, existe pelo menos um ponto c (a, b)
tal que f
(c) = 0.
Teorema 1.9 (do Valor Medio para Derivadas) Seja f : [a, b] IR uma fun cao
contnua em [a, b] e diferenciavel em (a, b). Entao, existe pelo menos um ponto c (a, b)
tal que f(b) f(a) = f
(c)(b a).
Teorema 1.10 (Formula de Taylor com Resto) Seja f : [a, b] IR uma fun cao
(n + 1) vezes continuamente diferenciavel em (a, b). Entao, existe um ponto (a, b)
tal que
f(x) = f(x
0
) + f
(x
0
)(x x
0
) + +
f
(n)
(x
0
)
n!
(x x
0
)
n
+
f
(n+1)
()
(n + 1)!
(x x
0
)
n+1
1.3 Taxa de Convergencia
Na analise de erro das formulas de diferen cas nitas, regras de integra cao numerica, etc,
usamos o conceito de ordem de convergencia para indicar a taxa com a qual ocorre as apro-
xima coes em fun cao do espa camento h da discretiza cao.
Denicao 1.1 Seja g(x) = 0 para todo x = a em algum intervalo contendo a. A nota cao
f(x) = O(g(x)) com x a, signica que lim
xa
f(x)
g(x)
= c onde c e uma constante.
ou de modo analogo
Denicao 1.2 Suponha que lim
x0
G(x) = 0 e lim
x0
F(x) = L. Se existe uma constante
K > 0 tal que
|F(x) L| K |G(x)|
para x sucientemente pequeno, ent ao podemos escrever que F(x) = L + O(G(x)).
As fun coes utilizadas para compara cao geralmente tem a forma G(x) = x
p
, com p > 0.
Assim, estamos interessados no maior valor de p para o qual F(x) = L + O(x
p
).
Proposicao 1.1 Sejam A(h) e B(h) fun coes da ordem de h
p
, isto e, A(h) = O(h
p
) e
B(h) = O(h
p
). Temos as seguintes propriedades
1. A(h) + B(h) = O(h
p
)
2. A(h) = O(h
p
) para = 0
Demonstracao A prova pode car a cargo do leitor.
Podemos tambem denir a ordem de convergencia de uma seq uencia numerica. Este conceito
sera utilizado para caracterizar o tipo de convergencia dos metodos iterativos para sistemas
lineares, que vamos apresentar mais a frente.
Denicao 1.3 (Ordem de Convergencia) Seja { x
k
} uma seq uencia numerica conver-
gente para o valor x
. Se existem constantes positivas C e p tais que

lim
k
|x
k+1
x
|
|x
k
x
|
p
= C
dizemos que a seq uencia { x
k
} e p convergente, ou que tem uma convergencia de ordem
p. A constante C e denominada de constante assintotica.
O conceito de ordem de convergencia e muito utilizado nos metodos iterativos, para sistema
linear e sistema naolinear, indicando a sua eciencia computacional.
c _Petronio Pulino, 2008 DMA IMECC UNICAMP
Captulo 2
Algebra Matricial Computacional

2.1 Introducao
Inicialmente vamos apresentar algumas nota coes e resultados no espa co vetorial real IR
n
,
com o objetivo de facilitar e tornar uniforme as representa coes matriciais. Necessitamos do
conceito de produto interno num espa co vetorial real (ou complexo), que sera amplamente
utilizado no desenvolvimento dos topicos abordados. Apresentaremos tambem resultados
espectrais para matrizes simetrica e positivadenida, que serao necessarios para o desenvol-
vimento do topico sobre normas matriciais.
Denicao 2.1 (Produto Interno) Seja V um espa co vetorial real. O Produto Interno
sobre V , que vamos denotar por , ) , e uma fun cao que associa a cada par ordenado
(x, y) V V um escalar x, y ) IR que satisfaz as seguintes propriedades
1. Simetria: x , y ) = y , x ) ; x, y V
2. Positividade: x , x ) > 0 ; x V n ao nulo
3. Linearidade: x + y , z ) = x, z ) + y , z ) ; x, y, z V
4. Homogeneidade: x , y ) = x , y ) ; x, y V e IR
Desse modo, temos o conceito geometrico de ortogonalidade, isto e, dizemos que os elemen-
tos x, y V nao nulos sao ortogonais se x , y ) = 0. Assim, dizemos que conjunto
v
1
. . . , v
n
de elementos nao nulos de V e ortogonal se v
i
, v
j
) = 0 para i ,= j.
Um resultando interessante sobre conjunto de elementos mutuamente ortogonais e a propri-
edade de independencia linear.
5
No caso de espa co vetorial complexo, o produto interno passa a ter a propriedade de Sime-
tria Hermitiana, isto e, x , y ) = y , x ) ; x, y V , no lugar da propriedade de
simetria. Esta propriedade vai ser importante para manter a positividade em certos casos.
Seja = e
1
, , e
n
a base canonica do IR
n
. Assim todo elemento x IR
n
e escrito
de modo unico da seguinte forma
x =
n
i=1
x
i
e
i
que numa nota cao matricial, representamos por um vetor coluna da forma
x =
_
_
x
1
.
.
.
x
n
_
_
Assim, o produto interno usual do IR
n
, que vamos denotar por , ) , denominado
produto interno Euclidiano, pode ser escrito da seguinte forma
x , y ) =
n
i=1
x
i
y
i
= y
t
x para todo x, y IR
n
No espa co vetorial complexo C
n
, o produto interno usual, denominado produto interno
Hermitiano, e escrito da seguinte forma
x , y ) =
n
i=1
x
i
y
i
= y
H
x para todo x, y C
n
A nota cao y
H
representa a transposta Hermitiana.
Vamos denotar por IM
n
(IR) o espa co vetorial real das matrizes reais de ordem n e por
IM
n
(C) o espa co vetorial complexo das matrizes complexas de ordem n.
Captulo 2.

2.2 Matrizes Especiais
Teorema 2.1 Seja A IM
n
(IR). Entao, para todo x, y IR
n
temse que
Ax , y ) = x, A
t
y ) (2.1)
Demonstracao Utilizando a nota cao matricial para o produto interno usual do IR
n
e a
propriedade (AB)
t
= B
t
A
t
, o resultado acima e imediato.
Denicao 2.2 (Matriz Hermitiana) Seja A IM
n
(C). Dizemos que A e uma matriz
Hermitiana se A
H
= A.
n
(C) Hermitiana. Entao, para todo x, y C
n
temse que
Ax, y ) = x , Ay ) (2.2)
Denicao 2.3 (Matriz Ortogonal) Dizemos que Q IM
n
(IR) e uma matriz ortogonal
se Q
t
Q = I. Desse modo, temse Q
1
= Q
t
. Assim, QQ
t
= I.
Note que, Q IM
n
(IR) e ortogonal se, e somente se, as suas colunas ( e as suas linhas )
formam um conjunto de vetores ortonormais em IR
n
.

E facil mostrar que, se Q
1
e Q
2
sao ortogonais, entao Q
1
Q
2
e uma matriz ortogonal.
Denicao 2.4 (Matriz Unitaria) Dizemos que U IM
n
(C) e uma matriz unitaria se
U
H
U = I. Desse modo, temse U
1
= U
H
. Assim, U U
H
= I.
Um resultado importante sobre o produto interno usual do IR
n
e a sua propriedade de ser
invariante sobre transforma cao ortogonal. Assim, segue o seguinte resultado.
Teorema 2.3 Seja Q IM
n
(IR) ortogonal. Entao, para todo x, y IR
n
temos que
1. Qx , Qy ) = x, y )
2. | Qx |
2
= | x |
2
Note que, este resultado tambem e valido em C
n
, isto e, o produto interno usual em C
n
e
invariante por transforma cao unitaria. Este resultado ser a bastante utilizado nas analises de
normas matriciais.
Denicao 2.5 (Matriz Normal) Dizemos que a A IM
n
(C) e uma matriz normal se
AA
H
= A
H
A. Dizemos que a A IM
n
(IR) e uma matriz Normal se AA
t
= A
t
A.
Denicao 2.6 (Matriz Idempotente) Dizemos que A IM
n
(IR) e uma matriz idempo-
tente se A
2
= A, isto e, A(Ax) = Ax para todo x IR
n
.
n
(IR) uma matriz idempotente. Entao, seus autovalores s ao
1
= 1 e
2
= 0.
Denicao 2.7 (Matriz AutoReexiva) Dizemos que A IM
n
(IR) e uma matriz auto
reexiva se A
2
= I, isto e, A(Ax) = x para todo x IR
n
.
n
(IR) uma matriz autoreexiva. Entao, seus autovalores s ao
1
= 1 e
2
= 1.
Denicao 2.8 (Matriz PositivaDenida) Seja A IM
n
(IR) simetrica (A
t
= A).
Dizemos que A e positivadenida se x
t
Ax 0 , com x
t
Ax = 0 x = 0.
Exemplo 2.1 Seja A IM
n
(IR) positivadenida. Entao, todos os elementos da diagonal
principal s ao positivos, isto e, a
ii
> 0 para i = 1, , n.
n
(IR) positivadenida. Entao, a submatriz principal A
k
, para
k = 1, , n, e positivadenida.
n
(IR) positivadenida. Entao, A e n ao singular.
Demonstracao Vamos supor por absurdo que a matriz A seja singular, isto e, existe um
elemento x IR
n
nao nulo tal que Ax = 0. Desse modo, temos que
Ax , x ) = x
t
Ax = 0
mas isso e uma contradi cao, pois A e positivadenida. Logo A e nao singular.
n
(IR) positivadenida. Mostre que, A
1
e positivadenida.
Captulo 2.

n
(IR) positivadenida. Entao, f : IR
n
IR
n
IR uma
aplica cao denida da seguinte forma
f(x, y) = Ax , y ) para todo x , y IR
n
onde , ) e o produto interno usual do IR
n
, dene um produto interno em IR
n
.
Demonstracao A prova pode car como exerccio para o leitor, pois segue das propriedades
do produto interno , ) e do resultado apresentado no Teorema (2.1), no caso em que
A e simetrica.
Usualmente este novo produto interno e denominado Produto Interno Energia, e denotamos
por , )
A
. Este resultado e muito importante para o estudo de varios metodos numericos,
como por exemplo, o Metodo dos Gradientes Conjugados, que veremos mais a frente.
Denicao 2.9 Dizemos que os elementos x, y IR
n
, n ao nulos, s ao Aconjugados se
x, y )
A
= 0, isto e, s ao ortogonais com rela cao ao produto interno energia.
Denicao 2.10 Dizemos que a matriz A = [a
ij
] IM
n
(IR) e Estritamente Diagonalmente
Dominante por Linhas se
[a
ii
[ >
n
j = 1
j ,= i
[a
ij
[ ; i = 1, . . . , n
ij
] IM
n
Dominante por Colunas se
[a
jj
[ >
n
i = 1
i ,= j
[a
ij
[ ; j = 1, . . . , n
Em geral, temos que obter solu coes numericas de sistemas lineares que sao provenientes da
discretiza cao de problemas de valores de contorno, tanto pelo Metodo de Diferen cas Finitas
quanto pelo Metodo dos Elementos Finitos. Alem disso, devemos mostrar a unicidade da
solu cao discreta, bem como fazer uma analise de estabilidade do esquema numerico. Desse
modo, necessitamos de alguns resultados para matriz simetrica e positivadenida, como por
exemplo, analise espectral e norma espectral. Assim, passamos a apresentar os seguintes
resultados preliminares.
2.3 Transformacao de Similaridade
Denicao 2.12 (Similaridade) Dizemos que as matrizes A, B IM
n
(IR) s ao similares
se existe uma matriz n ao singular P IM
n
(IR) tal que B = P
1
AP.
Teorema 2.8 Sejam A, B IM
n
(IR) similares. Entao, as matrizes A e B possuem o
mesmo polin omio caracterstico, isto e, os mesmos autovalores.
Este resultado mostra que a transforma cao de similaridade preserva a multiplicidade algebrica
dos autovalores.
Teorema 2.9 Sejam A, B IM
n
(C) similares. Entao, v e um autovetor de A associado
ao autovalor se, e somente se, P
1
v e um autovetor de B associado ao autovalor .
Este resultado mostra que a transforma cao de similaridade preserva a multiplicidade geometrica
dos autovalores.
Exemplo 2.4 Sejam A, B IM
n
(IR) similares. Mostre que se A e n ao singular, ent ao
B e n ao singular e as matrizes A
1
e B
1
s ao similares.
Denicao 2.13 Dizemos que as matrizes A, B IM
n
(IR) s ao ortogonalmente similares se
existe uma matriz ortogonal Q IM
n
(IR) tal que B = Q
t
AQ.
Denicao 2.14 Dizemos que as matrizes A, B IM
n
(C) s ao unitariamente similares se
existe uma matriz unitaria U IM
n
(C) tal que B = U
H
AU.
Captulo 2.

2.4 Diagonalizacao de Matrizes Especiais
Teorema 2.10 (Diagonalizacao) Seja A IM
n
(IR) que possui um conjunto linearmente
independente de autovetores v
1
, , v
n
associados aos autovalores
1
, ,
n
. Denimos
D = diag(
1
, ,
n
) uma matriz diagonal e V = [v
1
v
n
] uma matriz n ao singular.
Entao, V
1
AV = D. Reciprocamente, Se V
1
AV = D , onde D e uma matriz diagonal
e V n ao singular. Entao, as colunas da matriz V formam um conjunto linearmente
independente de autovetores de A e os elementos da diagonal principal de D s ao os
autovalores de A.
Demonstracao Temos que Av
i
=
i
v
i
para i = 1, . . . , n. Escrevendo na forma
matricial, temse AV = V D. Como V e nao singular, obtemos V
1
AV = D. A prova
da recproca e feita com os argumentos de forma reversa.
Teorema 2.11 (Decomposicao de Schur) Seja A IM
n
(C). Entao, existe uma matriz
unitaria U IM
n
(C) e uma matriz triangular superior T IM
n
(C) tais que U
H
AU = T.
Demonstracao A prova e feita por indu cao sobre a ordem da matriz. Para n = 1 o
resultado e trivial. Supomos que o resultado seja valido para n = k 1 , e vamos mostrar
que e valido para n = k.
Seja A uma matriz de ordem k e ( , v) um autopar com v , v ) = 1. Seja U
1
uma
matriz unitaria que possui v como sua primeira coluna, e as outras colunas consideramos
como sendo o completamento para uma base ortonormal do espa co vetorial C
k
. Seja W
uma submatriz de ordem k (k 1) de U
1
considerando da segunda coluna ate a kesima
coluna, isto e, U
1
= [v W] . Note que, W
H
v = 0.
Consideramos agora a matriz A
1
= U
H
1
AU
1
, que e representada da seguinte forma
A
1
=
_
_
v
H
W
H
_
_
A
_
v W
_
=
_
_
v
H
Av v
H
AW
W
H
Av W
H
AW
_
_
Temos que Av = v , assim obtemos v
H
Av = e W
H
Av = W
H
v = 0 .
Assim, tomando a matriz

A = W
H
AW de ordem (k 1) e o vetor w = W
H
A
H
v,
temos que a matriz A
1
tem a seguinte forma
A
1
=
_
_
w
H
0

A
_
_
Pela hipotese de indu cao, temos que existe uma matriz unit aria

U
2
e uma matriz triangular
superior

T , de ordem (k 1) , tais que

T =

U
H
2
A

U
2
. Denimos uma matriz U
2
, de
ordem k , da seguinte forma
U
2
=
_
_
1 0
t
0

U
2
_
_
Desse modo, temos que U
2
e uma matriz unitaria e U
H
2
A
1
U
2
= T e uma matriz triangular
superior, que tem a seguinte forma
T =
_
_
w
H

U
2
0

T
_
_
Fazendo U = U
1
U
2
, obtemos T = U
H
2
A
1
U
2
= U
H
2
U
H
1
AU
1
U
2
= U
H
A U. Assim,
obtemos o resultado desejado.
Note que, os elementos da diagonal principal da matriz T sao os autovalores da matriz
A, de acordo com o Teorema 2.8. O Teorema de Schur mostra que podemos construir uma
matriz triangular superior similar a matriz A atraves de transforma coes unitarias, obtendo
assim os seus autovalores.
Teorema 2.12 (Teorema Espectral) Seja A IM
n
(C) Hermitiana. Entao, existe uma
matriz unitaria U IM
n
(IR) e uma matriz diagonal D IM
n
(IR) tais que U
H
AU = D.
As colunas da matriz U s ao os autovetores de A e os elementos da diagonal de D s ao os
autovalores de A.
Demonstracao A prova segue do Teorema de Schur. De fato, sabemos que existe uma
matriz U unitaria e uma matriz triangular superior T tais que T = U
H
AU. Como A
e Hermitiana temos que T
H
= U
H
AU , logo, temse T
H
= T implicando que T e uma
matriz diagonal real. A segunda parte do teorema segue imediatamente do Teorema 2.10, o
que completa a demonstra cao.
Captulo 2.

n
(IR) simetrica. Entao, existe Q IM
n
(IR) ortogonal e uma
matriz diagonal D IM
n
(IR) tais que Q
t
AQ = D. As colunas da matriz Q s ao os
autovetores de A e os elementos da diagonal de D s ao os autovalores de A.
Demonstracao A prova e feita seguindo a demonstra cao do Teorema de Schur, que e o caso
complexo, observando que para matriz simetrica devemos fazer as constru coes considerando
espa co vetorial real. A prova e feita por indu cao sobre a ordem da matriz.

E facil ver que
o resultado e valido para matrizes de ordem 1. Supomos que o resultado seja valido para
matrizes de ordem (n 1) , para n 2 , e vamos mostrar que o resultado e valido para
matrizes de ordem n.
Como A e uma matriz real e simetrica, sabemos que qualquer autovalor e real, e pos-
sui um autovetor v IR
n
associado, escolhido com v , v ) = 1. Seja Q
1
ortogonal
com v sua primeira coluna, e as outras colunas consideramos como sendo o completamento
para uma base ortonormal do espa co vetorial IR
n
, que vamos representar por Q
1
= [v W] .
Seja A
1
= Q
t
1
AQ
1
. Entao, a matriz A
1
e real e simetrica, e de mesmo modo como na
prova do teorema de Schur, podemos representala da seguinte forma
A
1
=
_
_
v
t
W
t
_
_
A
_
v W
_
=
_
_
v
t
Av ( W
t
Av )
t
W
t
Av W
t
AW
_
_
Temos que Av = v, assim obtemos v
t
Av = e W
t
Av = W
t
v = 0. Tomando
a matriz

A = W
t
AW de ordem (n 1) , temos que a matriz A
1
possui a forma
A
1
=
_
_
0
t
0

A
_
_
Como

A e uma matriz real e simetrica de ordem (n 1), pela hipotese de indu cao, temos
que existe uma matriz ortogonal

Q
2
e uma matriz diagonal

D, de ordem (n 1) , tais
que

D =

Q
t
2
A

Q
2
. Assim, podemos denir uma matriz ortogonal Q
2
de ordem n,
representada da seguinte forma
Q
2
=
_
_
1 0
t
0

Q
2
_
_
Desse modo, temos que Q
t
2
A
1
Q
2
= D e uma matriz diagonal, que tem a seguinte forma
D =
_
_
0
t
0

D
_
_
Fazendo Q = Q
1
Q
2
obtemos D = Q
t
2
A
1
Q
2
= Q
t
2
Q
t
1
AQ
1
Q
2
= Q
t
AQ. A segunda
parte do teorema segue imediatamente do Teorema 2.10, o que completa a demonstra cao.
Este resultado mostra que podemos obter os autovalores e autovetores de uma matriz real e
simetrica atraves de transforma coes ortogonais.
n
(IR) simetrica. As seguintes arma coes s ao equivalentes
1. A e positivadenida, isto e, Ax, x ) > 0 para todo x IR
n
n ao nulo
2. Os autovalores de A s ao positivos
3. Os autovalores de todas as submatrizes principais A
k
s ao positivos
4. Existe uma matriz R IM
n
(IR) n ao singular tal que A = R
t
R
Demonstracao Inicialmente vamos mostrar que a condi cao (1) implica na condi cao (2).
Para isso, seja um autovalor de A com o autovetor v associado, tomando v , v ) = 1.
Assim, temos que
0 < Av , v ) = v , v ) =
mostrando que os autovalores da matriz A sao todos positivos.
Agora, consideramos que os autovalores de uma matriz A simetrica sao todos positivos, e
vamos mostrar que A e positivadenida. Para isso, vamos tomar um elemento x IR
n
nao nulo, que nao seja um autovetor de A . Sabemos que como A e simetrica, possui
com conjunto completo de autovetores mutuamente ortonormais. Assim podemos escrever o
elemento x como uma combina cao linear desses autovetores x = c
1
v
1
+ + c
n
v
n
.
Desse modo, temos que
Ax , x ) = ( c
1

1
v
1
+ + c
n

n
v
n
) , ( c
1
v
1
+ + c
n
v
n
) )
Como os autovetores v
1
, , v
n
sao mutuamente ortonormais, temos que
Ax , x ) = c
2
1

1
+ + c
2
n

n
> 0
o que mostra que a matriz A e positivadenida. Assim, mostramos que a condi cao (2)
implica na condi cao (1). Portanto, mostramos que as condi coes (1) e (2) sao equivalentes.
Captulo 2.

Agora vamos mostrar que as condi coes (1) e (3) sao equivalentes. Inicialmente, vamos
considerar A positivadenida e mostrar que a submatriz principal A
k
e tambem positiva
denida, para todo k = 1, 2, , n. Desse modo, mostramos que a condi cao (1) implica
na condi cao (3). Para isso, vamos tomar um elemento x IR
n
nao nulo, com as (n k)
componentes, a partir da (k + 1)esima, todas nulas. Por simplicidade, vamos representar
esse elemento da seguinte forma x
t
= [y
t
0] para y IR
k
nao nulo. Assim, temos que
0 < Ax , x ) =
_
y
t
0
_
_
_
A
k

_
_
_
_
y
0
_
_
= A
k
y , y )
o que mostra que a submatriz principal A
k
e positivadenida, e que os seus autovalores
sao todos positivos. Mostrar que a condi cao (3) implica na condi cao (1) e imediato, pois
podemos trabalhar com a propria matriz A. Assim, acabamos de mostrar que as condi coes
(1) e (3) sao equivalentes.
Finalmente, vamos mostrar que as condi coes (1) e (4) sao equivalentes. Tomando por
hipotese A simetrica e positivadenida, sabemos pelo Teorema 2.13 que existe uma ma-
triz ortogonal Q IM
n
(IR) e uma matriz diagonal = diag(
1
, ,
n
) tais que
A = QQ
t
, onde os elementos da diagonal da matriz sao os autovalores da matriz A ,
que sao todos positivos. Assim, podemos escolher R = Q
Q
t
, que e denominada raiz
quadrada simetrica e positivadenida da matriz A.
Fica claro que podemos fazer mais de uma escolha da matriz R. Assim, uma outra forma de
escolher e a seguinte R =
Q
t
, que e denominada raiz quadrada da matriz A. Isto
mostra que a condi cao (1) implica na condi cao (4).
Considerando agora que existe uma matriz R nao singular tal que A = R
t
R , vamos
mostrar que A e simetrica e positiva denida. A propriedade de simetria e imediata. Seja
x IR
n
nao nulo. Assim temos que
0 < Rx, Rx ) = R
t
Rx, x ) = Ax , x )
o que mostra que a matriz A e positivadenida. Assim mostramos que a condi cao (4)
implica na condi cao (1). Desse modo, acabamos de mostrar que as condi coes (1) e (4) sao
equivalentes. O que completa a demonstra cao.
A seguir, enunciamos um resultado geometrico interessante para matriz simetrica e positiva
denida, que mais a frente vamos utilizar na analise da velocidade de convergencia do Metodo
dos Gradientes Conjugados.
n
(IR) uma matriz positivadenida. Entao, a equa cao
x
t
Ax = 1 (2.3)
representa um hiperelipsoide em IR
n
com centro na origem e cujos semieixos tem com-
primentos
1
1
, ,
1
n
nas dire coes dos autovetores q
1
, , q
n
associados aos autovalores
0 <
1
. . .
n
.
Demonstracao Como A e positivadenida, vamos utilizar a sua diagonaliza cao
A = QQ
t
,
onde
= diag(
1
, . . . ,
j
, . . .
n
)
e uma matriz diagonal e
Q = [q
1
q
j
q
n
]
e uma matriz ortogonal. Note que (
j
, q
j
) e um autopar da matriz A.
Desse modo, podemos escrever a equa cao (2.3) da seguinte forma:
x
t
Ax = ( Q
t
x)
t
( Q
t
x) = 1 .
Fazendo a mudan ca de variavel y = Q
t
x, obtemos a seguinte equa cao
y
t
y =
n
j=1
j
y
2
j
=
n
j=1
y
2
j
a
2
j
= 1 ,
onde
a
j
=
1
_
j
e o comprimento do semieixo na dire cao do autovetor q
j
.
Portanto, o maior eixo esta na dire cao do autovetor associado ao menor autovalor e o menor
eixo esta na dire cao do autovetor associado ao maior autovalor.
Captulo 2.

2.5 Norma Vetorial e Norma Matricial
Para uma analise de convergencia dos metodos numericos para sistemas lineares, bem como
para a analise de estabilidade dos esquemas de diferen cas nitas, que vamos apresentar nos
proximos captulos, necessitaremos do conceito de norma matricial e de suas propriedades
para matrizes especiais, como por exemplo, simetrica e positivadenida, e sua rela cao com
os autovalores dessas matrizes.

E importante observar, que no espa co vetorial real IR
n
todas
as normas sao equivalentes, assim a prova de convergencia de uma seq uencia pode ser feita
com uma norma vetorial generica.
Denicao 2.15 (Norma Vetorial) Uma norma, ou uma norma vetorial, em IR
n
e uma
aplica cao | | que associa a cada elemento x IR
n
um n umero real | x | , que possui as
seguintes propriedades:
1. para todo x IR
n
temse que | x | 0 com | x | = 0 x = 0
2. para todo x IR
n
e IR temse que | x | = [[ | x |
3. para todo x, y IR
n
temse que | x + y | | x | + | y |
As propriedades acima sao denominadas positividade, homogeneidade e desigualdade trian-
gular, respectivamente. No espa co vetorial real IR
n
temos os seguintes exemplos de normas
vetoriais
(a) Norma Euclidiana: | x |
2
=
_
n
i=1
[x
i
[
2
_
1/2
(b) Norma do Maximo: | x |
= max
1 i n
[x
i
[
(c) Norma1 ou Norma do Taxi: | x |
1
=
n
i=1
[x
i
[
(d) Norma Energia: | x |
A
=
_
x, x )
A
Note que, a norma Euclidiana pode ser escrita da seguinte forma | x |
2
=
_
x, x ),
onde , ) e o produto interno usual do IR
n
. A norma energia | |
A
sera utilizada na
analise de convergencia do Metodo dos Gradientes Conjugados.
E facil mostrar que as aplica coes | |
e | |
1
satisfazem as propriedades de norma
vetorial, utilizando simplesmente as propriedades dos n umeros reais. Para mostrar que a
aplica cao | |
2
satisfaz a propriedade da desigualdade triangular, vamos necessitar do
seguinte resultado.
Teorema 2.16 (Desigualdade de Cauchy-Schwarz) Seja V um espa co vetorial sobre
o corpo IF (IR ou C) e , ) um produto interno denido em V . Entao, para todo
u , v V temse que
[ u, v )[
2
u, u ) v , v )
alem disso, vale a igualdade se, e somente se, u e v s ao linearmente dependentes.
Demonstracao No caso em que os elementos u e v sao linearmente dependentes, a
igualdade e obtida trivialmente. Vamos considerar u e v linearmente independentes, isto
e, u + v ,= 0 para todo IF. Desse modo, temos que
0 < u + v , u + v ) = u, u) + u, v ) + v , u ) + [[
2
v , v )
= u, u) + u, v ) + v , u ) + [[
2
v , v )
Para o caso complexo, vamos escrever v , u ) C da seguinte forma
v , u ) = exp(i ) [ v , u)[ ; [0, 2)
Assim, temos que
v , u ) = u, v ) = exp(i ) [ v , u )[
u, u) + 2Re( exp(i ) ) [ u, v )[ + [[
2
v , v ) > 0
Chamando = exp(i ) C , note que [[
2
= [[
2
, e observando que [Re( )[ [[,
encontramos
u, u ) + 2 [[ [ u, v )[ + [[
2
v , v ) > 0
Podemos concluir que a fun cao quadratica acima em [[ nao possui razes reais. Desse
modo, temos que
4 [ u, v )[
2
4 u, u ) v , v ) < 0
Captulo 2.

Denicao 2.16 (Bola Unitaria) Considere o espa co vetorial real IR
n
e | |
uma
norma vetorial em IR
n
. O subconjunto do IR
n
denido por
B = x IR
n
/ | x |
= 1
e denominado bola unitaria em IR
n
com rela cao à norma vetorial | |
.
Exemplo 2.5 Fa ca a representa cao graca das bolas unitarias em IR
2
com rela cao às
normas vetoriais | |
1
, | |
e | |
2
.
Denicao 2.17 (Normas Equivalentes) Considere o espa co vetorial real IR
n
. Dizemos
que as normas vetoriais | |
e | |
em IR
n
s ao equivalentes se existem constantes
positivas m e M tais que
m| x |
| x |
M| x |
para todo x IR
n
Exemplo 2.6 Mostre que para todo x IR
n
tem-se que
(a) | x |
2
| x |
1

n | x |
2
(b) | x |
| x |
2

n | x |
(c) | x |
| x |
1
n | x |

Denicao 2.18 (Norma Matricial) Considere o espa co vetorial IM
n
(IF) sobre o corpo
IF . Uma Norma Matricial Consistente em IM
n
(IF), e uma aplica cao [[[ [[[ que para cada
matriz A associa o escalar [[[ A[[[ IR, com as seguintes propriedades
1. [[[ A[[[ > 0 com [[[ A[[[ = 0 A = 0 (Positividade)
2. [[[ A[[[ = [[ [[[ A[[[ para todo IF (Homogeneidade Absoluta)
3. [[[ A + B[[[ [[[ A[[[ + [[[ B[[[ (Desigualdade Triangular)
4. [[[ A B[[[ [[[ A[[[ [[[ B[[[ (Consistencia)
Teorema 2.17 (Norma de Frobenius) Considere o espa co vetorial IM
n
(IF) sobre o
corpo IF e a aplica cao [[[ [[[
F
denida sobre IM
n
(IF) da seguinte forma
[[[ A[[[
F
=
_
n
i=1
n
j=1
[a
ij
[
2
_
1/2
dene uma norma matricial consistente em IM
n
(IF), denominada de norma de Frobenius.
Demonstracao Note que, as propriedades 13 sao satisfeitas, pois a norma de Frobenius
pode ser vista como a norma vetorial Euclidiana. Vamos mostrar a propriedade de con-
sistencia, que sera obtida pela aplica cao da desigualdade de CauchySchwarz. Denimos a
matriz C = AB , assim temse que
[[[ AB[[[
2
F
= [[[ C [[[
2
F
=
n
i=1
n
j=1
[c
ij
[
2
=
n
i=1
n
j=1
k=1
a
ik
b
kj
2
Aplicando a desigualdade de CauchySchwarz na expressao [ [
2
, obtemos
[[[ AB[[[
2
F

n
i=1
n
j=1
_
n
k=1
[a
ik
[
2
n
k=1
[b
kj
[
2
_
=
_
n
i=1
n
k=1
[a
ik
[
2
_ _
n
j=1
n
k=1
[b
kj
[
2
_
Portanto, encontramos [[[ AB[[[
2
F
[[[ A[[[
2
F
[[[ B[[[
2
F
, o que completa a demonstra cao.
Captulo 2.

Denicao 2.19 (Traco de uma Matriz) Seja A IM
n
(IR), denimos o tra co da matriz
A, que denotamos por tr(A), da seguinte forma
tr(A) =
n
i=1
a
ii
Exemplo 2.7 Mostre que a aplica cao tra co e uma aplica cao linear de IM
n
(IR) em IR.
Podemos mostrar que a norma de Frobenius pode ser escrita da seguinte forma:
[[[ A[[[
F
=
_
tr(A
t
A) =
_
tr(A A
t
) . (2.4)
Teorema 2.18 Sejam A IM
n
(IR) e Q
1
, Q
2
IM
n
(IR) matrizes ortogonais. Entao,
[[[ A[[[
F
= [[[ Q
1
AQ
2
[[[
F
,
isto e, a norma de Frobenius e invariante por transforma c oes ortogonais.
Demonstracao O resultado e imediato utilizando a norma de Frobenius escrita em fun cao
do tra co da matriz A, como em (2.4).
n
(IR) simetrica com autovalores
1
, ,
n
. Entao,
[[[ A[[[
F
=
_
n
i=1
2
i
Demonstracao Como A e simetrica, pelo Teorema 2.13 da se cao 2.2, sabemos que existe
uma matriz = diag(
1
, . . . ,
n
) diagonal e uma matriz ortogonal Q tais que
A = QQ
t
. Desse modo, o resultado e obtido utilizando o Teorema 2.18 da se cao 2.5.
Denicao 2.20 Considere o espa co vetorial IM
n
(IF) sobre o corpo IF e | |
uma
norma vetorial em IF
n
. Denimos uma aplica cao [[[ [[[
sobre IM
n
(IF) da seguinte
forma
[[[ A[[[
= max
_
| Ax |
| x |
; x ,= 0
IR
n
_
ou de modo analogo
[[[ A[[[
= max | Ax |
; | x |
= 1
Teorema 2.20 Sejam a norma | |
em IR
n
e a aplica cao [[[ [[[
em IM
n
(IR). Entao,
vale a seguinte desigualdade
| Ax |
[[[ A[[[
| x |
.
Demonstracao Para x = 0
IR
n a igualdade e trivialmente satisfeita. Para x ,= 0
IR
n ,
temse que
| Ax |
| x |
max
_
| Az |
| z |
; z ,= 0
IR
n
_
= [[[ A[[[
Portanto, obtemos | Ax |
[[[ A[[[
| x |
para x IR
n
nao nulo.
Teorema 2.21 A aplica cao [[[ [[[
satisfaz as propriedades de norma matricial consistente

1. [[[ A[[[
> 0
2. [[[ A[[[
= [[ [[[ A[[[
3. [[[ A + B[[[
[[[ A[[[
+ [[[ B[[[
4. [[[ A B[[[
[[[ A[[[
[[[ B[[[
Demonstracao Note que, as propriedades 13 sao obtidas pelas propriedades 13 de

norma vetorial, respectivamente. A propriedade 4 e obtida pelo resultado do Teorema 2.20.
De fato,
| AB x|
[[[ A[[[
| B x|
[[[ A[[[
[[[ B[[[
| x |
para todo x IR
n
nao nulo. Desse modo, temos que
[[[ AB[[[
= max
_
| AB x|
| x |
; | x |
,= 0
IR
n
_
[[[ A[[[
[[[ B[[[

Exemplo 2.8 Considere a matriz
A =
_
1 2
0 2
_
Fa ca a representa cao graca das imagens das bolas unitarias em IR
2
, com rela cao às normas
vetoriais | |
e | |
1
, pela transforma cao linear T
A
: IR
2
IR
2
denida pela matriz
A. Determine [[[ A[[[
e [[[ A[[[
1
utilizando a representa cao graca obtida anteriormente.
Captulo 2.

Teorema 2.22 A norma matricial
[[[ A[[[
1
= max
_
n
i=1
[a
ij
[ ; j = 1, n
_
e induzida (subordinada) pela norma vetorial | |
1
.
Demonstracao Para todo x IR
n
nao nulo, temos que
| Ax |
1
=
n
i=1
j=1
a
ij
x
j
i=1
n
j=1
[a
ij
[ [x
j
[ =
n
j=1
n
i=1
[a
ij
[ [x
j
[
j=1
_
max
1kn
_
n
i=1
[a
ik
[
_ _
[x
j
[ =
_
max
1kn
_
n
i=1
[a
ik
[
_ _
| x |
1
Assim, mostramos que
| Ax |
1
| x |
1
max
1jn
_
n
i=1
[a
ij
[
_
Para obtermos o resultado desejado, temos que exibir um elemento x IR
n
nao nulo que
realiza a igualdade, isto e,
| Ax |
1
| x |
1
= max
1jn
_
n
i=1
[a
ij
[
_
Vamos supor que o maximo seja atingido na kesima coluna de A. Assim, basta tomar
x = e
k
, onde e
k
e o kesimo elemento da base canonica do IR
n
.
Teorema 2.23 A norma matricial
[[[ A[[[
= max
_
n
j=1
[a
ij
[ ; i = 1, n
_
e induzida (subordinada) pela norma vetorial | |
.
Demonstracao Para todo x IR
n
nao nulo, temos que
| Ax |
= max
1in
_
j=1
a
ij
x
j
_
max
1in
_
n
j=1
[a
ij
[ [x
j
[
_
max
1in
_
n
j=1
[a
ij
[
_
| x |
Assim, mostramos que

| Ax |
| x |
max
1in
_
n
j=1
[a
ij
[
_
Para obtermos o resultado desejado, temos que exibir um elemento x IR
n
nao nulo que
realiza a igualdade, isto e,
| Ax |
| x |
= max
1in
_
n
j=1
[a
ij
[
_
Vamos supor que o maximo seja atingido na kesima linha da matriz A. Tomando x da
seguinte forma
x
j
=
_
_
1 se a
kj
0
1 se a
kj
< 0
para j = 1, . . . , n
temos que
n
j=1
a
kj
x
j
=
n
j=1
[a
kj
[ = | Ax |
pois | x |
= 1, O que completa a demonstra cao.

Captulo 2.

Teorema 2.24 Sejam A IM
n
(IR) e Q
1
, Q
2
IM
n
(IR) matrizes ortogonais. Entao,
[[[ A[[[
2
= [[[ Q
1
AQ
2
[[[
2
,
isto e, a norma [[[ [[[
2
e invariante por transforma coes ortogonais.
Demonstracao A prova segue da deni cao de norma matricial induzida e do fato que a
norma Euclidiana em IR
n
e invariante por transforma cao ortogonal.
n
(IR) simetrica com autovalores
1
, ,
n
. Entao,
[[[ A[[[
2
=
max
= max [
j
[ ; j = 1 , , n
Demonstracao Como A e simetrica, pelo Teorema 2.13 da se cao 2.2, sabemos que existe
uma matriz = diag(
1
, . . . ,
n
) diagonal e uma matriz ortogonal Q tais que
A = QQ
t
. Fazendo uso da deni cao de norma induzida, temos que
[[[ A[[[
2
= max | Ax |
2
; | x |
2
= 1 = max | (QQ
t
) x |
2
; | x |
2
= 1
Chamando Q
t
x = y e usando o fato que | y |
2
= | x |
2
= 1, pois a norma Euclidiana e
invariante por transforma cao ortogonal, temos que
[[[ A[[[
2
= max | Q(y) |
2
; | y |
2
= 1 = max | y |
2
; | y |
2
= 1
Note que
| y |
2
2
=
n
j=1
2
j
y
2
j

2
max
Para obtermos o resultado desejado temos que exibir um elemento y que realiza a igualdade.
Para isso, vamos supor de
max
= [
k
[ para algum k, com 1 k n. Desse modo,
basta tomar y = e
k
, onde e
k
n
, o que
completa a demonstra cao.
n
(IR). Entao, [[[ A[[[
2
=
_
[[[ A
t
A[[[
2
.
Demonstracao Vamos usar a deni cao da norma matricial [[[ [[[
2
como ponto de partida
[[[ A[[[
2
= max | Ax |
2
; | x |
2
= 1
Para simplicar a analise vamos denir uma fun cao auxiliar g(x) = | Ax |
2
2
, que pode
ser escrita tambem como g(x) = Ax , Ax ) = A
t
Ax , x ). Desse modo, temos que
encontrar o ponto de maximo da fun cao g na bola unitaria e seu respectivo valor.
Temos que a matriz C = A
t
A e simetrica. Assim, sabemos que C = QQ
t
, onde
= diag(
1
, . . . ,
n
) uma matriz diagonal e Q = [q
1
. . . q
n
] uma matriz ortogonal, com
(
j
, q
j
) um autopar da matriz C.
Como a matriz C pode ser semipositivadenida, temos que seus autovalores sao todos nao
negativos. Assim, podemos ordenalos da seguinte forma:
0
min
=
1
< . . . <
n
=
max
.
Desse modo, podemos escrever a fun cao g da seguinte forma:
g(x) = A
t
Ax , x ) = x
t
C x = ( Q
t
x)
t
( Q
t
x)
Fazendo a mudan ca de variavel y = Q
t
x , obtemos
g(x(y)) = y
t
y =
n
j=1
j
y
2
j

max
n
j=1
y
2
j
=
max
| y |
2
2
=
max
Note que | y |
2
2
= | Q
t
x|
2
2
= | x |
2
2
= 1.
Portanto, a fun cao g tem seu ponto de maximo em x = q
n
, que corresponde a y = e
n
,
que e o nesimo vetor da base canonica do IR
n
e assume o valor maximo g(v
n
) =
max
.
Agora voltando ao problema inicial, temos
[[[ A[[[
2
= max | Ax |
2
; | x |
2
= 1
= max
_
g(x) ; | x |
2
= 1
=
max
=
_
[[[ C [[[
2
pelo Teorema 2.25 da se cao 2.5, o que completa a demonstra c ao.
Captulo 2.

Denicao 2.21 (N umero de Condicao) Seja A IM
n
(IR) n ao singular. Denimos o
n umero de condi cao da matriz com rela cao a norma matricial [[[ [[[
da seguinte forma
/
(A) = [[[ A[[[
[[[ A
1
[[[
Podemos mostrar que para toda norma matricial induzida [[[ [[[
temse que [[[ I [[[
= 1
e que /
(A) 1.
n
(IR) simetrica n ao singular, com autovalores
1
, ,
n
.
Entao,
/
2
(A) =

max
min
onde
min
= min [
j
[ ; j = 1 , , n
max
= max [
j
[ ; j = 1 , , n
Demonstracao A prova segue do fato de que se e um autovalor de A, entao
1
e um
autovalor de A
1
, pois A e nao singular, e do Teorema 2.25.
Exemplo 2.9 Calcular o n umero de condi cao /
2
(A) da seguinte matriz simetrica
A =
_
4 2
2 4
_
A matriz A e positivadenida ?
Exemplo 2.10 Seja uma constante positiva muito pequena, e considere a matriz
A =
_
0
0
_
Calcular /
2
(A) e det(A). O que podemos concluir ?
2.6 Analise de Sensibilidade para Sistemas Lineares
Nesta se cao vamos apresentar alguns resultados de como o n umero de condi cao da matriz do
sistema linear afeta sua solu cao, com rela cao a uma perturba cao tanto na matriz quanto no
vetor do lado direito. Estas perturba coes podem ter varias origens. Mostraremos que a pior
situa cao depende da dire cao do vetor do lado direito e da dire cao do vetor que fornece a per-
turba cao do lado direito, por exemplo. Faremos tambem uma analise para o caso particular
de uma matriz simetrica e positivadenida, pois ca bem simples encontrar as dire coes que
irao causar a maior perturba cao na solu cao do sistema linear.
Seja A IM
n
(IR) uma matriz nao singular e b IR
n
um vetor nao nulo. Consideremos o
Sistema Linear: encontrar x
IR
n
solu cao da equa cao
Ax = b (2.5)
Como A e nao singular, tem-se que x
= A
1
b e a solu cao exata do sistema linear (2.5).
Vamos considerar que a perturba cao do sistema (2.5) seja dada no vetor b. Assim, temos
o seguinte Sistema Linear Perturbado: encontrar x IR
n
A(x + x) = b + b (2.6)
onde b IR
n
e a perturba cao. Temse que x = x
+ x
e a solu cao do sistema

perturbado (2.6), onde x
e a solu cao do sistema linear

A(x) = b (2.7)
isto e, x
= A
1
(b) e que vai fornecer a perturba cao da solu cao do sistema linear (2.5)
em fun cao da perturba cao b do vetor b.
Seja | | uma norma vetorial em IR
n
e [[[ [[[ a norma matricial em IM
n
(IR), induzida
pela norma vetorial. Desse modo, temos que
| x
| = | A
1
(b) | [[[ A
1
[[[ | b | (2.8)
Com uma simples manipula cao em (2.8) obtemos
| x
|
| x
[[[ A
1
[[[ [[[ A[[[ | b |
[[[ A[[[ | x
|
(2.9)
Como x
e a solu cao do sistema linear (2.5), temos que

| b | = | Ax
| [[[ A[[[ | x
| (2.10)
Captulo 2.

Substituindo (2.10) em (2.9) e utilizando a deni cao do n umero de condicao da matriz
A, que e dado por
/(A) = [[[ A[[[ [[[ A
1
[[[
obtemos
| x
|
| x
|
/(A)
| b |
| b |
(2.11)
Assim temos um majorante para o erro relativo da solu cao do sistema linear (2.5)
quando consideramos uma perturba cao no vetor b.
2.6.1 Direcoes de Maximo Erro Relativo
Vamos analisar a possibilidade de encontrarmos uma dire cao para o vetor b IR
n
e uma
dire cao para o vetor de perturba cao b IR
n
de modo que tenhamos a igualdade em (2.11)
| x
|
| x
|
= /(A)
| b |
| b |
(2.12)
Nestas condi coes, podemos concluir que, se /(A) for muito grande, uma pequena per-
turba cao no vetor b vai signicar um grande erro relativo na solu cao do sistema linear (2.5).
Para facilitar a analise e possibilitar uma visualiza cao geometrica do n umero de condi cao,
vamos introduzir as seguintes deni coes:
Denicao 2.22 (Maxima Ampliacao) Para A IM
n
(IR) , denimos
maxmag(A) = max
_
| Ax |
| x |
; x IR
n
n ao nulo
_
= [[[ A[[[
e a maxima amplia cao dada pela matriz A e o vetor x IR
n
que satisfaz
maxmag(A) =
| Ax |
| x |
= [[[ A[[[
a dire cao de maxima amplia cao dada pela matriz A.
Denicao 2.23 (Mnima Ampliacao) Para A IM
n
(IR) , denimos
minmag(A) = min
_
| Ax |
| x |
; x IR
n
n ao nulo
_
e a mnima amplia cao dada pela matriz A e o vetor x IR
n
que satisfaz
minmag(A) =
| Ax |
| x |
a dire cao de mnima amplia cao dada pela matriz A.
Proposicao 2.1 Seja A IM
n
(IR) n ao singular. Entao,
1. maxmag(A) =
1
minmag(A
1
)
2. maxmag(A
1
) =
1
minmag(A)
3. /(A) =
maxmag(A)
minmag(A)
Voltando ao problema da analise de sensibilidade do sistema linear. Vamos procurar uma
dire cao para o vetor b e uma dire cao para o vetor b de modo que tenhamos a igualdade
em (2.12). Da equa cao (2.7), tem-se que
| x
| = | A
1
(b) |
Vamos analisar a maxima amplia cao dada pela matriz A
1
, isto e,
[[[ A
1
[[[ = max
_
| A
1
z |
| z |
; z IR
n
nao nulo
_
=
| A
1
z |
| z |
(2.13)
Portanto, z e a dire cao que realiza a maxima amplia cao dada pela matriz A
1
.
Desse modo, escolhendo o vetor de perturba cao b = z, obtemos
| x
| = | A
1
(b) | = [[[ A
1
[[[ | b | (2.14)
Analisando agora a maxima amplia cao dada pela matriz A, isto e,
[[[ A[[[ = max
_
| Aw|
| w|
; w IR
n
nao nulo
_
=
| Aw|
| w|
(2.15)
Portanto, w e a dire cao que realiza a maxima amplia cao dada pela matriz A.
Escolhendo o vetor b, nao nulo, de modo que a solu cao x
do sistema linear (2.5) esteja

na dire cao de maxima amplia cao dada pela matriz A. Assim, obtemos
| b | = | Ax
| = [[[ A[[[ | x
| = | x
| =
| b |
[[[ A[[[
(2.16)
Captulo 2.

Portanto, das equa coes (2.14) e (2.16), temos a igualdade procurada
| x
|
| x
|
= /(A)
| b |
| b |
(2.17)
A seguir, enunciamos uma proposi cao, onde a matriz do sistema linear e simetrica e positiva
denida, que mostra as dire coes que levam a igualdade (2.17). Esse resultado sera muito
interessante para a analise de sensibilidade dos sistemas lineares provenientes de discretiza coes
de problemas de valores de contorno.
Proposicao 2.2 Considere o sistema linear (2.5) e o sistema linear perturbado (2.6) no
caso em que A IM
n
(IR) seja simetrica e positivadenida. Entao, a igualdade (2.12) e
obtida para a norma2 quando o vetor b = v
n
n ao nulo, com v
n
o autovetor associado
ao autovalor
n
de maior valor, e o vetor de perturba cao b = v
1
, com v
1
o autovetor
associado ao autovalor
1
de menor valor.
Demonstracao Como A e uma matriz simetrica e positivadenida, seus autovalores s ao
todos positivos. Vamos representa-los da seguinte forma:
1

2

n
. E sejam
v
1
, v
2
, , v
n
os autovetores associados.
Da equa cao (2.7), temos que
| x
|
2
= | A
1
(b) |
2
(2.18)
Sabemos que
maxmag(A
1
) = max
_
| A
1
z |
2
| z |
2
; z IR
n
nao nulo
_
= [[[ A
1
[[[
2
=
1
1
(2.19)
Portanto, z = v
1
e a dire cao que realiza a maxima amplia cao dada pela matriz A
1
.
Desse modo, considerando b = v
1
temos que
| x
|
2
= [[[ A
1
[[[
2
| b |
2
=
| b |
2
1
(2.20)
Note que, a equa cao (2.20) esta dizendo que o erro da solu cao do sistema linear e ampliado
pelo maior autovalor da matriz A
1
. Da equa cao (2.5), temos que
| Ax
|
2
= | b |
2
(2.21)
Sabemos tambem que
maxmag(A) = max
_
| Az |
2
| z |
2
; z IR
n
nao nulo
_
= [[[ A[[[
2
=
n
(2.22)
Portanto, z = v
n
e a dire cao que realiza a maxima amplia cao dada pela matriz A. Desse
modo, escolhendo b = v
n
nao nulo, temos que x
esta na dire cao de maxima amplia cao

da matriz A. Assim, obtemos
| x
|
2
=
| Ax
|
2
[[[ A[[[
2
=
| b |
2
n
(2.23)
Das equa coes (2.20) e (2.23) temos que
| x
|
2
| x
|
2
= /
2
(A)
| b |
2
| b |
2
(2.24)
Como a matriz A e simetrica e positivadenida, de (2.19) e (2.22), temos que o n umero
de condi cao da matriz A com rela cao à norma matricial [[[ [[[
2
e dado por
/
2
(A) =

n
1
(2.25)
Desse modo, a igualdade (2.24) e um caso extremo do seguinte resultado:
n
(IR) simetrica e positivadenida e b IR
n
. Entao, a
solu cao do sistema linear Ax = b , x
= A
1
b e a solu cao do sistema linear perturbado
x
= A
1
b satisfazem as seguintes rela coes
| x
|
2

| b |
2
n
e | x
|
2

| b |
2
1
(2.26)
e o erro relativo e limitado por
| x
|
2
| x
|
2
1
| b |
2
| b |
2
= K
2
(A)
| b |
2
| b |
2
(2.27)
n
(IR) simetrica e n ao singular. Considere o sistema linear
Ax = b e o sistema linear perturbado A(x + x) = b + b. Entao,
| x
|
2
| x
|
2
= /
2
(A)
| b |
2
| b |
2
(2.28)
quando o vetor b = v
n
n ao nulo, com v
n
o autovetor associado ao autovalor
n
de
maior valor em modulo, e o vetor de perturba cao b = v
1
, com v
1
o autovetor associado
ao autovalor
1
de menor valor em modulo.
Captulo 2.

Exemplo 2.11 Dada a matriz A IM
3
(IR) simetrica e positiva-denida
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
Pedese:
calcule [[[ A[[[
2
e [[[ A
1
[[[
2
atraves de seus autovalores.
Determine as dire coes para os vetores b e b em IR
3
de modo que o erro relativo
da solu cao do sistema linear Ax = b seja o maior possvel, isto e,
| x
x |
2
| x
|
2
=

max
min
| b |
2
| b |
2
(2.29)
onde x = x
+ x
e a solu cao do sistema linear perturbado

A(x + x) = b + b
Exemplo 2.12 Considere o sistema linear Ax = b onde
A =
_
1.00 0.99
0.99 0.98
_
e b =
_
1.99
1.97
_
(2.30)
que tem como solu cao
x
=
_
1.0
1.0
_
.
Pedese:
(a) Calcule /
2
(A)
(b) Encontre a solu cao x = x
+ x
do sistema linear perturbado

A(x + x) = b + b (2.31)
considerando uma perturba cao do vetor b dada por
b =
_
9.7 10
8
1.06 10
7
_
(2.32)
(c) Compare as grandezas
| x
|
2
| x
|
2
e /
2
(A)
| b |
2
| b |
2
(2.33)
Calcule o angulo entre o vetor b e o autovetor v
2
2
de
maior valor em modulo.
1
1
de
menor valor em modulo.
O que podemos concluir ?
Captulo 2.

Os autovalores da matriz A sao
1
= 5.050376 10
5
e
2
= 1.980051. Logo, a
matriz A nao e positivadenida. Como A e simetrica e nao singular, temos que
/
2
(A) =

max
min
= 3.920601 10
4
(2.34)
indicando que A e uma matriz malcondicionada.
Note que, a solu cao exata do sistema linear e
x
=
_
1
1
_
.
Assim, basta resolver o sistema linear A(x) = b para obtermos x
.
Encontramos
x
=
_
2.0
2.02030
_
10
3
e x =
_
1.0020
0.99797970)
_
.
| x
|
2
| x
|
2
= 2.010176 10
3
e /
2
(A)
| b |
2
| b |
2
= 2.011751 10
3
(2.35)
Calculando o angulo entre os vetores b e v
2
, obtemos
cos(
1
) =
b , v
2
)
| b |
2
| v
2
|
2
= 3.1415925 =
1
= 180.000
o
(2.36)
Calculando o angulo entre os vetores b e v
1
, obtemos
cos(
2
) =
b , v
1
)
| b |
2
| v
1
|
2
= 3.1023370 =
2
= 177.751
o
(2.37)
Analisando os resultados apresentados em (2.35)(2.37), podemos concluir que estamos muito
proximos da pior situa cao.
Considerando o sistema A
1
b = x e o sistema perturbado A
1
(b + b) = (x + x),
obtemos a seguinte desigualdade
1
/(A)
| b |
| b |
| x
|
| x
|
(2.38)
Desse modo, temos as seguintes desigualdades
1
/(A)
| b |
| b |
| x
|
| x
|
/(A)
| b |
| b |
(2.39)
Fixamos uma matriz A e um vetor b, ambos aleatorios. Consideramos varios erros relativos
do vetor b, tambem aleatorios. Na Figura (2.1) temos uma ilustra cao para as desigualdades
apresentadas em (2.39). Construmos o sistema linear (2.5) escolhendo o vetor b de modo
que a solu cao exata seja
x
=
_
_
1
.
.
.
1
.
.
.
1
_
_
IR
n
.
Nesta simula cao temos /
2
(A) = 80.9018.
Captulo 2.

10
12.8
10
12.6
10
12.4
10
12.2
10
15
10
14
10
13
10
12
10
11
10
10
Figura 2.1: Ilustra cao das desigualdades denidas em (2.39). Consideramos uma matriz
aleatoria A, de dimensao n = 8, e varios erros relativos b do vetor b, tambem aleatorios.
Neste caso, temos que /
2
(A) = 80.9018.
Exemplo 2.13 Analisar a possibilidade de encontrar uma dire cao para o vetor b IR
n
e
uma dire cao para a perturba cao b IR
n
de modo que tenhamos a igualdade em (2.38)
| x
|
| x
|
=
1
/(A)
| b |
| b |
(2.40)
Nesta situa cao teremos o mnimo erro relativo na solu cao do sistema linear (2.5), decorrente
da perturba cao b.
Exemplo 2.14 Considere o sistema linear Ax = b onde
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
e b =
_
_
0.5858
0.8284
0.5858
_
_
(2.41)
que tem como solu cao
x
=
_
_
1.0
1.4142
1.0
_
_
.
Pedese:
(a) Calcule /
2
(A).
(b) Encontre a solu cao x = x
+ x
do sistema linear perturbado

A(x + x) = b + b (2.42)
considerando uma perturba cao do vetor b dada por
b =
_
_
0.1250 10
6
0.1768 10
6
0.1250 10
6
_
_
(2.43)
(c) Compare as grandezas
| x
|
2
| x
|
2
,
1
/
2
(A)
| b |
2
| b |
2
e /
2
(A)
| b |
2
| b |
2
(2.44)
1
associado ao menor autovalor
1
.
3
associado ao maior autovalor
3
.
O que podemos concluir ?
Captulo 2.

Vamos considerar que a perturba cao do sistema (2.5) seja dada na matriz A. Assim, temos
o seguinte Sistema Linear Perturbado: encontrar x IR
n
(A + A)(x + x) = b (2.45)
onde A IM
n
(IR) e uma perturba cao da matriz A, de modo que A + A seja nao
singular. Vamos denotar por x = x
+ x
a solu cao do sistema linear perturbado (2.25).

x
+ x
= (A + A)
1
b (2.46)
Logo, x
e obtido da seguinte forma

x
= ( (A + A)
1
A
1
) b (2.47)
Chamando B = A + A, temos a seguinte identidade
B
1
A
1
= A
1
(A B) B
1
(2.48)
Substituindo (2.48) em (2.47) e utilizando (2.46), obtemos
x
= A
1
A(A + A)
1
b = A
1
A(x
+ x
) (2.49)
Tomando a norma de ambos os membros de (2.49), temse que
| x
| [[[ A
1
[[[ [[[ A[[[ | x
+ x
| (2.50)
Finalmente, obtemos
| x
|
| x
+ x
|
/(A)
[[[ A[[[
[[[ A[[[
(2.51)
De forma analoga, podemos mostrar que
1
/(A)
[[[ A[[[
[[[ A[[[
| x
|
| x
+ x
|
(2.52)
Das desigualdades (2.51) e (2.52), obtemos
1
/(A)
[[[ A[[[
[[[ A[[[
| x
|
| x
+ x
|
/(A)
[[[ A[[[
[[[ A[[[
(2.53)
Fixamos uma matriz A e um vetor b, ambos aleatorios. Consideramos varios erros relativos
da matriz A, tambem aleatorios. Na Figura (2.2) temos uma ilustra cao para as desigualdades
(2.53). Construmos o sistema linear (2.5) escolhendo o vetor b de modo que a solu cao exata
seja
x
=
_
_
1
.
.
.
1
.
.
.
1
_
_
IR
n
.
10
13
10
12
10
11
10
15
10
14
10
13
10
12
10
11
10
10
10
9
Figura 2.2: Ilustra cao das desigualdades denidas em (2.53). Consideramos uma matriz
aleatoria A, de dimensao n = 10, e varios erros relativos A da matriz A, tambem
aleatorios. Neste caso, temos que /
2
(A) = 80.5347.
Captulo 2.

2.6.2 Perturbacoes na Forma Parametrica
Vamos apresentar uma nova forma para a Analise de Sensibilidade de Sistemas Lineares,
onde a perturba cao e dada tanto na matriz A quanto no vetor b de maneira parametrica.
Consideramos que a perturba cao no sistema linear (2.5) seja dada na matriz A e no vetor
b de forma parametrica. Assim, temos o seguinte Sistema Linear Perturbado: encontrar
x() IR
n
(A + F)x() = b + f ; IR (2.54)
onde F IM
n
(IR), f IR
n
sao xas, porem arbitrarias, e x(0) = x
.
Como a matriz A e nao singular, temos que x() e uma fun cao diferenciavel em uma
vizinhan ca de = 0.
Derivando a equa cao (2.54) com rela cao ao parametro , obtemos
Fx() + (A + F)
dx
d
() = f ; IR (2.55)
Derivando a equa cao (2.55) com rela cao ao parametro , obtemos
2 F
dx
d
() + (A + F)
d
2
x
d
2
() = 0 ; IR (2.56)
Fazendo = 0 na equa cao (2.55) e na equa cao (2.56), obtemos
d x
d
(0) = A
1
(f Fx
)
d
2
x
d
2
(0) = 2 (A
1
F)
d x
d
(0)
(2.57)
Consideramos agora a Formula de Taylor da fun cao x() numa vizinhan ca de = 0
x() = x
+
d x
d
(0) + O(
2
)
x() = x
+ A
1
(f Fx
) + O(
2
)
(2.58)
Tomando a norma de ambos os membros de (2.58), temse que
| x() x
| [[[ A
1
[[[ | F | | x
| + | f | + O(
2
)
| x() x
|
| x
|
[[[ A
1
[[[
_
| F | +
| f |
| x
|
_
+ O(
2
)
(2.59)
Como x
e a solu cao exata do sistema linear (2.5), temos que

| x
|
| b |
[[[ A[[[
(2.60)
Utilizando a desigualdade (2.60) na desigualdade (2.59), obtemos
| x() x
|
| x
|
[[[ A[[[ [[[ A
1
[[[
_
| F |
[[[ A[[[
+
| f |
| b |
_
+ O(
2
) (2.61)
Utilizando a deni cao do n umero de condi cao da matriz A, em rela cao à norma matricial
[[[ [[[ , que e dado por
/(A) = [[[ A[[[ [[[ A
1
[[[ (2.62)
obtemos
| x() x
|
| x
|
/(A)
_
| F |
[[[ A[[[
+
| f |
| b |
_
+ O(
2
) (2.63)
Na desigualdade (2.63), temos que
A
=
| F |
[[[ A[[[
; IR
b
=
| f |
| b |
; IR
(2.64)
representam o erro relativo na matriz A e o erro relativo no vetor b, respectivamente.
Portanto, o erro relativo na solu cao do sistema sistema linear (2.5) e proporcional ao erro
relativo (
A
+
b
), onde /(A) e o fator de proporcionalidade. Neste sentido, o n umero
de condi cao /(A) quantica a sensibilidade do problema Ax = b.
Captulo 2.

Vamos apresentar atraves de exemplos uma compara cao entre o n umero de condi cao de e o
valor do determinante, de uma matriz nao singular.
Considere a matriz B IM
n
(IR) triangular inferior denida da seguinte forma
B =
_
_
1 0 0 0
1 1 0 0
1 1 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 1 1
_
_
(2.65)
Temos que det(B) = 1 para todo n. Entretanto, /
1
(B) = n2
n1
o que torna a matriz
malcondicionada quando n cresce.
Exemplo 2.15 Fa ca a constru cao da matriz B
1
mostrando que e dada por
B
1
=
_
_
1 0 0 0
1 1 0 0
2 1 1 0
4 2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
n2
2
n3
1 1
_
_
(2.66)
e que [[[ B
1
[[[
1
= 2
n1
.
Por outro lado, podemos dar exemplo de uma matriz que e bemcondicionada com deter-
minante muito pequeno. De fato, considere a matriz diagonal D IM
n
(IR) denida da
seguinte forma
D = diag(10
1
, , 10
1
, , 10
1
) (2.67)
Temos que det(D) = 10
n
, que e muito pequeno quando n cresce. Entretanto, temos que
/
(D) = 1, que e o n umero de condi cao em rela cao à norma matricial [[[ [[[
induzida
pela norma vetorial | |
.
Portanto, a sensibilidade do problema Ax = b nao esta relacionada com o det(A), mas
especicamente com o n umero de condi cao da matriz do sistema linear.
2.7 Armazenamento de Matrizes Esparsas
Vamos apresentar dois esquemas para armazenamento de matrizes esparsas que geralmente
sao utilizados para a implementa cao computacional dos metodos da famlia dos gradientes
conjugados, assim como nos pacotes computacionais de fatora cao LU. Por simplicidade,
consideramos o seguinte exemplo de matriz esparsa
A =
_
_
1.0 0.0 0.0 1.0 0.0
2.0 0.0 2.0 0.0 3.0
0.0 3.0 0.0 0.0 0.0
0.0 4.0 0.0 4.0 0.0
5.0 0.0 5.0 0.0 6.0
_
_
para em seguida descrever os dois esquemas de armazenamento.
2.7.1 Esquema de Coordenadas
Vamos denotar por (ilin(k),jcol(k)) a posi cao do k-esimo elemento nao nulo e por A(k)
o valor do k-esimo elemento nao nulo da matriz.
k 1 2 3 4 5 6 7 8 9 10 11
ilin(k) 1 5 2 4 2 1 3 5 4 5 2
jcol(k) 4 5 5 2 1 1 2 3 4 1 3
A(k) -1.0 6.0 3.0 4.0 2.0 1.0 -3.0 -5.0 -4.0 5.0 -2.0
2.7.2 Esquema de Colecao de Vetores Esparsos
Denotamos por irowst(i) o incio da i-esima linha nos vetores jcol e A , por lenrow(i)
o n umero de elementos nao nulos na i-esima linha, por jcol as posi coes das colunas dos
elementos nao nulos e por A o vetor que contem os elementos nao nulos da matriz.
k 1 2 3 4 5 6 7 8 9 10 11
jcol(k) 4 1 5 1 3 4 2 5 1 3 2
A(k) -1.0 1.0 3.0 2.0 -2.0 -4.0 4.0 6.0 5.0 -5.0 -3.0
linha i 1 2 3 4 5
lenrow(i) 2 3 1 2 3
irowst(i) 1 3 11 6 8
Captulo 2.

2.7.3 Produto de Matriz Esparsa por Vetor
A seguir, vamos escrever o algoritmo para o calculo do produto de A IM
n
(IR) por um ve-
tor, isto e, dado x IR
n
vamos calcular y = Ax, para o caso em que a matriz esparsa esta
armazenada pelo Esquema de Coordenadas. Denotamos por nelem o n umero de elementos
nao nulos da matriz.
Algoritmo: Produto de Matriz Esparsa por um Vetor
for i = 1,2, ... , n
y(i) = 0.0
end
for k = 1,2, ... , nelem
y(ilin(k)) = y(ilin(k)) + A(k)*x(jcol(k))
end
Vamos agora escrever o algoritmo para o calculo do produto de A IM
n
(IR) por um vetor,
isto e, dado x IR
n
vamos calcular y = Ax, para o caso em que a matriz esparsa esta
armazenada pelo Esquema de Cole cao de Vetores Esparsos.
Algoritmo: Produto de Matriz Esparsa por um Vetor
for i = 1,2, ... , n
y(i) = 0.0
for j = 1, ... , lenrow(i)
k = irowst(i) + j - 1
y(i) = y(i) + A(k)*x(jcol(k))
end
end
Os algoritmos apresentados, para produto de matriz esparsa por um vetor, sao os mais uti-
lizados na implementa cao computacional dos metodos da famlia dos gradientes conjugados,
por sua simplicidade e eciencia.
2.8 Exerccios
Exerccio 2.1 Sejam a
1
, , a
n
reais quaisquer. Mostre que
_
a
1
+ + a
n
n
_
2
( a
2
1
+ + a
2
n
) / n
Exerccio 2.2 Sejam a
1
, , a
n
reais estritamente positivos. Mostre que
( a
1
+ + a
n
)
_
1
a
1
+ +
1
a
n
_
n
2
Exerccio 2.3 Seja A IM
n
(C) . Se v
1
, , v
k
sao autovetores associados aos autova-
lores distintos
1
, ,
k
. Entao, v
1
, , v
k
sao linearmente independentes.
Exerccio 2.4 Seja Q IM
n
(IR) uma matriz ortogonal. Entao, det(Q) = 1.
n
(IR) nao singular e (, v) um autopar de A. Mostre que
_
1
, v
_
e um autopar da matriz A
1
.
Exerccio 2.6 Seja U IM
n
(C) uma matriz unitaria. Entao, [det(U)[ = 1.
Exerccio 2.7 Se e um autovalor de uma matriz unitaria, entao =
1
. De modo
equivalente, = 1 ou [[
2
= 1.
Exerccio 2.8 Seja U IM
n
(C) uma matriz unitaria. Entao, autovetores associados a
autovalores distintos sao ortogonais.
n
(C) Hermitiana. Se A e unitariamente similar a matriz B,
entao B e Hermitiana.
n
(IR) simetrica. Se A e ortogonalmente similar a matriz B,
entao B e simetrica.
n
(C) Hermitiana. Entao, Ax , x ) IR para todo x C
n
.
n
(C) Hermitiana. Entao, seus autovalores sao reais.
Captulo 2.

n
(C) Hermitiana. Entao, autovetores associados a autovalores
distintos sao ortogonais.
n
(IR) simetrica. Entao, seus autovalores sao reais.
n
(IR) simetrica. Entao, autovetores associados a autovalores
distintos sao ortogonais.
n
(IR) positiva-denida. Se B e ortogonalmente similar a A,
entao B e positiva-denida.
n
(IR) positiva-denida. Entao, seus autovalores sao positivos.
Exerccio 2.18 Sejam A, B IM
n
(IR). Mostre que tr(AB) = tr(BA).
Exerccio 2.19 Sejam A, B IM
n
(IR) similares. Mostre que tr(A) = tr(B).
n
(IR). Mostre que o tr(A) e igual à soma de seus autovalores.
n
(IR). Mostre que o det(A) e igual ao produto de seus
autovalores.
Exerccio 2.22 Mostre que a matriz A de ordem n, dada abaixo, e positivadenida.
A =
_
_
d
1
1
1 d
2
1
1 d
3
1
.
.
.
.
.
.
.
.
.
1 d
n1
1
1 d
n
_
_
onde d
i
= ( 2 +
i
h
2
) e
i
> 0 para i = 1, 2, , n , com h =
1
(n + 1)
.
n
(IR) simetrica e positiva-denida e Q IM
n
(IR) ortogonal:
(V) (F) Q
t
AQ e simetrica e positiva-denida
(V) (F) Q
t
AQ tem os mesmos autovalores de A
(V) (F) Q
t
AQ e uma matriz diagonal.
n
(IR) uma matriz estritamente diagonalmente dominante por
linhas e P = D
1
A I , com D a matriz diagonal formada pela diagonal principal da
matriz A. Mostre que [[[ P [[[
< 1.
n
(IR) uma matriz estritamente diagonalmente dominante por
colunas e P = AD
1
I , com D a matriz diagonal formada pela diagonal principal da
matriz A. Mostre que [[[ P [[[
1
< 1.
Exerccio 2.26 Seja Q IM
n
(IR) uma matriz ortogonal. Entao, /
2
(Q) = 1.
Exerccio 2.27 Se U IM
n
(C) e uma matriz unitaria. Entao, /
2
(U) = 1.
n
n
. Se b IR
n
e
uma perturba cao dada no vetor b, mostre que a solu cao x
do sistema linear Ax = b
satisfaz a seguinte rela cao
1
/(A)
| b |
| b |
| x
|
| x
|
Sugestao:
considere o sistema linear A
1
b = x e o sistema linear perturbado A
1
(b+b) = (x+x).
n
n
. Se A IM
n
(IR)
e uma perturba cao dada na matriz A, mostre que a solu cao x
do sistema linear Ax = b
satisfaz a seguinte rela cao
| x
|
| x |
/(A)
[[[ A[[[
[[[ A[[[
onde x = x
+ x
e a solu cao do sistema linear perturbado (A + A) (x + x) = b.

Captulo 2.

mn
(IR) com m n e posto(A) = n, isto e, as colunas de
A formam um conjunto linearmente independente em IR
m
. Mostre que a matriz A
t
A e
simetrica e positivadenida.
mn
(IR) com n m e posto(A) = m, isto e, as linhas de
A formam um conjunto linearmente independente em IR
n
. Mostre que a matriz AA
t
e
simetrica e positivadenida.
Exerccio 2.32 Seja P IM
n
(IR) uma matriz idempotente, isto e, P
2
= P. Mostre que
para qualquer norma matricial consistente [[[ [[[ tem-se que [[[ P [[[ 1.
n
(IR) uma matriz auto-reexiva, isto e, A
2
= I. Mostre que
[[[ A[[[
2
F

n.
Exerccio 2.34 Mostre que para toda matriz A IM
n
(IR) tem-se que [[[ A[[[
2
[[[ A[[[
F
.
n
(IF). Mostre que | Ax |
2
[[[ A[[[
F
| x |
2
.
Exerccio 2.36 Dada a matriz A simetrica e positiva-denida, abaixo, calcular [[[ A[[[
2
e
[[[ A
1
[[[
2
atraves de seus autovalores.
A =
_
2 1
1 2
_
Determine as respectivas dire coes para os vetores b e b de modo que o erro relativo da
solu cao do sistema linear Ax = b seja o maior possvel, isto e,
| x
|
2
| x
|
2
= /
2
(A)
| b |
2
| b |
2
=

max
min
| b |
2
| b |
2
n
(IR) simetrica e positivadenida e C IM
n
(IR) nao
singular. Mostre que a matriz B = C
t
AC e simetrica e positivadenida.
Captulo 3
An alise Numerica de Sistemas
Lineares
3.1 Introducao
Muitos problemas em Analise Numerica sao formulados como sistemas lineares e outros, apos
uma lineariza cao ou uma discretiza cao, sao transformados tambem num problema de sistema
linear. Como exemplo de lineariza cao, podemos mencionar o Metodo de Newton para siste-
mas de equa coes algebricas nao lineares, que, em cada itera cao, temos que obter a solu cao
de um sistema linear. Entre os problemas de valores de contorno, temos varios metodos
de discretiza cao para obtermos uma solu cao numerica, e desse modo, apos a discretiza cao,
temos que resolver um sistema linear. Em cada caso, a matriz do sistema linear tem pro-
priedades especcas, dependendo da formula cao do problema e do metodo de discretiza cao
escolhido. Por exemplo: pode ser simetrica, positivadenida, diagonalmente dominante, etc.
Alem disso, temos que considerar se a matriz e densa, se possui uma estrutura de esparsidade
ou se e simplesmente esparsa, sem uma estrutura bem denida. Dizemos que uma matriz e
esparsa no caso em que possui poucos elementos nao nulos e esses elementos nao estao em
posi coes que seguem uma certa ordem. Matrizes esparsas surgem nos Metodos de Elementos
Finitos ou Volumes Finitos para problemas de valores de contorno bidimensional ou tridi-
mensional. Uma matriz pode ser considerada densa se possui muito poucos elementos nulos.
Matrizes densas estao associadas, por exemplo, ao Metodo dos Quadrados Mnimos. Os ca-
sos mais interessantes sao as matrizes que possuem uma certa estrutura de esparsidade, por
exemplo: tridiagonal, banda, tridiagonal por blocos, etc. Essas estruturas sao freq uentes nos
sistemas lineares provenientes da discretiza cao de problemas de valores de contorno atraves
dos Metodos de Diferen cas Finitas, que sao os metodos que vamos abordar neste texto.
51
Os metodos numericos para sistemas lineares podem ser classicados em dois grupos, a sa-
ber: Metodos Diretos e Metodos Iterativos. Os metodos diretos sao aqueles que, com um
n umero nito de opera coes elementares encontramos a solu cao exata. Claro que nao estamos
considerando os erros de arredondamento da aritmetica de ponto utuante. Como exemplo
de metodos diretos, temos o Metodo de Fatora cao LU e Metodo de Fatora cao de Cholesky.
Vamos tambem apresentar o Metodo dos Gradientes Conjugados, que, computacionalmente,
e tratado como um metodo iterativo, mas mostraremos que na verdade e um metodo direto,
de acordo com a deni cao acima.
Os metodos iterativos sao aqueles que, a partir de uma aproxima cao inicial para a solu cao
do sistema linear, geram uma seq uencia de novas aproxima coes que converge para a solu cao
exata. Assim, a solu cao exata e obtida como o limite da seq uencia gerada pelo metodo itera-
tivo. Fica evidente que nos metodos iterativos temos que encontrar as condi coes nas quais a
seq uencia seja convergente. Note que, os metodos iterativos necessitam de um n umero in-
nito de opera coes elementares para obter a solu cao exata, mesmo nao considerando os erros
de arredondamento da aritmetica de ponto utuante. Vamos analisar os Metodos Iterativos
de Jacobi, Gauss-Seidel, Relaxa cao Sucessiva e o Metodo da M axima Descida que tambem
e denominado Metodo do Gradiente Otimizado. Inicialmente vamos estudar os metodos
numericos para sistema linear simetrico e positivodenido, e em seguida o metodo de fa-
tora cao LU.
Seja A IM
n
(IR) uma matriz simetrica e positiva-denida e b IR
n
. Considere o Sistema
Linear: encontrar x
IR
n
Ax = b (3.1)
Como A e positiva-denida, portanto nao singular, o sistema linear (3.1) possui uma unica
solu cao x
= A
1
b .
Em geral, nos problemas de interesse pratico, a matriz A e de grande porte e esparsa.
Assim os metodos de decomposi cao tendem a modicar essa esparsidade, tornando elementos
nulos em elementos nao nulos. Devemos observar que a Decomposi cao de Cholesky preserva
as estruturas de esparsidade de banda e de envelope. Esta ultima requer uma reserva de
posi coes de elementos nulos que irao se tornar nao nulos no fator de Cholesky, que estao no
envelope. Nos metodos iterativos, que vamos descrever a seguir, sera necessario somente o
calculo do produto da matriz A por elementos do IR
n
, com isso nao temos necessidade de
modicar a estrutura de esparsidade da matriz do sistema linear. Assim, podemos dizer que
esta e uma das grandes vantagens dos metodos iterativos.
Captulo 3. Analise Numerica de Sistemas Lineares 53
A seguir, vamos estudar o Problema de Minimiza cao associado ao Sistema Linear Simetrico
e PositivoDenido (3.1), para que possamos construir os metodos da maxima descida e dos
gradientes conjugados.
3.2 Problema de Minimizacao
Vamos associar ao Sistema Linear (3.1) o seguinte Problema de Minimiza cao: encontrar
x
IR
n
tal que
J(x
) = min J(x) , x IR
n
(3.2)
onde o funcional J : IR
n
IR e denido da seguinte forma:
J(x) =
1
2
Ax , x ) b , x ) (3.3)
com , ) o produto interno usual do IR
n
.

E facil ver que
J(x
) =
1
2
b
t
A
1
b =
1
2
A
1
b , b )
onde x
= A
1
b e a solu cao exata do sistema linear.
Vamos mostrar que o sistema linear e o problema de minimiza cao sao equivalentes, isto e, eles
possuem a mesma solu cao. Esta equivalencia vem essencialmente do fato da matriz A ser
simetrica e positiva-denida. Inicialmente vamos calcular a Derivada Direcional do funcional
J no ponto x na dire cao do vetor v IR
n
, que e denida da seguinte forma:
J
(x)(v) =
_
d
dt
J(x + tv)
_
t=0
(3.4)
Utilizando a hipotese da matriz A ser simetrica, temos que
J(x + tv) = J(x) + t Ax, v ) +
t
2
2
Av , v ) t b , v ) ; t IR (3.5)
Portanto, derivando (3.5) com rela cao a t e fazendo t = 0 obtemos
J
(x)(v) = Ax b , v ) (3.6)
que e a Derivada Direcional do funcional J no ponto x na dire cao do vetor v IR
n
. De
(3.6) temos a deni cao de gradiente do funcional J em um ponto x IR
n
, como segue.
Denicao 3.1 O Gradiente do funcional J no ponto x IR
n
e denido por:
J(x) = Ax b (3.7)
Desse modo, denimos o Ponto Crtico do funcional J, como segue.
Denicao 3.2 Dizemos que x
e um Ponto Crtico do funcional J se, e somente se,

J
(x
)(v) = 0 para todo v IR

n
(3.8)
Assim, temos que um ponto crtico do funcional J e a solu cao do sistema linear Ax = b .
Portanto, temos um unico ponto crtico para J, que e dado por x
= A
1
b .
Para classicar o ponto crtico devemos calcular a Segunda Varia cao do funcional J no
ponto x na dire cao do vetor w IR
n
, que e denida da seguinte forma:
J
(x; v)(w) =
_
d
dt
J
(x + tw)(v)
_
t=0
(3.9)
Temos que
J
(x + tw)(v) = Ax , v ) + t Aw, v ) b , v ) ; t IR (3.10)

Portanto, derivando (3.10) com rela cao a t e fazendo t = 0 obtemos
J
(x; v)(w) = Aw, v ) (3.11)

que e a Segunda Varia cao do funcional J no ponto x na dire cao do vetor w IR
n
. De
(3.11) temos a deni cao da matriz Hessiana do funcional J em um ponto x IR
n
, como
segue.
Denicao 3.3 A matriz Hessiana do funcional J no ponto x IR
n
e denida por:
H(x) = A (3.12)
Como A e uma matriz simetrica e positiva-denida, temos que J
(x
; v)(v) > 0 para

todo v IR
n
nao nulo. Desse modo, x
= A
1
b e um Ponto de Mnimo Global para
o funcional J, que e a unica solu cao do sistema linear (3.1). Como a matriz Hessiana nao
depende da variavel x temos que J e um funcional quadratico, como ilustra a Figura 3.1.
Assim, mostramos a equivalencia entre o problema de minimiza cao (3.2) e o sistema linear
simetrico e positivodenido (3.1).
-
6
0
J(x
)
x
J(x)
IR
n
Figura 3.1: Representa cao graca do funcinal quadratico J.
3.3 Metodo da Maxima Descida
Vamos obter uma solu cao numerica para o sistema linear simetrico e positivodenido (3.1)
atraves de um procedimento iterativo para encontrar o ponto de mnimo do funcional J, isto
e, atraves de uma solu cao numerica do problema de minimiza cao (3.2).
Sabemos que o ponto de mnimo do funcional J pode ser encontrado andando na dire cao de
J(x
(k)
) = b Ax
(k)
a partir do ponto x
(k)
, que e a dire cao que o funcional decresce
mais rapidamente. Desse modo, se o resduo r
(k)
= b Ax
(k)
e nao nulo, entao existe um
parametro IR tal que
J(x
(k)
+ r
(k)
) < J(x
(k)
)
No Metodo da Maxima Descida o parametro e escolhido de modo a obtermos o ponto de
mnimo de J na variedade linear S
k
denida da seguinte forma:
S
k
= z IR
n
/ z = x
(k)
+ r
(k)
; IR
Isto e, vamos encontrar um ponto x
(k+1)
= x
(k)
+
k
r
(k)
tal que
J(x
(k+1)
) = min J(z) ; z S
k

o que e equivalente a escrever
J(x
(k+1)
) = min J(x
(k)
+ r
(k)
) ; IR
onde
k
e o parametro que realiza o mnimo.
Denindo a fun cao auxiliar
() = J(x
(k)
+ r
(k)
) ; IR
e fazendo
() = 0 , obtemos o parametro
k
, que realiza o mnimo de J na variedade
linear S
k
. Assim, temse que
k
=
r
(k)
, r
(k)
)
Ar
(k)
, r
(k)
)
para r
k
IR
n
nao nulo.
Como A e uma matriz positiva-denida, temos que
k
> 0. Este fato garante que estamos
andando sempre na dire cao correta, como ilustra a Figura 3.2.
No Metodo da Maxima Descida temos que
x
(k+1)
span
_
r
(0)
, r
(1)
, , r
(k)
_
+ x
(0)
para k = 0, 1, 2,
e x
(k)
e uma seq uencia minimizante para o funcional J, isto e,
J(x
(0)
) > > J(x
(k)
) > J(x
(k+1)
) > J(x
)
para todo k = 0, 1, 2, .
A convergencia global do Metodo da Maxima Descida segue da seguinte desigualdade
J(x
(k+1)
) J(x
)
_
1
1
/
2
(A)
_
_
J(x
(k)
) J(x
)
_
(3.13)
S
k
s
J(x
(k)
) = r
(k)
x
(k)
s
x
(k+1)
= x
(k)
+
k
r
(k)
Figura 3.2: Escolha do passo
k
.
Note que, a escolha da aproxima cao inicial x
(0)
nao e relevante para a convergencia da
seq uencia x
(k)
. Desse modo, podemos considerar x
(0)
= 0.
Figura 3.3: Ilustra cao das curvas de nveis do funcional J para /
2
(A) 1, cujo centro ()
e a solu cao unica x
do sistema linear 3.1.

Exemplo 3.1 Calcular as equa coes das curvas de nveis do funcional J.
Sugest ao: utilizar a diagonaliza cao da matriz A, isto e, A = QQ
t
, e acompanhar a
demonstra cao do Teorema 2.15.
Desse modo, podemos descrever o algoritmo do Metodo da Maxima Descida, que tambem e
conhecido como Metodo do Gradiente Otimizado.
Algoritmo 3.1 (Metodo da Maxima Descida)
x
(0)
IR
n
uma aproxima cao inicial para x
for k = 0, 1, 2, 3,
r
(k)
= b Ax
(k)
k
=
r
(k)
, r
(k)
)
Ar
(k)
, r
(k)
)
x
(k+1)
= x
(k)
+
k
r
(k)
end
Devemos observar que a convergencia ca muito lenta no caso em que /
2
(A) =

max
min
e
muito grande, pois as curvas de nveis do funcional J sao elipsoides alongados com centro
em x
como ilustra a Figura 3.3, conforme o resultado do Teorema 2.15. Algebricamente,

esta diculdade vem do fato que as dire coes dadas pelos resduos sao muito proximas. Para
superar esta situa cao vamos descrever o procedimento dos gradientes conjugados.
3.4 Metodo dos Gradientes Conjugados
De um modo geral, podemos considerar sucessivas minimiza coes do funcional J ao longo de
dire coes p
0
, p
1
, , p
k
que nao sao necessariamente as dire coes dos resduos. Isto e,
J(x
(k+1)
) = min J(x
(k)
+ p
(k)
) ; IR (3.14)
com
x
(k+1)
= x
(k)
+
k
p
(k)
onde o parametro
k
e obtido do mesmo modo que no Metodo da Maxima Descida, como
ilustra a Figura 3.4,
k
=
p
(k)
, r
(k)
)
Ap
(k)
, p
(k)
)
(3.15)
S
k
s
p
(k)
x
(k)
s
x
(k+1)
= x
(k)
+
k
p
(k)
Figura 3.4: Escolha do passo
k
.
Note que, neste caso, temse que
x
(k+1)
span
_
p
(0)
, p
(1)
, , p
(k)
_
+ x
(0)
para k = 0, 1, 2,
Em seguida, vamos escolher as dire coes p
(k)
, k = 0, 1, 2, , de modo a obter a convergencia
do processo iterativo em n passos, onde n e a dimensao do sistema linear.
Inicialmente, construmos dire coes consecutivas p
(k)
e p
(k+1)
Aconjugadas, isto e,
Ap
(k)
, p
(k+1)
) = 0 ; k
com p
(0)
= J(x
(0)
) = r
(0)
. Assim, vamos determinar as dire coes da seguinte forma
p
(k+1)
= r
(k+1)
+
k
p
(k)
(3.16)
onde o parametro
k
e obtido impondo a condi cao que as dire coes p
(k)
e p
(k+1)
sejam
Aconjugadas. Assim, temse que
k
=
Ar
(k+1)
, p
(k)
)
Ap
(k)
, p
(k)
)
=
r
(k+1)
, Ap
(k)
)
Ap
(k)
, p
(k)
)
(3.17)
Desse modo, temos que a dire cao p
(k+1)
e a proje cao ortogonal do resduo r
(k+1)
sobre
o complemento ortogonal do subespa co gerado pela dire cao p
(k)
, com rela cao ao produto
interno energia , )
A
. Podemos calcular o resduo r
(k+1)
, de uma maneira mais
economica. De fato,
r
(k+1)
= b Ax
(k+1)
= b Ax
(k)

k
Ap
(k)
(3.18)
Assim, temos que
r
(k+1)
= r
(k)

k
Ap
(k)
(3.19)
Portanto, obtemos r
(k+1)
sem nenhum custo, pois ja temos o calculo de Ap
(k)
.
A seguir, apresentamos uma primeira versao do Metodo dos Gradientes Conjugados.
Algoritmo 3.2 (Metodo dos Gradientes Conjugados)
x
(0)
IR
n
r
(0)
= b Ax
(0)
; p
(0)
= r
(0)
for k = 0, 1, 2, 3,
k
=
p
(k)
, r
(k)
)
Ap
(k)
, p
(k)
)
x
(k+1)
= x
(k)
+
k
p
(k)
r
(k+1)
= r
(k)

k
Ap
(k)
k
=
Ar
(k+1)
, p
(k)
)
Ap
(k)
, p
(k)
)
p
(k+1)
= r
(k+1)
+
k
p
(k)
end
Agora, vamos reescrever os parametros
k
e
k
de uma maneira mais economica.
Inicialmente, para encontrar uma maneira mais barata para o parametro
k
, utilizando as
propriedades do Metodo dos Gradientes Conjugados. Note que
p
(k)
, r
(k)
) = r
(k)
, r
(k)
) +
k1
p
(k1)
, r
(k)
) = r
(k)
, r
(k)
)
pois p
(k1)
, r
(k)
) = 0 , tendo em vista que r
(k)
= J(x
(k)
) , onde x
(k)
e o ponto
de mnimo do funcional J na dire cao de p
(k1)
. Assim, temos que
k
=
r
(k)
, r
(k)
)
Ap
(k)
, p
(k)
)
(3.20)
Podemos mostrar agora, que dois resduos consecutivos tambem sao ortogonais, isto e, r
(k)
e r
(k+1)
sao ortogonais. Note que,
p
(k)
, Ap
(k)
) = r
(k)
, Ap
(k)
) +
k1
p
(k1)
, Ap
(k)
) = r
(k)
, Ap
(k)
) (3.21)
Assim, podemos escrever o parametro
k
da seguinte forma alternativa
k
=
r
(k)
, r
(k)
)
Ap
(k)
, r
(k)
)
(3.22)
Finalmente, da rela cao (3.19) , e utilizando a rela cao (3.22) para o parametro
k
, obtemos
r
(k+1)
, r
(k)
) = r
(k)
, r
(k)
)
k
Ap
(k)
, r
(k)
) = 0 (3.23)
Portanto, obtemos o resultado desejado.
Vamos obter uma maneira mais economica de calcular o parametro
k
. Utilizando a rela cao
(3.19), temos uma expressao para Ap
(k)
que, substituda na rela cao (3.17) do parametro
k
, e com a nova expressao (3.20) para o parametro
k
, implica
k
=
r
(k+1)
, r
(k+1)
)
r
(k)
, r
(k)
)
(3.24)
Finalmente, devemos mostrar agora que r
(0)
, r
(1)
, , r
(k)
, e um conjunto ortogonal
e que p
(0)
, p
(1)
, , p
(k)
, e um conjunto Aconjugado. Desse modo, mostramos
que o Metodo dos Gradientes Conjugados converge para a solu cao exata do sistema linear
simetrico e positivodenido (3.1) em n passos. Desse modo, podemos dizer que o Metodo
dos Gradientes Conjugados e um metodo exato.
Vamos obter os resultados acima por indu cao matematica. Sabemos que esses resultados sao
validos para k = 1 , pois as dire coes p
(0)
e p
(1)
foram construdas de modo a serem A
conjugadas. Temos tambem que p
(0)
= r
(0)
e r
(1)
sao ortogonais, isto e, p
(0)
, r
(1)
) = 0 ,
tendo em vista que r
(1)
= J(x
(1)
) , onde x
(1)
e o ponto de mnimo do funcional J
na dire cao de p
(0)
.
Supomos agora, pela hipotese de indu cao, que os resduos r
(0)
, r
(1)
, , r
(k1)
sao mutu-
amente ortogonais e que as dire coes p
(0)
, p
(1)
, , p
(k1)
sao mutuamente Aconjugadas,
para k 2. Da rela cao (3.19) , para 0 i (k 2) , e utilizando a hipotese de indu cao,
temos que
r
(k)
, r
(i)
) = r
(k1)
, r
(i)
)
k1
Ap
(k1)
, r
(i)
) =
k1
Ap
(k1)
, r
(i)
) (3.25)
Da rela cao (3.16), podemos escrever r
(i)
da seguinte forma
r
(i)
= p
(i)

i1
p
(i1)
(3.26)
que, substituindo na rela cao (3.25), e utilizando a hipotese de indu cao para as dire coes,
implica
r
(k)
, r
(i)
) =
k1
Ap
(k1)
, p
(i)

i1
p
(i1)
) = 0 (3.27)
para i = 0, 1, , (k 2). Assim, obtemos que os resduos r
(0)
, r
(1)
, , r
(k)
sao mutua-
mente ortogonais, pois sabemos que r
(k)
e r
(k1)
sao ortogonais de (3.23).
Sabemos que p
(k)
e p
(k1)
sao Aconjugados pela propria constru cao do metodo. Da
rela cao (3.16), para 0 i (k 2) , e utilizando a hipotese de indu cao para as dire coes,
temos que
p
(k)
, Ap
(i)
) = r
(k)
, Ap
(i)
) +
k1
p
(k1)
, Ap
(i)
) = r
(k)
, Ap
(i)
) (3.28)
Da rela cao (3.19) , temos que
Ap
(i)
=
r
(i)
r
(i+1)
i
(3.29)
Substituindo na rela cao (3.28) e utilizando o fato que os resduos sao mutuamente ortogo-
nais, segue que
p
(k)
, Ap
(i)
) = 0 (3.30)
para i = 0, 1, , (k 2). Assim, obtemos o resultado que as dire coes p
(0)
, p
(1)
, , p
(k)
sao mutuamente Aconjugadas. O que completa a demonstra cao.
No caso em que a matriz A e esparsa sem uma estrutura bem denida, podemos armazena-
la com o Esquema de Coordenadas, isto e, (ilin(k),jcol(k)) que e a posi cao do k-esimo
elemento nao nulo e A(k) o valor deste elemento. Neste esquema de armazenamento
nao e necessario uma ordem para a entrada dos elementos nao nulos. Os esquemas para
armazenamento de uma matriz esparsa estao descritos na se cao 2.7. Neste caso, e facilmente
calculado o produto da matriz A por um elemento do IR
n
. Os procedimentos para o
produto de uma matriz esparsa por um vetor estao descritos na se cao 2.7.3. Uma estrutura
de esparsidade que iremos trabalhar mais a frente, ilustrada na Figura 3.5, esta relacionada
com a discretiza cao da equa cao de Poisson com condi cao de Dirichlet num retangulo, pelo
Esquema de Diferen cas Finitas Centrada numa malha com 5 nos internos em cada uma das
dire coes x e y.
0 5 10 15 20 25
0
5
10
15
20
25

Figura 3.5: Matriz associada a discretiza cao do Problema de Poisson no retangulo.
Finalmente, apresentamos uma versao economica para o Metodo dos Gradientes Conjugados.
Algoritmo 3.3 (Metodo dos Gradientes Conjugados)
x
(0)
IR
n
r
(0)
= b Ax
(0)
; p
(0)
= r
(0)
for k = 0, 1, 2, 3,
k
=
r
(k)
, r
(k)
)
Ap
(k)
, p
(k)
)
x
(k+1)
= x
(k)
+
k
p
(k)
r
(k+1)
= r
(k)

k
Ap
(k)
k
=
r
(k+1)
, r
(k+1)
)
r
(k)
, r
(k)
)
p
(k+1)
= r
(k+1)
+
k
p
(k)
end
3.4.1 Gradientes Conjugados Precondicionado
Vamos apresentar alguns resultados sobre a velocidade de convergencia do Metodo dos Gra-
dientes Conjugados, tendo em vista que computacionalmente devemos tratalo como um
metodo iterativo, isto e, estabelecer um criterio de parada. Assim, e muito interessante
conhecer sua taxa de convergencia. A seguir, temos um resultado para a velocidade de con-
vergencia do Metodo do Gradiente Otimizado.
n
n
. Se x
(k)
e a
seq uencia gerada pelo Metodo do Gradiente Otimizado. Entao,
| x
x
(k)
|
A
2 | x
x
(0)
|
A
_
_
/
2
(A) 1
_
/
2
(A) + 1
_
k
(3.31)
Demonstracao Veja Luenberger (1973).
Note que, a taxa de convergencia na norma energia do Metodo do Gradiente Otimizado e
bastante sensvel ao n umero de condi cao espectral da matriz A, o que torna o metodo nao
muito atraente pois o sucesso do metodo iterativo depende exclusivamente da sua velocidade
de convergencia. A seguir, temos dois resultados que nos fornecem um panorama de como
deve ser a velocidade de convergencia do Metodo dos Gradientes Conjugados.
n
n
. Se x
(k)
e a
seq uencia gerada pelo Metodo dos Gradientes Conjugado. Entao,
| x
x
(k)
|
A
| x
x
(0)
|
A
_
_
/
2
(A) 1
_
/
2
(A) + 1
_
2k
(3.32)
n
(IR) simetrica e positivadenida com k autovalores distintos
e b IR
n
. Entao, a seq uencia x
(k)
gerada pelo Metodo dos Gradientes Conjugados
converge para a solu cao exata x
= A
1
b com no maximo (k + 1) itera coes.
Podemos observar que o Metodo dos Gradientes Conjugados converge rapidamente na norma
energia no caso em /
2
(A) 1 ou no caso em que a matriz A tiver poucos autovalores
distintos, e tera uma convergencia muito lenta se /
2
(A) 1. Assim, vamos necessitar de
muitas itera coes para atingir uma precisao desejada.
A seguir, vamos mostrar como podemos substituir o sistema linear simetrico e positivo
denido Ax = b por um sistema linear simetrico e positivodenido equivalente

A x =

b,
onde a matriz

A tem a propriedade de /
2
(
A) bem menor que /

2
(A). Assim, podemos
atingir a precisao requerida com poucas itera coes.
A estrategia apresentada acima e denominada precondicionamento do sistema linear, onde
devemos encontrar uma matriz C simetrica e positivadenida para ser o precondicionador
da matriz A, isto e,

A = C
1
AC
1
. Em seguida aplicamos o Metodo dos Gradientes
Conjugados no sistema linear transformado
A x =

b (3.33)
onde x = C x e

b = C
1
b. Neste processo a diculdade esta em escolher uma matriz
C de modo que /
2
(
A) /
2
(A). A escolha depende muito do problema que deu origem
ao sistema linear Ax = b. A escolha de um bom precondicionador pode fazer uma grande
diferen ca na velocidade de convergencia. Fazendo a seguinte mudan ca de variaveis
M = C
2
p
(k)
= C
1
p
(k)
x
(k)
= C
1
x
(k)
z
(k)
= C
1
r
(k)
r
(k)
= C r
(k)
= b Ax
(k)
no Metodo dos Gradientes Conjugados para o sistema linear transformado (3.33), obtemos o
Metodo dos Gradientes Conjugados Precondicionado para o sistema linear Ax = b, onde
a matriz simetrica e positivadenida M e o precondicionador. A seguir, apresentamos o
algoritmo.
Algoritmo 3.4 (Gradientes Conjugados Precondicionado)
x
(0)
IR
n
r
(0)
= b Ax
(0)
Mz
(0)
= r
(0)
(resolver em z
(0)
)
p
(0)
= z
(0)
for k = 0, 1, 2, 3,
k
=
z
(k)
, r
(k)
)
Ap
(k)
, p
(k)
)
x
(k+1)
= x
(k)
+
k
p
(k)
r
(k+1)
= r
(k)

k
Ap
(k)
Mz
(k+1)
= r
(k+1)
(resolver em z
(k+1)
)
k
=
z
(k+1)
, r
(k+1)
)
z
(k)
, r
(k)
)
p
(k+1)
= z
(k+1)
+
k
p
(k)
end
Na escolha da matriz M simetrica e positivadenida para ser o precondicionador, observa-
mos que o sistema linear Mz = r deve ser de facil resolu cao, para que tenhamos um algo-
ritmo eciente. Assim, uma primeira escolha para M e a matriz D = diag(a
11
, , a
nn
)
que e a diagonal principal de A. Desse modo, temos que o precondicionador do sistema
linear Ax = b e a matriz C = diag(
a
11
, ,

a
nn
).
3.4.2 Programas em Matlab
Os programas em Matlab para o Metodo dos Gradientes Conjugados com Precondicionador
Diagonal estao disponveis na pagina
AsTeCA/
Script File
testcg Metodo dos Gradientes Conjugados
Function File
mcgpd Gradientes Conjugados com Precondicionador Diagonal
3.5 Metodos Iterativos
3.5.1 Iteracao de Ponto Fixo. Matriz Convergente
Seja A IM
n
n
. Considere o Sistema Linear: encontrar
x
IR
n
Ax = b (3.34)
Como A e nao singular, o sistema linear (3.34) possui uma unica solu cao, que vamos
denotar por x
= A
1
b. Podemos escrever o sistema linear (3.34) em uma forma
equivalente
x = P x + d (3.35)
Desse modo, um metodo iterativo consiste em considerar uma aproxima cao inicial, que vamos
denotar por x
(0)
IR
n
, para a solu cao x
e construir uma seq uencia

x
(k+1)
= P x
(k)
+ d para k = 0, 1, 2, (3.36)
Neste ponto, podemos fazer as seguintes perguntas:
1. Qual a condi cao de convergencia do processo iterativo ?
2. A seq uencia
_
x
(k)
_
kIN
converge para a solu cao do sistema linear (3.34) ?
3. A aproxima cao inicial x
(0)
IR
n
pode ser arbitraria ?
Para responder as questoes acima, vamos necessitar das seguintes deni coes e resultados.
Denicao 3.4 (Raio Espectral) Seja A IM
n
(IF). Denimos o raio espectral da matriz
A, que denotamos por (A), da seguinte forma
(A) = max
1jn
[
j
[ ;
j
autovalor de A
Denicao 3.5 Dizemos que a matriz A IM
n
(IR) e convergente se
lim
k
A
k
= 0
onde A
k
= AA
k1
com A
0
= I.
n
(IF) e [[[ [[[ uma norma matricial consistente. Entao,
(A) [[[ A[[[.
Demonstracao Considere o autovalor
max
da matriz A tal que [
max
[ = (A) e seja
v o autovetor associado.
Seja V IM
n
(IF) uma matriz cujas colunas sao todas iguais ao autovetor v, isto e,
V = [v, . . . , v]. Assim, temos que
[[[
max
V [[[ = [
max
[ [[[ V [[[ = [[[ AV [[[ [[[ A[[[ [[[ V [[[
Portanto, obtemos [
max
[ [[[ A[[[. O que completa a demonstra cao.
n
(IF) e dado > 0. Entao, existe uma norma matricial
consistente [[[ [[[ tal que [[[ A[[[ (A) + .
Demonstracao Pelo Teorema 2.11 da se cao 2.2 (Teorema da Decomposi cao de Schur),
existe uma matriz unitaria U IM
n
(IF) e uma matriz triangular superior T IM
n
(IF)
tais que A = U T U
H
.
Considere uma matriz diagonal D = diag(, . . . ,
n
) para IR
+
. Construmos a partir
da matriz D e da decomposi cao de Schur da matriz A, a seguinte matriz
DT D
1
=
_
j
na diagonal principal
t
ij
ji
fora da diagonal principal
Note que,
j
para j = 1, . . . , n, sao os autovalores da matriz A que aparecem na
diagonal principal da matriz T. Para um determinado valor > 0 escolhemos um valor
adequado para o parametro de modo que
n
j=i+1
t
ij
ji
para todo i = 1, . . . , (n 1)
Assim, vamos denir uma norma matricial [[[ [[[ em IM
n
(IF) da seguinte forma
[[[ B[[[ = [[[ ( DU
H
) B( U D
1
) [[[
para toda B IM
n
(IF)
que claramente depende da matriz A e do valor de . Desse modo, construmos uma norma
matricial [[[ [[[ tal que
[[[ A[[[ = [[[ DT D
1
[[[
(A) +
Note que, a norma matricial [[[ [[[ e induzida pela seguinte norma vetorial
| ( DU
H
) x|
para todo x IF
n
n
(IR) . As seguintes arma coes s ao equivalentes
1. A e uma matriz convergente
2. lim
k
A
k
x = 0 ; x IR
n
3. O raio espectral da matriz A satisfaz (A) < 1
4. Existe uma norma matricial [[[ [[[ tal que [[[ A[[[ < 1
Demonstracao Para a prova vamos considerar as normas | | e [[[ [[[ , vetorial e
matricial, respectivamente, compatveis, isto e, satisfazendo o Teorema 2.20 da se cao 2.5. Em
espa co vetorial normado de dimensao nita as normas sao equivalentes. Assim a convergencia
de uma seq uencia independe da escolha da norma. Note que, estamos usando tambem o fato
que as normas | | e [[[ [[[ sao fun coes contnuas.
Inicialmente, vamos mostrar que a condi cao (1) implica na condi cao (2). Para isso, tomamos
lim
k
| A
k
x | lim
k
[[[ A
k
[[[ | x |
Pela hipotese, como A e convergente, temos que
lim
k
A
k
= 0 = lim
k
[[[ A
k
[[[ = 0 = lim
k
A
k
x = 0
o que mostra que a condi cao (1) implica na condi cao (2).
Vamos mostrar agora que a condi cao (2) implica na condi cao (3). Para isso, supomos que
(A) 1. Tomando um autopar ( , v) da matriz A, temos
0 = lim
k
| A
k
v | = lim
k
[[
k
| v | ,= 0
que e uma contradi cao. Logo, (A) < 1. O que mostra que a condi cao (2) implica na
condi cao (3).
Vamos mostrar agora que a condi cao (3) implica na condi cao (4). Se (A) < 1, utilizando
o resultado do Teorema 3.5, podemos escolher de maneira conveniente uma constante > 0
e uma norma matricial consistente [[[ [[[ , tais que [[[ A[[[ (A) + < 1. Assim,
mostramos que a condi cao (3) implica na condi cao (4).
Finalmente, vamos mostrar que a condi cao (4) implica na condi cao (1). Considerando que
[[[ A[[[ < 1, obtemos
lim
k
[[[ A
k
[[[ lim
k
[[[ A[[[
k
= 0 = lim
k
A
k
= 0
Assim, a condi cao (4) implica na condi cao (1). O que completamos a demonstra cao.
n
(IR).
1. A serie geometrica
I + A + A
2
+ + A
k
+
converge se, e somente se, a matriz A for convergente.
2. Se a matriz A IM
n
(IR) e convergente, ent ao a matriz (I A) e n ao singular e
( I A )
1
= I + A + A
2
+ + A
k
+
Demonstracao Basta provar o item (2), que o item (1) ca automaticamente provado.
Como A e uma matriz convergente, sabemos que (A) < 1. Assim, os autovalores da
matriz (I A) sao tais que (1 ) ,= 0, onde e um autovalor da matriz A. Desse
modo, temos que a matriz (I A) e nao singular. Considerando a identidade
( I A ) ( I + A + A
2
+ + A
k
) = I A
k+1
obtemos
( I A ) lim
k
( I + A + A
2
+ + A
k
) = lim
k
( I A
k+1
) = I
n
(IR) e [[[ [[[ uma norma matricial induzida. Seja [[[ A[[[ < 1.
Entao,
1
1 + [[[ A[[[
[[[ ( I A )
1
[[[
1
1 [[[ A[[[
Demonstracao Como [[[ A[[[ < 1, sabemos que a matriz ( I A ) e nao singular. Como
1 = [[[ I [[[ = [[[ ( I A ) ( I A )
1
[[[ ( 1 + [[[ A[[[ ) [[[ ( I A )
1
[[[
obtemos
[[[ ( I A )
1
[[[
1
1 + [[[ A[[[
Consideremos agora a identidade
( I A )
1
= I + A( I A )
1
Temse que
[[[ ( I A )
1
[[[ 1 + [[[ A[[[ [[[ ( I A )
1
[[[
Agrupando os termos em comum, temos
( 1 [[[ A[[[ ) [[[ ( I A )
1
[[[ 1
resultando
[[[ ( I A )
1
[[[
1
1 [[[ A[[[
3.5.2 Metodo de Jacobi
Inicialmente, vamos descrever o Metodo iterativo de Jacobi . Para isso, representamos a matriz
do sistema linear da seguinte forma A = L + D + U , onde L = [l
ij
] e a matriz
triangular inferior dada por
l
ij
=
_
_
a
ij
; i > j
0 ; i j
(3.37)
D = [d
ij
] e a matriz diagonal dada por
d
ij
=
_
_
a
ij
; i = j
0 ; i ,= j
(3.38)
U = [u
ij
] e a matriz triangular superior dada por
u
ij
=
_
_
a
ij
; i < j
0 ; i j
(3.39)
Assim, o sistema linear (3.34) pode ser escrito da seguinte forma
( L + D + U ) x = b (3.40)
Dx = ( L + U ) x + b (3.41)
x = D
1
( L + U ) x + D
1
b (3.42)
Portanto, temos que, no processo iterativo (3.36), a matriz P = D
1
( L + U ) e o
vetor d = D
1
b , uma vez que a matriz D seja nao singular. Com o objetivo de escrever
o algoritmo do Metodo de Jacobi, vamos representalo da seguinte forma
x
(k+1)
i
=
_
b
i

i1
j=1
a
ij
x
(k)
j

n
j=i+1
a
ij
x
(k)
j
_
a
ii
; i = 1, 2, . . . , n (3.43)
para k = 0, 1, 2,
Desse modo, podemos escrever o algoritmo do Metodo Iterativo de Jacobi, como segue abaixo.
Algoritmo 3.5 (Metodo Iterativo de Jacobi)
Dada uma aproxima cao inicial x
(0)
IR
n
para x
= A
1
b
for k = 0, 1, 2, 3,
for i = 1, 2, 3, , n
x
(k+1)
i
= b
i
for j = 1, , (i 1)
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k)
j
end
for j = (i + 1), , n
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k)
j
end
x
(k+1)
i
=
x
(k+1)
i
a
ii
end
end
Note que, podemos escrever o processo iterativo da seguinte forma: dada a aproxima cao
inicial x
(0)
= d = D
1
b , temse que
x
(k+1)
= ( I + P + P
2
+ + P
k+1
) d para k = 0, 1, 2, (3.44)
Logo, a seq uencia gerada pelo Metodo de Jacobi converge se, e somente se, a matriz P for
uma matriz convergente. Vamos denotar o ponto de convergencia por x , que e dado por
lim
k
x
(k+1)
= x = ( I P )
1
d (3.45)
Agora, basta mostrar que o elemento x e a unica solu cao do sistema linear (3.34). Para
isso, substitumos as expressoes da matriz P e do vetor d na equa cao (3.45), e obtemos
x = ( I + D
1
( L + U ) )
1
( D
1
b ) (3.46)
= ( D( I + D
1
( L + U ) ) )
1
b (3.47)
= ( D + L + U )
1
b = A
1
b = x
(3.48)
Portanto, mostramos que o processo iterativo de Jacobi converge para a unica solu cao x
do
sistema linear (3.34). Alem disso, podemos observar que a convergencia do Metodo de Jacobi
nao depende da escolha da aproxima cao inicial. Podemos enunciar o seguinte resultado de
convergencia.
Teorema 3.9 (Convergencia do Metodo de Jacobi) O Metodo Iterativo de Jacobi con-
verge para a solu cao exata do sistema linear (3.34) para qualquer aproxima cao inicial x
(0)
se, e somente se, a matriz de itera cao P = D
1
A + I for convergente.
Vamos mostrar que a seq uencia x
(k)
gerada pelo processo iterativo de Jacobi possui uma
convergencia linear, isto e, | x
(k+1)
x
| | x
(k)
x
|, quando da convergencia do
metodo, onde a constante e a taxa de convergencia. De fato, vamos considerar o processo
iterativo de Jacobi
x
(k+1)
= P x
(k)
+ d
onde P = D
1
A + I e d = D
1
b. Note que, a solu cao exata x
satisfaz
x
= P x
+ d. Desse modo, temos que

x
(k+1)
x
= P ( x
(k)
x
)
Escolhendo de forma conveniente as normas | | e [[[ [[[ , vetorial e matricial,
respectivamente, compatveis, isto e, satisfazendo o Teorema 2.20 da se cao 2.5, obtemos
| x
(k+1)
x
| = | P ( x
(k)
x
) | [[[ P [[[ | x
(k)
x
|
Portanto, temos a convergencia linear do Metodo de Jacobi, com a taxa de convergencia
= [[[ P [[[, uma vez que [[[ P [[[ < 1. Este resultado mostra a velocidade de convergencia do
processo iterativo de Jacobi. Quanto menor for [[[ P [[[ mais rapida sera a convergencia.
Devemos observar que o fato da matriz P ser convergente e equivalente à existencia de uma
norma matricial de modo que [[[ P [[[ < 1, ou ainda, e equivalente a dizer que o raio espectral
da matriz P satisfaz (P) < 1. Todos essas propriedades sao muito uteis do ponto de
vista teorico, mas na pratica tem um alto custo computacional para determinalas. Vamos
mostrar condi coes mais simples de ser vericadas para a convergencia do Metodo de Jacobi.
Para isso, necessitamos dos seguintes conceitos.
ij
] IM
n
Dominante por Linhas se
[a
ii
[ >
n
j = 1
j ,= i
[a
ij
[ ; i = 1, . . . , n
n
(IR) uma matriz Estritamente Diagonalmente Dominante por
Linhas. Entao, A e n ao singular.
Demonstracao Vamos considerar a matriz B = I D
1
A, onde D e a matriz diagonal
descrita em (3.38). Pela propriedade da matriz A, temos que D e nao singular. Podemos
observar que [[[ B[[[
< 1. Assim, pelo Teorema 3.7 da se cao 3.5.1, temos que a matriz
I B = D
1
A e nao singular. Desse modo, podemos concluir que A e nao singular.
Desse modo, temos o seguinte resultado de convergencia para o Metodo de Jacobi, que e
facilmente vericado.
Teorema 3.11 (Criterio de Convergencia para o Metodo de Jacobi)
Seja A IM
n
(IR) Estritamente Diagonalmente Dominante por Linhas e P = D
1
A+I
a matriz de itera cao de Jacobi. Entao, tem-se que [[[ P [[[
< 1 .
Utilizando o conceito abaixo, vamos propor uma modica cao no metodo de Jacobi, e mostrar
a sua convergencia para a solu cao do sistema linear.
ij
] IM
n
Dominante por Colunas se
[a
jj
[ >
n
i = 1
i ,= j
[a
ij
[ ; j = 1, . . . , n
n
(IR) Estritamente Diagonalmente Dominante por Colunas.
Entao, A e n ao singular.
Demonstracao A prova e feita de forma analoga a do Teorema 3.10 da se cao 3.5.1, consi-
derando a matriz B = I AD
1
.
Note que, no caso da matriz A for estritamente diagonalmente dominante por linhas, todos
os elementos da diagonal principal sao nao nulos. Logo, nao ocorre uma divisao por zero no
procedimento do Metodo de Jacobi.
Consideremos que a matriz A IM
n
(IR) do sistema linear (3.34) seja estritamente dia-
gonalmente dominante por colunas. Vamos propor um Metodo de Jacobi Modicado, que e
descrito da seguinte forma: dado y
(0)
IR
n
uma aproxima cao inicial, construmos a seguinte
seq uencia
y
(k+1)
= Py
(k)
+ b para k = 0, 1, 2, . . . (3.49)
onde a matriz P = (L + U)D
1
e a matriz de itera cao.
E facil mostrar que, se a matriz P for convergente, entao a seq uencia descrita em (3.49)
converge para y
= Dx
, onde x
= A
1
b e a unica solu cao do sistema linear. A seguir
temos um resultado de convergencia da seq uencia descrita em (3.49).
Teorema 3.13 (Convergencia do Metodo de Jacobi Modicado)
Seja A IM
n
(IR) uma matriz Estritamente Diagonalmente Dominante por Colunas e
P = AD
1
+ I, a matriz de itera cao para o Metodo de Jacobi Modicado. Ent ao, temse
que [[[ P [[[
1
< 1.
Exemplo 3.2 Para fazer uma apresenta cao do desempenho do Metodo Iterativo de Jacobi,
vamos considerar o sistema linear Ax = b
A =
_
_
100 30 20 30
10 100 20 40
10 10 60 20
5 10 5 30
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
205
190
140
54
_
_
Como A e estritamente diagonalmente dominante por linhas o que implica na convergencia
do Metodo Iterativo de Jacobi. Considerando a aproxima cao inicial x
(0)
= b, foram
realizadas 54 itera coes no Metodo de Jacobi, para obter uma solu cao numerica do sistema
linear com um erro relativo de 8.8596 10
7
.
3.5.3 Metodo de GaussSeidel
Podemos observar que, no Metodo de Jacobi, quando vamos calcular a iesima componente
da solu cao na (k + 1)esima itera cao, todas as componentes anteriores ja estao com uma
nova aproxima cao, que no caso de convergencia do processo iterativo, estas componentes
estarao mais proximas da solu cao. Assim, com o objetivo de acelerar a convergencia do
processo iterativo de Jacobi, vamos utilizar as componentes anteriores a iesima componente
na (k + 1)esima itera cao. Desse modo, temos o Metodo de GaussSeidel
x
(k+1)
i
=
_
b
i

i1
j=1
a
ij
x
(k+1)
j

n
j=i+1
a
ij
x
(k)
j
_
a
ii
; i = 1, 2, . . . , n (3.50)
para k = 0, 1, 2, . A seguir, apresentamos o algoritmo do Metodo de GaussSeidel.
Algoritmo 3.6 (Metodo Iterativo de GaussSeidel)
(0)
IR
n
para x
= A
1
b
for k = 0, 1, 2, 3,
for i = 1, 2, 3, , n
x
(k+1)
i
= b
i
for j = 1, , (i 1)
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k+1)
j
end
for j = (i + 1), , n
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k)
j
end
x
(k+1)
i
=
x
(k+1)
i
a
ii
end
end
Note que, as mesmas condi coes de convergencia para o Metodo de Jacobi tambem servem
para o Metodo de GaussSeidel, isto e, a convergencia do Metodo de Jacobi implica na
convergencia do Metodo de GaussSeidel. Podemos representar o Metodo de GaussSeidel
na forma matricial, para uma analise mais teorica, da seguinte forma
x
(k+1)
= Gx
(k)
+ d para k = 0, 1, 2, (3.51)
onde a matriz de itera cao e dada por G = ( L + D )
1
U e o vetor d = ( L + D )
1
b,
uma vez que a matriz ( L + D ) seja nao singular. Assim, podemos enunciar o seguinte
resultado de convergencia.
Teorema 3.14 (Convergencia do Metodo Iterativo de GaussSeidel)
O Metodo de GaussSeidel converge para a unica solu cao do sistema linear (3.34) para
qualquer aproxima cao inicial x
(0)
se, e somente se, a matriz de itera cao G for convergente.
Como no Metodo de Jacobi, o Metodo de GaussSeidel possui uma convergencia linear, onde
a taxa de convergencia e dada pela constante = [[[ G[[[, uma vez que 0 < [[[ G[[[ < 1.
Nos sistemas lineares provenientes da discretiza cao de problemas de valores contorno elpticos,
tanto pelo metodo de diferen cas nitas quanto pelo metodo dos elementos nitos, a matriz
tem a propriedade de simetria e positivadenida. Assim, apresentamos o seguinte resultado
de convergencia para o Metodo de GaussSeidel.
Teorema 3.15 (Criterio de Convergencia para o Metodo de GaussSeidel)
Seja A IM
n
(IR) e simetrica e positivadenida. Entao, o Metodo de GaussSeidel
converge para a unica solu cao do sistema linear Ax = b, b IR
n
, para toda aproxima cao
inicial x
(0)
IR
n
.
Demonstracao: Como A e simetrica, temos a decomposi cao A = L + D + L
t
. Assim,
a matriz de itera cao do Metodo de Gauss-Seidel e dada por G = ( L + D )
1
L
t
. Vamos
mostrar que o raio espectral da matriz G satisfaz (G) < 1.
Inicialmente denimos uma matriz auxiliar G
1
da seguinte forma
G
1
= D
1
2
GD
1
2
= D
1
2
( L + D )
1
L
t
D
1
2
= ( ( L + D ) D
1
2
)
1
L
t
D
1
2
= ( D
1
2
D
1
2
( L + D ) D
1
2
)
1
L
t
D
1
2
= ( I + L
1
)
1
L
t
1
(3.52)
onde a matriz auxiliar L
1
e dada por
L
1
= D
1
2
LD
1
2
(3.53)
Como a matriz auxiliar G
1
foi obtida da matriz G atraves de uma transforma cao de
similaridade, temos que elas possuem os mesmos autovalores, isto e, o mesmo raio espectral.
Assim, temos que mostrar que a matriz G
1
satisfaz (G
1
) < 1. Para isso, consideramos
(, v) um autopar da matriz G
1
, com v unitario. Utilizando a equa cao (3.52), temos que
L
t
1
v = ( I + L
1
) v (3.54)
Fazendo o produto interno de ambos os membros de (3.54) pelo autovetor v, obtemos
L
t
1
v , v ) = ( 1 + L
1
v , v ) ) (3.55)
Chamando L
1
v , v ) = a + i b , da equa cao (3.55) temse que
[[
2
=
a
2
+ b
2
1 + 2 a + a
2
+ b
2
(3.56)
Vamos observar que
D
1
2
AD
1
2
= I + L
1
+ L
t
1
(3.57)
Como as matrizes A e D sao positivadenidas, a matriz denida em (3.57) tambem e
positivadenida. Desse modo, temos que
1 + L
1
v , v ) + L
t
1
v , v ) = 1 + 2 a > 0 (3.58)
Portanto, do resultado (3.58) e da rela cao (3.56) mostramos que o raio espectral da matriz
G
1
satisfaz (G
1
) < 1. O que e equivalente a (G) < 1. Desse modo, a matriz de
itera cao de GaussSeidel e convergente.
3.5.4 Metodo da Relaxacao Sucessiva
Devemos observar que o Metodo de GaussSeidel e muito atrativo pela sua simplicidade. En-
tretanto, em geral, o raio espectral da sua matriz de itera cao e muito proximo da unidade, o
que provoca uma convergencia muito lenta. Com o objetivo de acelerar sua convergencia va-
mos propor a seguinte modica cao do Metodo de GaussSeidel. Seja IR um parametro
arbitrario. Consideramos o seguinte procedimento
x
(k+1)
i
=
_
b
i

i1
j=1
a
ij
x
(k+1)
j

n
j=i+1
a
ij
x
(k)
j
_
a
ii
+ ( 1 ) x
(k)
i
(3.59)
para i = 1, 2, , n e k = 0, 1, 2, . Este procedimento e denominado Metodo da
Relaxa cao Sucessiva. O algoritmo do Metodo da Relaxa cao Sucessiva e apresentado abaixo.
Algoritmo 3.7 (Metodo da Relaxacao Sucessiva)
(0)
IR
n
para x
= A
1
b
for k = 0, 1, 2, 3,
for i = 1, 2, 3, , n
x
(k+1)
i
= b
i
for j = 1, , (i 1)
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k+1)
j
end
for j = (i + 1), , n
x
(k+1)
i
= x
(k+1)
i
a
ij
x
(k)
j
end
x
(k+1)
i
=
x
(k+1)
i
a
ii
+ ( 1 ) x
(k)
i
end
end
Podemos representalo na forma matricial, para uma analise mais teorica, da seguinte forma
M
x
(k+1)
= N
x
(k)
+ b para k = 0, 1, 2, (3.60)
onde M
= D + L e N
= ( 1 ) D U. Assim a matriz de itera cao

e dada por G
= M
1
, desde que a matriz M
seja nao singular. Temos que, se a

matriz G
for convergente, isto e, (G
) < 1, o processo iterativo (3.60) converge para a

unica solu cao do sistema linear (3.34), para qualquer aproxima cao inicial x
(0)
. Desse modo,
a fun cao do parametro e de minimizar (G
).
Exemplo 3.3 Para exemplicar a fun cao do parametro , vamos considerar o sistema
linear Ax = b onde a matriz A e dada por
A =
_
_
100 30 20 30
10 100 20 40
10 10 60 20
5 10 5 30
_
_
Note que, A e estritamente diagonalmente dominante por linhas o que implica na con-
vergencia do Metodo de GaussSeidel. Na Figura 3.6 temos o comportamento do raio es-
pectral da matriz G
em fun cao do parametro de relaxa cao . Para = 1.0 temos

(G
) = 0.2056, que e a matriz de itera cao de GaussSeidel. Para o Metodo da Relaxa cao
Sucessiva, temos que (G
) (G). Este resultado e devido ao fato da matriz A ser

estritamente diagonalmente dominante por linhas.
Para melhor observar o resultado obtido, vamos considerar um vetor b dado por
b =
_
_
205
190
140
54
_
_
Considerando a aproxima cao inicial x
(0)
= b, foram realizadas 13 itera coes no Metodo
de GaussSeidel, para obter uma solu cao numerica do sistema linear com um erro relativo
de 8.913 10
7
. No Metodo Iterativo de Jacobi foram realizadas 54 itera coes para obter a
mesma precis ao, com uma taxa de convergencia (P) = 0.6989. Este exemplo mostra que
o Metodo de GaussSeidel e uma acelera cao para o Metodo de Jacobi.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
Parmetro de Relaxao
R
a
i
o

E
s
p
e
c
t
r
a
l

d
a

M
a
t
r
i
z

d
e

I
t
e
r
a
o
Figura 3.6: Raio espectral da matriz G
em fun cao do parametro .

Exemplo 3.4 Consideramos um outro exemplo onde a matriz do sistema linear e dada por
A =
_
_
2.1 1.0 0 0 0 0 0 1.0
1.0 2.1 1.0 0 0 0 0 0
0 1.0 2.1 1.0 0 0 0 0
0 0 1.0 2.1 1.0 0 0 0
0 0 0 1.0 2.1 1.0 0 0
0 0 0 0 1.0 2.1 1.0 0
0 0 0 0 0 1.0 2.1 1.0
1.0 0 0 0 0 0 1.0 2.1
_
_
Neste caso, a matriz A e simetrica e positivadenida. Pelo Teorema 3.15 da se c ao 3.5.1,
temos que o processo iterativo de GaussSeidel e convergente. Na Figura 3.7 temos o com-
portamento do raio espectral da matriz G
em fun cao do parametro de relaxa cao . Para

= 1.0 temos (G
) = 0.9082, que e a matriz de itera cao de GaussSeidel. Para

= 1.5313 temos (G
) = 0.6991, que e o melhor parametro para o Metodo da Relaxa cao

Sucessiva.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Parmetro de Relaxao
R
a
i
o

E
s
p
e
c
t
r
a
l

d
a

M
a
t
r
i
z

d
e

I
t
e
r
a
o
Figura 3.7: Raio espectral da matriz G
em fun cao do parametro .

Para melhor observar o resultado obtido, vamos considerar um vetor b dado por
b
t
=
_
4.1 4.1 4.1 4.1 4.1 4.1 4.1 4.1
_
Considerando a aproxima cao inicial x
(0)
= b, foram realizadas 118 itera coes no Metodo
de GaussSeidel, para obter uma solu cao numerica do sistema linear com um erro relativo
de 9.4871 10
7
. Para o Metodo da Relaxa cao Sucessiva com = 1.5313, foram realizadas
45 itera coes para obter uma solu cao numerica com um erro relativo de 9.7103 10
7
. Note
que, neste exemplo o Metodo da Relaxa cao Sucessiva teve um desempenho muito superior ao
Metodo de GaussSeidel, mostrando a real fun cao do parametro .
Finalmente, podemos dizer que a pesquisa do parametro otimo para o Metodo da Relaxa cao
Sucessiva, para uma determinada matriz associada a um problema pratico, deve ser feita em
duas situa coes. A primeira situa cao, e quando temos varios sistemas lineares com a mesma
matriz mudando somente o vetor do lado direito. A segunda situa cao, e no caso em que nao
temos a convergencia do Metodo de GaussSeidel.
3.5.5 Matriz de Iteracao e Precondicionador
Seja A IM
n
(IR) nao singular e b IR
n
, considere o sistema linear
Ax = b (3.61)
que possui uma unica solu cao x
= A
1
b. Tomando a decomposi cao A = M + N, com
M nao singular, vamos escrever o sistema linear (3.61) em uma forma equivalente
M x = N x + b (3.62)
No Metodo Iterativo de Jacobi M = D, onde D e a matriz diagonal denida em (3.38).
Temos que, N = L + U, com L denida em (3.37) e U denida em (3.39). Essas
matrizes correspondem a decomposi cao A = L + D + U, utilizada anteriormente para
descrever os metodos iterativos.
No Metodo Iterativo de GaussSeidel M = L + D e N = U. Para o Metodo da
Relaxa cao Sucessiva, temos que
M
=
1
( D + L ) e N
=
1
( ( 1 ) D U ) (3.63)
A partir do sistema linear (3.62), vamos escrever o processo iterativo linear
x
(k+1)
= ( M
1
N ) x
(k)
+ d para k = 0, 1, (3.64)
onde x
(0)
e uma aproxima cao inicial para a solu cao x
, d = M
1
b, e P = M
1
N e
a matriz de itera cao.
Vamos apresentar a matriz de itera cao P da seguinte forma
P = M
1
N = M
1
( M A ) = I M
1
A (3.65)
O processo iterativo (3.64), pode ser visto como uma tecnica para obter a solu cao do sistema
( I P ) x = d (3.66)
Utilizando P = I M
1
A, obtida em (3.65), o sistema linear (3.66) e escrito como
( M
1
A ) x = M
1
b (3.67)
Note que, o sistema linear (3.67) tem a mesma solu cao do sistema original (3.61), e dizemos
que e o sistema linear precondicionado e a matriz M e o precondicionador. Portanto, o pro-
cesso iterativo (3.64) e uma tecnica para obter a solu cao do sistema linear precondicionado.
No precondicionamento esperamos que a matriz M
1
A tenha um n umero de condi cao me-
nor que a matriz A. Esse efeito depende da escolha do precondicionador M.
Finalmente, para cada um dos metodos iterativos citados acima, temos uma matriz M
que realiza o precondicionamento do sistema linear (3.61). Assim, os precondicionadores de
Jacobi ( M
J
), GaussSeidel ( M
GS
), e Relaxa cao Sucessiva ( M
RS
) sao, respectivamente,
M
J
= D (3.68)
M
GS
= L + D (3.69)
M
RS
=
1
( D + L ) (3.70)
Exemplo 3.5 Para exemplicar a fun cao do precondicionador M, consideramos a matriz
A =
_
_
100 30 20 30
10 100 20 40
10 10 60 20
5 10 5 30
_
_
possuindo /
2
(A) = 6.3226, que e uma matriz bem condicionada. Para o precondicionador
de Jacobi, temos K
2
(M
1
J
A) = 2.7475. Para o precondicionador de Gauss-Seidel, obtemos
K
2
(M
1
GS
A) = 1.8627.
Exemplo 3.6 Para melhor exemplicar, consideramos a matriz
A =
_
_
2.1 1.0 0 0 0 0 0 1.0
1.0 2.1 1.0 0 0 0 0 0
0 1.0 2.1 1.0 0 0 0 0
0 0 1.0 2.1 1.0 0 0 0
0 0 0 1.0 2.1 1.0 0 0
0 0 0 0 1.0 2.1 1.0 0
0 0 0 0 0 1.0 2.1 1.0
1.0 0 0 0 0 0 1.0 2.1
_
_
possuindo /
2
(A) = 41.00, que e uma matriz bem condicionada. Para o precondicionador
de Gauss-Seidel, obtemos K
2
(M
1
GS
A) = 16.06. Para o precondicionador de Relaxa cao
Sucessiva, obtemos K
2
(M
1
RS
A) = 12.83, para w = 1.5313. Como os elementos da
diagonal principal s ao todos iguais, temos que K
2
(M
1
J
A) = /
2
(A).
Os exemplos mostram a fun cao do precondicionamento do sistema linear, que e de melhorar
a velocidade de convergencia dos metodos iterativos, atraves da diminui cao do n umero de
condi cao da matriz do sistema. Esses resultados podem ser vistos nos exemplos 3.3 e 3.4
da se cao 3.5.4, onde analisamos o n umero de itera coes de cada um dos metodos iterativos
aplicados a sistemas lineares associados as matrizes acima.
3.6 Metodo da Fatoracao de Cholesky
Seja A IM
n
n
. Consideremos o problema de
encontrar x
IR
n
solu cao do sistema linear simetrico e positivodenido Ax = b. Vamos
obter uma solu cao numerica atraves da Fatora cao de Cholesky da matriz A garantida pelo
teorema abaixo.
Teorema 3.16 (Fatoracao de Cholesky) Seja A IM
n
(IR) simetrica e positivadenida.
Entao, existe uma unica matriz triangular superior G, com todos os elementos da diagonal
principal positivos, tal que A = G
t
G.
Demonstracao Vamos fazer uma constru cao do fator de Cholesky por indu cao sobre a
ordem da matriz A . Para A = [a
11
], com a
11
> 0, temos que G =

a
11
. Pela hipotese
de indu cao, supomos a existencia do fator de Cholesky para uma matriz de ordem n 1 , e
vamos construir o fator de Cholesky para uma matriz A IM
n
(IR).
Inicialmente, escrevemos a matriz A na forma particionada
A =
_
_
A
n1

t
a
nn
_
_
(3.71)
onde a matriz A
n1
, de ordem n 1 , e positivadenida e a
nn
> 0 , pois A e positiva
denida, e IR
n1
. Usando a hipotese de indu cao, existe o fator de Cholesky da matriz
A
n1
, isto e, A = G
t
n1
G
n1
. Desse modo, vamos procurar o fator de Cholesky da matriz
A da seguinte forma
G =
_
_
G
n1
c
0
_
_
(3.72)
com c IR
n1
e > 0 , que sao determinados pela equa cao matricial
_
_
A
n1

t
a
nn
_
_
=
_
_
G
t
n1
0
c
t
_
_
_
_
G
n1
c
0
_
_
(3.73)
resultando nas seguintes equa coes
c
t
c +
2
= a
nn
e G
t
n1
c =
Como G
n1
e nao singular, existe um unico c IR
n1
solu cao do sistema triangular inferior
G
t
n1
c =
Sabemos que
det(A) =
2
( det(G
n1
) )
2
> 0
implicando na existencia de um unico > 0, solu cao da equa cao
c
t
c +
2
= a
nn
= =
_
a
nn
c
t
c
Portanto, temos a existencia e unicidade do Fator de Cholesky, e ao mesmo tempo mostramos
uma forma de constru-lo. Note que, se for um complexo puro, entao a matriz A nao e
positivadenida. Desse modo, durante o processo da Fatora cao de Cholesky podemos fazer
verica cao se a matriz A e positivadenida. O que completa a demonstra cao.
A seguir, apresentamos uma outra forma de constru cao do fator de Cholesky, atraves da com-
para cao entre os elementos, da parte triangular superior, da equa cao matricial A = G
t
G.
Desse modo, para j i , temos
a
ij
=
i
k=1
g
kj
g
ki
para i = 1, 2, . . . , n
Organizando de forma adequada as equa coes acima, obtemos inicialmente o iesimo elemento
da diagonal principal da matriz G que e dado por
g
ii
=
_
_
a
ii

i1
j=1
g
2
ji
_
Em seguida, encontramos os elementos da iesima linha a partir da diagonal, dados por
g
ij
=
a
ij

i1
k=1
g
kj
g
ki
g
ii
para j = (i + 1), . . . , n
para todo i = 1, 2, . . . , n , com g
11
=

a
11
.
Utilizando a Fatora cao de Cholesky da matriz do sistema linear simetrico e positivodenido,
obtemos sua solu cao resolvendo dois sistemas triangulares
_
_
_
G
t
y = b
Gx = y
(3.74)
No procedimento da fatora cao de Cholesky, o n umero de opera coes elementares realizadas e
da ordem de n
3
/6 e n razes quadradas. No procedimento para obten cao da solu cao de um
sistema triangular, o n umero de opera coes elementares realizadas e da ordem de n
2
/2. Mais
a frente, apresentamos o algoritmo da fatora cao de Cholesky e o algoritmo para a resolu cao
dos dois sistemas triangulares. Nos algoritmos, o fator de Cholesky pode ser armazenado na
parte triangular superior da propria matriz A, para economia de memoria.
Finalmente, vamos observar que o Metodo da Fatora cao de Cholesky para a obten cao da
solu cao numerica de um sistema linear simetrico e positivodenido e estavel, isto e,
| x
x |
2
| x
|
2
/
2
(A)
| b |
2
| b |
2
(3.75)
onde x
e a solu cao exata do sistema linear, b e uma perturba cao do sistema linear dada
em b , e x e a solu cao obtida pelo Metodo da Fatora cao de Cholesky.
De modo analogo, temse que
| x
x |
2
| x |
2
/
2
(A)
[[[ A[[[
2
[[[ A[[[
2
(3.76)
onde A e uma perturba cao do sistema linear dada na matriz A. Podemos considerar a
solu cao numerica x = x
+ x
, como sendo a solu cao do sistema linear perturbado. Desse

modo, o erro relativo depende do n umero de condi cao espectral da matriz A.
As desigualdades (3.75) e (3.76) sao obtidas seguindo os resultados apresentados na se cao
2.6, de analise de sensibilidade para sistemas lineares, e do teorema abaixo, aplicados nos
sistemas triangulares apresentados em (3.74).
Teorema 3.17 (N umero de Condicao do Fator de Cholesky)
Seja A IM
n
(IR) simetrica e positivadenida e G IM
n
(IR) triangular superior o fator
de Cholesky da matriz A. Entao, /
2
(G) =
_
/
2
(A) .
Demonstracao A prova e feita utilizando o resultado do Teorema 2.26.
Um estudo mais detalhado sobre a fatora cao de Cholesky, tanto do ponto de vista teorico
quanto computacional, pode ser feito utilizando as referencias Golub & Van Loan (1996) e
Watkins (1991). Os resultados aqui apresentados sao amplamente utilizados na analise dos
sistemas lineares provenientes da discretiza cao de problemas de valores de contorno.
Algoritmo 3.8 (Fatoracao de Cholesky)
for i = 1,2, ... ,n
soma = 0.0
for j = 1,2, ... , (i - 1)
soma = soma + G(j,i)*G(j,i)
end
delta = A(i,i) - soma
G(i,i) = sqrt(delta)
for j = (i+1), ... , n
soma = 0.0
for k = 1,2, ... , (i - 1)
soma = soma + G(k,j)*G(k,i)
end
G(i,j) = ( A(i,j) - soma ) / G(i,i)
end
end
Algoritmo 3.9 (Solucao dos Sistemas Triangulares)
% Sistema Triangular Inferior Gy = b
for i = 1,2, ... , n
soma = 0.0
for j = 1,2, ... ,(i - 1)
soma = soma + G(j,i)*y(j)
end
y(i) = ( b(i) - soma ) / G(i,i)
end
% Sistema Triangular Superior Gx = y
for i = n, ... , 1
soma = 0.0
for j = (i + 1), ... , n
soma = soma + G(i,j)*x(j)
end
x(i) = ( y(i) - soma ) / G(i,i)
end
3.6.1 Sistema Tridiagonal
Vamos agora apresentar a constru cao do fator de Cholesky de uma matriz A IM
n
(IR)
simetrica e positivadenida com uma estrutura tridiagonal, que tambem e de muito interesse
nas discretiza coes de problemas de valores de contorno. Podemos representar a matriz A
da seguinte forma
A =
_
_
a
1
b
1
b
1
a
2
b
2
b
2
a
3
b
3
.
.
.
.
.
.
.
.
.
b
n2
a
n1
b
n1
b
n1
a
n
_
_
(3.77)
e o seu fator de Cholesky por
G =
_
_
c
1
d
1
c
2
d
2
c
3
d
3
.
.
.
.
.
.
c
n1
d
n1
c
n
_
_
(3.78)
Vamos fazer a constru cao do fator de Cholesky atraves da compara cao entre os elementos,
da parte triangular superior das matrizes na equa cao A = G
t
G , considerando as suas
representa coes acima. Desse modo, os elementos da diagonal principal sao dados por
c
i
=
_
a
i
d
2
i1
e os elementos da diagonal superior sao dados por
d
i
=
b
i
c
i
para todo i = 1, 2, . . . , n , com c
1
=

a
1
.
Este procedimento sera de grande utilidade para obtermos uma maneira eciente de cons-
tru cao do fator de Cholesky de uma matriz simetrica e positivadenida com uma estrutura
tridiagonal por blocos, como a que apresentamos no projeto.
Algoritmo 3.10 (Fator de Cholesky para Matriz Tridiagonal)
diag(1) = sqrt(diag(1))
sup(1) = sup(1)/diag(1)
for i = 2, ... , n
delta = diag(i) - sup(i-1)*sup(i-1)
diag(i) = sqrt(delta)
sup(i) = sup(i)/diag(i)
end
y(1) = b(1)/diag(1)
for i = 2, ... , n
y(i) = ( b(i) - y(i-1)*sup(i-1) )/diag(i)
end
x(n) = y(n)/diag(n)
for i = (n - 1), ... , 1
x(i) = ( y(i) - x(i+1)*sup(i) )/diag(i)
end
Note que, nos algoritmos, estamos armazenando a matriz A em dois vetores diag , que
contem a diagonal principal, e sup , que contem a diagonal superior.

E importante observar
como armazenamos a matriz A considerando sua representa cao em (3.77). A diagonal
principal foi armazenada da seguinte forma
diag(i) = a
i
para i = 1, 2, ..., n
A diagonal superior foi armazenada da seguinte forma
sup(i) = b
i
para i = 1, 2, ..., (n 1)
e armazenando sup(n) = 0 para ter um algoritmo mais enxuto. No nal do algoritmo os
vetores diag e sup contem o fator de Cholesky, de acordo com a sua representa cao em
(3.78), isto e,
diag(i) = c
i
para i = 1, 2, ..., n
sup(i) = d
i
para i = 1, 2, ..., (n 1)
Note que, o procedimento para constru cao do fator de Cholesky de uma matriz simetrica
e positivadenida com uma estrutura tridiagonal realiza (3n 3) opera coes elementares
e mais n razes quadradas, onde o calculo de uma raiz quadrada custa seis opera coes
elementares. Uma forma de tornar este procedimento mais eciente, isto e, evitando os
calculos das razes quadradas, e que tambem possa ser utilizado para uma matriz com esta
estrutura mas que nao seja positivadenida, e obtermos a fatora cao LDL
t
da matriz A,
isto e, A = LDL
t
. Vamos representar a matriz L da seguinte forma
L =
_
_
1
e
1
1
e
2
1
.
.
.
.
.
.
e
n2
1
e
n1
1
_
_
(3.79)
e a matriz diagonal D = diag(d
1
, . . . , d
n
). Desse modo, temos que
d
1
= a
1
e, para i = 2, . . . , n , temse que
e
i1
d
i1
= b
i1
= e
i1
=
b
i1
d
i1
e
2
i1
d
i1
+ d
i
= e
i1
b
i1
+ d
i
= a
i
= d
i
= a
i
e
i1
b
i1
Este procedimento de fatora cao realiza (3n 3) opera coes elementares. Obtidos os fatores
L e D, passamos para à resolu cao dos sistemas triangulares Ly = b , Dz = y e
L
t
x = z para encontrarmos a solu cao do sistema tridiagonal Ax = b. Assim, temse que
a resolu cao do sistema triangular inferior e do sistema diagonal sao dados por
y
1
= b
1
y
i
= b
i
y
i1
e
i1
para i = 2, . . . , n
z
i
=
y
i
d
i
para i = 1, . . . , n
e a resolu cao do sistema triangular superior e dada por
x
n
= z
n
x
i
= z
i
x
i+1
e
i
para i = (n 1), . . . , 1
Note que, a resolu cao dos sistemas triangulares realiza (5n 3) opera coes elementares.
Algoritmo 3.12 (Fatoracao LDL
t
para Matriz Tridiagonal)
for i = 2, ..., n
subold = sub(i)
sub(i) = subold/diag(i-1)
diag(i) = diag(i) - subpold*sub(i)
end
% Sistema Triangular Inferior Ly = b
y(1) = b(1)
for i = 2, ... , n
y(i) = b(i) - y(i-1)*sub(i)
end
% Sistema Diagonal Dz = y
for i = 1, ... , n
z(i) = y(i)/diag(i)
end
% Sistema Triangular Superior Lx = z
x(n) = z(n)
for i = (n - 1), ... , 1
x(i) = z(i) - x(i+1)*sub(i+1)
end
Note que, nos algoritmos, estamos armazenando a matriz A em dois vetores diag , que
contem a diagonal principal, e sub , que contem a diagonal inferior.

E importante observar
como armazenamos a matriz A considerando sua representa cao em (3.77). A diagonal
principal foi armazenada da seguinte forma
diag(i) = a
i
para i = 1, 2, ..., n
A diagonal inferior foi armazenada da seguinte forma
sub(i) = b
i1
para i = 2, 3, ..., n
No nal do algoritmo os vetores diag e sub contem os fatores L e D, de acordo com a
sua representa cao em (3.79), isto e,
diag(i) = d
i
para i = 1, 2, ..., n
sub(i) = e
i1
para i = 2, 3, ..., n
3.6.2 Sistema com Estrutura de Banda
Vamos agora apresentar a constru cao do fator de Cholesky de uma matriz A IM
n
(IR)
simetrica e positivadenida com uma estrutura de banda, que tambem e de interesse nas dis-
cretiza coes de problemas de valores de contorno. Consideremos uma matriz A = [a
ij
] com
semibanda wb , isto e, a
ij
= 0 para [j i[ > wb. O comprimento da semibanda e
exatamente o n umero de diagonais nao nulas existentes acima e abaixo da diagonal principal.
Em geral wb n. O procedimento para a constru cao do fator de Cholesky e an alogo ao
procedimento feito para matriz tridiagonal. Mais à frente, apresentamos os algoritmos para
a constru cao do fator de Cholesky e para a resolu cao dos dois sistemas triangulares, para
obten cao da solu cao de um sistema simetrico e positivodenido com estrutura de banda.
A seguir, apresentamos uma forma eciente para o armazenamento de uma matriz simetrica
com estrutura de banda, onde necessitamos de (wb + 1) vetores com n posi coes.
Por simplicidade, vamos considerar um exemplo de uma matriz A simetrica e positiva
denida de ordem n = 6 e semi-banda wb = 2, dada por
A =
_
_
6.0 4.0 1.0 0.0 0.0 0.0
4.0 6.0 4.0 1.0 0.0 0.0
1.0 4.0 6.0 4.0 1.0 0.0
0.0 1.0 4.0 6.0 4.0 1.0
0.0 0.0 1.0 4.0 6.0 4.0
0.0 0.0 0.0 1.0 4.0 6.0
_
_
Armazenamos somente sua parte superior, em uma matriz A = [a
ij
] , da seguinte forma
A =
_
_
6.0 4.0 1.0
6.0 4.0 1.0
6.0 4.0 1.0
6.0 4.0 1.0
6.0 4.0 0.0
6.0 0.0 0.0
_
_
(3.80)
O elemento a
ij
, pertencente à banda superior, isto e, ji wb, e armazenado no elemento
a
ik
, com k = j i + 1 , para i = 1, 2, . . . , n. Assim, devemos fazer uma pequena
altera cao no algoritmo de fatora cao de Cholesky para matriz com estrutura de banda, para
trabalharmos com esta forma de armazenamento. A seguir, vamos apresentar um resultado
sobre a semibanda do fator de Cholesky G.
Teorema 3.18 Se A IM
n
(IR) simetrica e positivadenida com estrutura de banda, de
semibanda wb . Entao, o fator de Cholesky G tem semibanda wb.
Demonstracao Sabemos que a submatriz principal A
k
, para k = 1, , n, e simetrica
e positivadenida. Vamos denotar por G
k
a kesima submatriz principal do fator de
Cholesky G, que tambem e triangular superior. Temos que, G
k
e o fator de Cholesky da
submatriz principal A
k
. Desse modo, vamos escrever A
k
da seguinte forma
A
k
=
_
_
A
k1
b
b
t
a
kk
_
_
=
_
_
G
t
k1
0
c
t
_
_
_
_
G
k1
c
0
_
_
onde b, c IR
k1
e IR. Temos que, c e sao determinados pelas equa coes
c
t
c + = a
kk
e G
t
k1
c = b
Note que, b e uma parte da kesima coluna de A e c e a parte correspondente do fator
de Cholesky G. Seja

b IR
r
k
, com 1 r
k
wb, a parte de b que esta na semibanda
da matriz A. Assim, temos que
b =
_
_
0
b
_
_
Como c e a solu cao do sistema triangular inferior
G
t
k1
c = b
e facil ver que c tem a seguinte forma
c =
_
_
0
c
_
_
onde c IR
r
k
. Desse modo, mostramos que a semibanda de G e menor ou igual a
semibanda de A. Vamos considerar que g
ik
seja o primeiro elemento do vetor c. Assim,
o primeiro elemento de

b e a
ik
,= 0. Sabemos que, o primeiro elemento de c e dado por
g
ik
=
a
ik
g
ii
,= 0
Portanto, mostramos que o fator de Cholesky G tem semibanda wb.
Vamos fazer a constru cao do fator de Cholesky atraves da compara cao entre os elementos da
banda superior das matrizes na equa cao A = G
t
G. Para i j min n , i + wb ,
temos que
a
ij
=
i
k = max{1 , iwb}
g
kj
g
ki
para i = 1, 2, . . . , n
Organizando de forma adequada as equa coes acima, obtemos inicialmente o iesimo elemento
da diagonal principal da matriz G, que e dado por
g
ii
=
_
_
_
a
ii

i1
j = max{1 , iwb}
g
2
ji
_
_
Em seguida encontramos os elementos da iesima linha a partir da diagonal, dados por
g
ij
=
a
ij

i1
k = max{1 , jwb}
g
kj
g
ki
g
ii
; j = (i + 1), 2, . . . , min n , i + wb
para todo i = 1, 2, . . . , n , com g
11
=

a
11
.
Assim, a solu cao do sistema triangular inferior G
t
y = b e dado por
y
i
=
b
i

i1
j = max{1 , iwb}
g
ji
y
j
g
ii
para i = 1, 2, . . . , n
e o sistema triangular superior Gx = y e dado por
x
i
=
y
i

min{n , i+wb}
j=i+1
g
ij
x
j
g
ii
para i = n, , . . . , 1
A seguir, apresentamos um algoritmo da fatora cao de Cholesky para uma matriz com semi
banda wb, ja voltado para uma implementa cao computacional, onde a matriz A esta
armazenada de acordo com o esquema descrito em (3.80).
Algoritmo 3.14 (Fator de Cholesky para Matriz com Estrutura de Banda)
for i = 1,2, ... ,n
soma = 0.0
for j = max( 1, (i - wb) ), ... , (i-1)
soma = soma + G(j,i)*G(j,i)
end
delta = A(i,i) - soma
G(i,i) = sqrt(delta)
for j = (i+1), ... , min( n, (i + wb) )
kinicial = max( 1, (j - wb) ), soma = 0.0
for k = kinicial, ... , (i-1)
soma = soma + G(k,j)*G(k,i)
end
G(i,j) = ( A(i,j) - soma )/G(i,i)
end
end
for i = 1,2, .... , n
soma = 0.0
for j = max( 1, (i - wb) ), ... ,(i-1)
soma = soma + G(j,i)*y(j)
end
y(i) = ( b(i) - soma )/G(i,i)
end
for i = n, ... , 1
soma = 0.0
for j = (i+1), .... , min( n, (i + wb) )
soma = soma + G(i,j)*x(j)
end
x(i) = ( y(i) - soma )/G(i,i)
end
Exemplo 3.7 (Filtro de Hodrick-Prescott) Sejam Y = (y
1
, , y
n
) dados observa-
dos, X = (x
1
, , x
n
) tendencia n ao observada e C = (c
1
, , c
n
) resduo n ao
observado denido por C = Y X. A tendencia obtida atraves do Filtro HP, que vamos
denotar por

X, e a solu cao do seguinte problema de minimiza cao convexa
min
X
_
n
j=1
( y
j
x
j
)
2
+
n1
j=2
( ( x
j+1
x
j
) ( x
j
x
j1
) )
2
_
(3.81)
onde > 0 e o parametro de suaviza cao.
Note que, o problema (3.81) pode ser escrito da seguinte forma
min
X
_
n
j=1
( y
j
x
j
)
2
+
n1
j=2
( x
j1
2x
j
+ x
j+1
)
2
_
(3.82)
Impondo a condi cao de ponto crtico para o problema de minimiza cao convexo, obtemos o
seguinte sistema linear
( F + I )X = Y (3.83)
onde F e a matriz dada abaixo.
F =
_
_
1 2 1
2 5 4 1
1 4 6 4 1
1 4 6 4 1

1 4 6 4 1
1 4 5 2
1 2 1
_
_
(3.84)
O sistema linear (3.83) e simetrico e positivodenido, com uma estrutura de banda, assim
podemos obter uma solu cao numerica atraves da Fatora c ao de Cholesky. Desse modo, obte-
mos a solu cao do sistema linear simetrico e positivodenido (3.83), resolvendo dois sistemas
triangulares
_
_
_
G
t
Z = Y
GX = Z
(3.85)
onde G e o Fator de Cholesky da matriz F + I. Para um estudo mais detalhado sobre
os ltros HP, pode ser utilizada a referencia Blyth et al. (2000).
Para exemplicar, vamos considerar a tendencia de alguns indicadores nanceiros. Como
primeiro exemplo, temos a tendencia para o CDI. A seguir apresentamos as varia coes do CDI
no perodo de Setembro de 2002 a Agosto de 2003. As tendencias e os resduos obtidos pelo
Filtro HP com = 1 estao na Figura 3.8. Note que, para = 1000 temos uma regressao
linear para a tendencia, veja Figura 3.9. No caso em que = 10
3
temos a tendencia
coincidindo com a TR, veja Figura 3.10.
Tabela 3.1:

Indices para o CDI
Set Out Nov Dez 2002 Jan Fev Mar Abr Maio Jun Jul Ago
1.38 1.64 1.53 1.73 19.11 1.97 1.83 1.77 1.87 1.96 1.85 2.08 1.77
0 2 4 6 8 10 12
1.2
1.4
1.6
1.8
2
2.2
C
D
I

e

T
e
n
d
n
c
i
a

[
%
]
0 2 4 6 8 10 12
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
Tempo [meses]
R
e
s
d
u
o

[
%
]
Figura 3.8: Tendencia e resduo para o CDI, para = 1.
0 2 4 6 8 10 12
1.2
1.4
1.6
1.8
2
2.2
C
D
I

e

T
e
n
d
n
c
i
a

[
%
]
0 2 4 6 8 10 12
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
Tempo [meses]
R
e
s
d
u
o

[
%
]
Figura 3.9: Tendencia e resduo para o CDI, para = 1000.
0 2 4 6 8 10 12
1.2
1.4
1.6
1.8
2
2.2
C
D
I

e

T
e
n
d
n
c
i
a

[
%
]
0 2 4 6 8 10 12
1.5
1
0.5
0
0.5
1
1.5
x 10
3
Tempo [meses]
R
e
s
d
u
o

[
%
]
Figura 3.10: Tendencia e resduo para o CDI, para = 10
3
.
Como segundo exemplo, temos a tendencia para a TR. A seguir apresentamos as varia coes da
TR no perodo de Setembro de 2002 a Agosto de 2003. As tendencias e os resduos obtidos
pelo Filtro HP com = 1 estao na gura 3.11.
Tabela 3.2:

Indices para a TR
Set Out Nov Dez 2002 Jan Fev Mar Abr Maio Jun Jul Ago
0.20 0.28 0.26 0.36 2.80 0.49 0.41 0.38 0.42 0.47 0.42 0.55 0.40
0 2 4 6 8 10 12
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
T
R

e

T
e
n
d
n
c
i
a

[
%
]
0 2 4 6 8 10 12
0.06
0.04
0.02
0
0.02
0.04
0.06
0.08
Tempo [meses]
R
e
s
d
u
o

[
%
]
Figura 3.11: Tendencia e resduo para a TR, para = 1.
Os programas em Matlab para Fatora cao de Cholesky estao disponveis na pagina
AsTeCA/
Script File
testcholes Sistema Linear Simetrico e PositivoDenido
tsttridspd Sistema Linear Tridiagonal Simetrico e PositivoDenido (spd)
testLDLt Sistema Linear Tridiagonal Simetrico
tstbandspd Sistema Linear spd com Estrutura de Banda
Function File
choles Fator de Cholesky para Matriz Densa spd
solvespd Solu cao dos Sistemas Triangulares Sistema Denso spd
tridspd Fator de Cholesky para Matriz Tridiagonal spd
solvetridspd Solu cao dos Sistemas Triangulares Sistema Tridiagonal spd
tridLDLt Fator de Cholesky para Matriz Tridiagonal Simetrica
solveLDLt Solu cao dos Sistemas Triangulares Sistema Tridiagonal Simetrico
cholband Fator de Cholesky para Matriz com Estrutura de Banda
solvebandspd Solu cao dos Sistemas Triangulares Sistema de Banda spd
errormsg Mensagem de Erro de Sistema Singular
errorspd Mensagem de Erro de Matriz n ao PositivaDenida
3.7 Metodo da Fatoracao LU
Seja A IM
n
n
. Consideremos o problema de encontrar x
IR
n
solu cao do sistema linear Ax = b. Para tanto, necessitamos da Fatora cao LU da matriz
do sistema linear. A seguir, vamos apresentar alguns resultados em que podemos obter a
fatora cao LU sem a necessidade de pivoteamento, pois em cada passo o pivo esta na diagonal
principal. Esse fato e extremamente interessante nos casos em que a matriz possui certas
estruturas de esparsidade em que o pivoteamento produz altera coes nestas estruturas, o que
dicultaria a elabora cao de um algoritmo especco. Um estudo mais detalhado sobre o tema,
tanto do ponto de vista teorico quanto computacional, pode ser feito utilizando as referencias
Golub & Van Loan (1996), Watkins (1991) e Burden & Faires (2003).
Teorema 3.19 (Fatoracao LU) Seja A IM
n
(IR) estritamente diagonalmente domi-
nante por colunas. Entao, existe uma unica matriz triangular inferior L = [l
ij
] IM
n
(IR)
com os elementos da diagonal principal todos iguais a unidade e uma unica matriz trian-
gular superior U = [u
ij
] IM
n
(IR) , tais que A = LU. Alem disso, temos que
det(A) =
n
i=1
u
ii
.
Demonstracao Vamos escrever a matriz A da seguinte forma
A =
_
_
w
t
v C
_
_
onde IR, v, w IR
n1
e C IM
(n1)
(IR). Note que, apos o primeiro passo da
fatora cao LU obtemos
_
_
w
t
v C
_
_
=
_
_
1 0
v
I
_
_
_
_
w
t
0 C
v w
t
_
O resultado do teorema segue por indu cao sobre n, se mostrarmos que a matriz
B =
_
C
v w
t
_
IM
(n1)
(IR)
e estritamente diagonalmente dominante por colunas.
De fato,
(n1)
i = 1
i ,= j
[b
ij
[ =
(n1)
i = 1
i ,= j
c
ij

v
i
w
j
<
(n1)
i = 1
i ,= j
[c
ij
[ +
[w
j
[
[[
(n1)
i = 1
i ,= j
[v
i
[
somando e subtraindo [v
j
[ da ultima expressao, obtemos
(n1)
i = 1
i ,= j
[b
ij
[ <
(n1)
i = 1
i ,= j
[c
ij
[ +
[w
j
[
[[
_
_
(n1)
i=1
[v
i
[ [v
j
[
_
_
Usando o fato que A e estritamente diagonalmente dominante por colunas, temos que
(n1)
i=1
[v
i
[ < [[
que substituindo na desigualdade acima, resulta
(n1)
i = 1
i ,= j
[b
ij
[ <
(n1)
i = 1
i ,= j
[c
ij
[ + [w
j
[
[w
j
[
[[
[v
j
[
Usando novamente a hipotese que A e estritamente diagonalmente dominante por colunas,
nos dois primeiros termos do lado direito da desigualdade, temse que
(n1)
i = 1
i ,= j
[b
ij
[ < [c
jj
[
[w
j
[
[[
[v
j
[
c
jj

w
j
v
j
= [b
jj
[
Portanto, B e estritamente diagonalmente dominante por colunas. Desse modo, segue o
resultado desejado.
Denicao 3.8 (Transformacao de Gauss) Seja x IR
n
com sua kesima componente
n ao nula, isto e, x
k
,= 0. Vamos construir uma matriz M
k
IM
n
(IR) de modo que o vetor
y = M
k
x IR
n
seja dado por
y = M
k
x =
_
_
x
1
.
.
.
x
k
0
.
.
.
0
_
_
A matriz M
k
e denominada transforma cao de Gauss.
Vamos denir um vetor
(k)
IR
n
da seguinte forma
(k)
=
_
_
0
.
.
.
0
x
k+1
x
k
.
.
.
x
n
x
k
_
_
Desse modo, podemos escrever a transforma cao de Gauss M
k
como
M
k
= I
(k)
e
t
k
onde e
k
n
e I e a matriz identidade de
ordem n.

E facil ver que M
k
e uma matriz triangular inferior, e que M
1
k
= I +
(k)
e
t
k
,
pois e uma matriz elementar. Para facilitar a visualiza cao da matriz M
k
, podemos observar
que ela e uma modica cao da kesima coluna da matriz identidade. Assim, temos que a
kesima coluna da matriz M
k
, que vamos denotar por (M
k
)
k
, e dada por
(M
k
)
k
=
_
_
0
.
.
.
1
k+1
.
.
.
n
_
_
Utilizando as transforma coes de Gauss para representar a fatora cao LU da matriz A , com
a hipotese do Teorema 3.19, temos
M
n1
M
n2
. . . M
1
A = U IM
n
(IR)
Assim, temos que
A = M
1
1
M
1
2
. . . M
1
n1
U = LU
E facil vericar que, como cada transforma cao de Gauss M

k
e triangular inferior, M
1
k
tambem e triangular inferior. Como o produto de matrizes triangulares inferiores tambem e
uma matriz triangular inferior, segue que a matriz L = M
1
1
M
1
2
. . . M
1
n1
e triangular
inferior.
Finalmente, podemos representar a matriz triangular inferior L da seguinte forma
L = I +
n1
k=1
(k)
e
t
k
A prova pode car a cargo do leitor, que ira obtela com muita facilidade.
Teorema 3.20 (Fatoracao LU) Seja A IM
n
(IR) e A
k
as submatrizes principais.
Sejam as submatrizes principais A
k
n ao singulares. Entao, existe uma unica matriz trian-
gular inferior L = [l
ij
] IM
n
(IR) , com os elementos da diagonal principal todos iguais a
unidade, e uma unica matriz triangular superior U = [u
ij
] IM
n
(IR) , tais que A = LU.
Alem disso, temos que det(A) =
n
i=1
u
ii
.
Demonstracao Vamos supor que ja determinamos as transforma coes de Gauss M
1
, . . . , M
k1
,
representado a realiza cao de (k 1) passo da fatora cao LU, tais que
A
(k1)
= M
k1
. . . M
1
A =
_
_
A
(k1)
11
A
(k1)
12
0 A
(k1)
22
_
_
onde A
(k1)
11
e triangular superior nao singular, isto e, det(A
(k1)
11
) ,= 0. Representando
A
(k1)
22
da seguinte forma
A
(k1)
22
=
_
_
a
(k1)
kk
. . . a
(k1)
kn
.
.
.
.
.
.
a
(k1)
nk
. . . a
(k1)
nn
_
_
Pela hipotese que as submatrizes principais sao nao singulares, temos que
det(A
k
) = a
(k1)
kk
det(A
(k1)
11
) ,= 0
Isso implica em que a
(k1)
kk
,= 0 . Desse modo, podemos encontrar a transforma cao de Gauss
M
k
= I +
(k)
e
t
k
, e passar para o kesimo passo da fatora cao LU, obtendo
A
(k)
= M
k
A
(k1)
_
_
A
(k)
11
A
(k)
12
0 A
(k)
22
_
_
onde A
(k)
11
e triangular superior nao singular, isto e, det(A
(k)
11
) ,= 0. Desse modo, podemos
prosseguir ate o nal do processo obtendo a fatora cao LU da matriz A.
Finalmente, vamos mostrar a unicidade das matrizes L e U . Para isso, supomos que a
matriz A possui duas fatora coes distintas, isto e, A = L
1
U
1
e A = L
2
U
2
. Logo,
temos que L
1
U
1
= L
2
U
2
, o que implica em L
1
2
L
1
= U
2
U
1
1
= I, pois L
1
2
L
1
e uma
matriz triangular inferior, com os elementos da diagonal principal todos iguais a unidade, e
U
2
U
1
1
e uma matriz triangular superior. Portanto, temos que L
1
= L
2
e U
1
= U
2
.
Desse modo, completamos a demonstra cao.
Utilizando a Fatora cao LU da matriz do sistema linear, obtemos sua solu cao resolvendo dois
sistemas triangulares
_
_
_
Ly = b
U x = y
(3.86)
No procedimento de fatora cao LU o n umero de opera coes elementares realizadas e da ordem
de n
3
/3, e no procedimento para obten cao da solu cao de um sistema triangular o n umero
de opera coes elementares realizadas e da ordem de n
2
/2.
3.7.1 Sistema Tridiagonal
Vamos apresentar a constru cao da fatora cao LU de uma matriz A IM
n
(IR) nao singular
com uma estrutura tridiagonal, que tambem e de grande interesse nas discretiza coes de pro-
blemas de valores de contorno. Note que, se a matriz tem a propriedade de ser estritamente
diagonalmente dominante por colunas, podemos obter a sua fatora cao LU sem a necessidade
de pivoteamento de acordo com o Teorema 3.19 da se cao 3.7.
Vamos representar a matriz A da seguinte forma
A =
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
.
.
.
.
.
.
.
.
.
c
n2
a
n1
b
n1
c
n1
a
n
_
_
e os fatores L e U , vamos representar por
L =
_
_
1
f
1
1
f
2
1
.
.
.
.
.
.
f
n2
1
f
n1
1
_
_
U =
_
_
d
1
e
1
d
2
e
2
d
3
e
3
.
.
.
.
.
.
d
n1
e
n1
d
n
_
_
Vamos fazer a constru cao dos fatores L e U atraves da compara cao entre os elementos
das matrizes na equa cao A = LU, considerando as suas representa coes acima. Este
procedimento e denominado decomposi cao de Crout. Desse modo, temos que
d
1
= a
1
e e
1
= b
1
e para i = 2, . . . , n temse que
f
i1
d
i1
= c
i1
= f
i1
=
c
i1
d
i1
f
i1
e
i1
+ d
i
= a
i
= d
i
= a
i
f
i1
e
i1
e
i
= b
i
; i ,= n
O procedimento de fatora cao LU para matriz tridiagonal realiza (3n 3) opera coes
elementares. Obtidos os fatores L e U passamos para a resolu cao dos sistemas triangulares
Ly = b e U x = y para encontrarmos a solu cao do sistema tridiagonal Ax = b. A
resolu cao do sistema triangular inferior e dada por
y
1
= b
1
y
i
= b
i
y
i1
f
i1
para i = 2, . . . , n
e a resolu cao do sistema triangular superior e dada por
x
n
=
y
n
d
n
x
i
=
y
i
x
i+1
e
i
d
i
para i = (n 1), . . . , 1
Note que, a resolu cao dos sistemas triangulares realiza (5n 3) opera coes elementares.
Algoritmo 3.16 (Fatoracao LU para Matriz Tridiagonal)
for i = 2, ... n
sub(i) = sub(i)/diag(i-1)
diag(i) = diag(i) - sub(i)*sup(i-1)
end
y(1) = b(1)
for i = 2, ... ,n
y(i) = b(i) - y(i-1)*sub(i)
end
% Sistema Triangular Superior Ux = y
x(n) = y(n)/diag(n);
for i = (n - 1), ... , 1
x(i) = ( y(i) - x(i+1)*sup(i) )/diag(i)
end
Nos algoritmos estamos armazenando a matriz A em tres vetores diag , que contem a
diagonal principal, sup , que contem a diagonal superior, e sub , que contem a diagonal
inferior. No nal do algoritmo da fatora cao, esses tres vetores contem os fatores L e U.
E importante observar a forma como foi feita o armazenamento da matriz A, considerando

sua representa cao acima. A diagonal principal foi armazenada da seguinte forma
diag(i) = a
i
para i = 1, 2, ..., n
A diagonal superior foi armazenada da seguinte forma
sup(i) = b
i
para i = 1, 2, ..., (n 1)
a diagonal inferior foi armazenada da seguinte forma
sub(i) = c
i1
para i = 2, 3, ..., n
Nos sistemas lineares provenientes da discretiza cao de problemas de valores de contorno, as
posi coes sub(1) e sup(n) sao construdas e serao utilizadas para a coloca cao das condi coes
de Dirichlet no vetor do lado direito do sistema.
No nal do algoritmo, os vetores diag , sup e sub contem os fatores L e U, isto e,
diag(i) = d
i
para i = 1, 2, ..., n
sup(i) = e
i
para i = 1, 2, ..., (n 1)
sub(i) = f
i1
para i = 2, 3, ..., n
3.7.2 Sistema com Estrutura de Banda
Vamos agora apresentar a constru cao da fatora cao LU de uma matriz A IM
n
(IR) com uma
estrutura de banda, que tambem e de interesse nas discretiza coes de problemas de valores de
contorno. Consideremos uma matriz A = [a
ij
] com semibanda wb , isto e, a
ij
= 0
para [j i[ > wb. Note que o comprimento da semibanda e exatamente o n umero de
diagonais nao nulas existentes acima e abaixo da diagonal principal. Em geral wb n.
A seguir, apresentamos uma forma eciente para o armazenamento de uma matriz com es-
trutura de banda, onde necessitamos de (2wb + 1) vetores com n posi coes.
Por simplicidade, vamos considerar um exemplo de uma matriz A de ordem n = 6 e
semi-banda wb = 2, dada por
A =
_
_
1.0 2.5 3.0 0.0 0.0 0.0
4.0 5.0 6.0 7.0 0.0 0.0
8.0 9.5 10.0 11.0 12.0 0.0
0.0 13.5 14.0 15.5 16.0 17.5
0.0 0.0 18.0 19.5 20.0 21.0
0.0 0.0 0.0 22.0 23.5 24.5
_
_
Seu armazenamento e feito em uma matriz A = [a
ij
] , da seguinte forma
A =
_
_
0.0 0.0 1.0 2.5 3.0
0.0 4.0 5.0 6.0 7.0
8.0 9.5 10.0 11.0 12.0
13.5 14.0 15.5 16.0 17.5
18.0 19.5 20.0 21.0 0.0
22.0 23.5 24.5 0.0 0.0
_
_
(3.87)
Desse modo, o elemento a
ij
, pertencente à banda, isto e, [j i[ wb, e armazenado no
elemento a
ik
com k = j i + wb + 1 , para i = 1, 2, . . . , n.
Vamos mostrar que a fatora cao LU sem pivoteamento preserva a estrutura de banda, com a
mesma semibanda. Este resultado e muito importante, pois os sistemas lineares provenientes
da discretiza cao de certos problemas de valores de contorno tem estrutura de banda. Alem
disso, possui a propriedade de serem estritamente diagonalmente dominantes por colunas.
Assim, nao necessitamos do pivoteamento de acordo com o Teorema 3.19 da se cao 3.7.
n
(IR) uma matriz com estrutura de banda, de semibanda wb ,
e que possui a decomposi cao A = LU. Entao, L e uma matriz triangular inferior, com
os elementos da diagonal principal todos iguais a unidade, com semibanda wb e U e
uma matriz triangular superior com semibanda wb.
Demonstracao A prova e feita por indu cao sobre a ordem da matriz. Vamos escrever a
matriz A da seguinte forma
A =
_
_
w
t
v C
_
_
onde IR, v, w IR
n1
e C IM
(n1)
(IR). Note que, apos o primeiro passo da
fatora cao LU, obtemos
_
_
w
t
v C
_
_
=
_
_
1 0
v
I
_
_
_
_
w
t
0 C
v w
t
_
O resultado do teorema segue por indu cao sobre n, se mostrarmos que a matriz
B =
_
C
v w
t
_
IM
(n1)
(IR)
tem uma estrutura de banda, com semibanda wb. De fato, como A tem semibanda wb
a matriz C tambem possui semibanda wb. Note que a matriz denida por v w
t
tambem
possui semibanda wb , pois somente as wb primeiras componentes dos vetores v e w
sao nao nulas. Assim, temos que a matriz B possui semibanda wb.
Usando a hipotese de indu cao, temos que a matriz B possui a fatora cao B = L
1
U
1
com
os fatores L
1
e U
1
triangular inferior e superior, respectivamente, de semibanda wb.
L =
_
_
1 0
v
L
1
_
_
e U =
_
_
w
t
0 U
1
_
_
sao triangular inferior e superior, respectivamente, com semibanda wb. Levando em conta a
esparsidade dos vetores v e w, satisfazendo A = LU. O que completa a demonstra cao.
Finalmente, vamos construir a fatora cao A = LU, assumindo sua existencia. No algoritmo
apresentado abaixo os fatores L = [l
ij
] e U = [u
ij
] serao armazenados na propria
matriz A = [a
ij
], isto e, no nal do procedimento temos que os elementos a
ij
= l
ij
para
i > j e a
ij
= u
ij
para i j . Desse modo, temos que
for k = 1, . . . , (n 1)
for i = (k + 1), . . . , mink + wb, n
a
ik
=
a
ik
a
kk
for j = (k + 1), . . . , mink + wb, n
a
ij
= a
ij
a
ik
a
kj
end
end
end
A solu cao do sistema triangular inferior Ly = b e dado por
y
i
= b
i

i1
j = max{1 , iwb}
l
ij
y
j
para i = 1, 2, . . . , n
e o sistema triangular superior U x = y e dado por
x
i
=
y
i

min{n , i+wb}
j=i+1
u
ij
x
j
u
ii
para i = n, , . . . , 1
A seguir, apresentamos um algoritmo da fatora cao LU para uma matriz com semibanda
wb, ja voltado para uma implementa cao computacional, onde a matriz A esta armazenada
de acordo com o esquema descrito no exemplo (3.87).
Algoritmo 3.18 (Fatoracao LU para Matriz com Estrutura de Banda)
for k = 1, ... , (n - 1)
for i = (k + 1), ... , min( (k + wb), n )
ki = k - i + wb + 1
pivo = A(k,wb + 1)
A(i,ki) = A(i,ki) / pivo
for j = (k + 1), ... , min( (k + wb), n )
ji = j - i + wb + 1, jk = j - k + wb + 1
A(i,ji) = A(i,ji) - A(i,ki)*A(k,jk)
end
end
end
y(1) = b(1)
for i = 2, ... , n
soma = 0.0
for j = max( 1, (i - wb) ), ... , (i - 1)
ji = j - i + wb + 1
soma = soma + A(i,ji)*y(j)
end
y(i) = b(i) - soma
end
% Sistema Triangular Superior Ux = y
x(n) = y(n) / A(n,wb + 1)
for i = (n - 1), ... , 1
soma = 0.0
for j = (i + 1), ... , min( n, (i + wb) )
ji = j - i + wb + 1
soma = soma + A(i,ji)*x(j)
end
x(i) = ( y(i) - soma ) / A(i,wb + 1)
end
3.7.3 Sistema Tridiagonal por Blocos
A solu cao numerica de varios problemas em matematica aplicada envolvem a resolu cao de
sistemas lineares com estrutura tridiagonal por blocos, como por exemplo, sistemas proveni-
entes da discretiza cao de problemas de valores de contorno. Vamos considerar um sistema
linear com estrutura tridiagonal por blocos, tal como
_
_
A
1
C
1
B
1
A
2
C
2
B
2
A
3
C
3
.
.
.
.
.
.
.
.
.
B
m2
A
m1
C
m1
B
m1
A
m
_
_
_
_
x
1
x
2
x
3
.
.
.
x
m1
x
m
_
_
=
_
_
b
1
b
2
b
3
.
.
.
b
m1
b
m
_
_
(3.88)
onde as matrizes A
k
, B
k
, C
k
IM
n
(IR) , em geral com n m, e os vetores x
k
, b
k
IR
n
.
Vamos descrever um procedimento para a decomposi cao LU por blocos da matriz T do
sistema linear acima, de forma mais eciente possvel. Em seguida apresentamos um proce-
dimento para obtermos a solu cao do sistema linear.
Vamos representar o fator L da seguinte forma
L =
_
_
D
1
F
1
D
2
F
2
D
3
.
.
.
.
.
.
F
m2
D
m1
F
m1
D
m
_
_
e o fator U , vamos representar por
U =
_
_
I E
1
I E
2
I E
3
.
.
.
.
.
.
I E
m1
I
_
_
A constru cao dos fatores L e U e feita atraves da compara cao entre os elementos das
matrizes na equa cao T = LU, considerando as suas representa coes acima, de modo analogo
à constru cao feita para matriz tridiagonal. Este procedimento e denominado decomposi cao
de Crout por blocos. Desse modo, obtemos
F
i
= B
i
para i = 1, . . . , (m 1)
D
1
= A
1
e para i = 1, . . . , (m 1) temos que
resolver D
i
E
i
= C
i
para E
i
calcular D
i+1
= A
i+1
F
i
E
i
(3.89)
Note que, a decomposi cao LU por blocos so e possvel se as matrizes D
1
, . . . , D
m1
sao
nao singulares. A seguir, apresentamos uma condi cao para que isso ocorra.
Teorema 3.22 (Existencia) Seja T uma matriz Tridiagonal por Blocos e vamos denotar
por T
k
as submatrizes principais por blocos da matriz T. Sejam T
k
n ao singulares para
k = 1, , m. Entao, existe uma matriz triangular inferior por blocos L e uma matriz
triangular superior por blocos U com os elementos da diagonal principal todos iguais à
matriz identidade de ordem n , tais que T = LU.
O teorema, acima, nao tem um efeito muito pratico, tendo somente um valor teorico. Ve-
jamos como podemos calcular as matrizes E
i
IM
n
(IR) de forma eciente, e durante o
processo de calculo vericamos se as matrizes D
i
IM
n
(IR) sao nao singulares. Em cada
etapa do processo de fatora cao LU por blocos, obtemos a decomposi cao D
i
= L
i
U
i
, e
durante esse processo vericamos a sua singularidade.
Como e usual, para economia de memoria, podemos armazenar os fatores L
i
e U
i
na propria matriz D
i
. Esta fatora cao e feita uma unica vez, e sera tambem utilizada na
obten cao da solu cao do sistema linear tridiagonal por blocos (3.88). Desse modo, a matriz
E
i
sera obtida resolvendo n sistemas lineares, onde em cada sistema linear encontramos
uma coluna. Por simplicidade, denotamos por (E
i
)
j
e (C
i
)
j
a jesima coluna de cada
uma das matrizes. Assim, temos o seguinte procedimento que determina a matriz E
i
_
_
L
i
y = (C
i
)
j
U
i
(E
i
)
j
= y para j = 1, , n
Obtida a fatora cao LU por blocos da matriz tridiagonal por blocos T, passamos para a
resolu cao do sistema linear (3.88). Inicialmente, resolvemos o sistema triangular inferior por
blocos
_
_
D
1
y
1
= b
1
D
i
y
i
= b
i
F
i1
y
i1
para i = 2, . . . , m
(3.90)
Em seguida, resolvemos o sistema triangular superior por blocos
_
_
x
m
= y
m
x
i
= y
i
E
i
x
i+1
para i = (m 1), . . . , 1
(3.91)
Note que, em (3.90) utilizamos novamente a fatora cao D
i
= L
i
U
i
. Assim, devemos
proceder da seguinte forma na resolu cao do sistema triangular inferior por blocos
_
_
L
1
z = b
1
U
1
y
1
= z
(3.92)
_
_
L
i
z = b
i
F
i1
y
i1
U
i
y
i
= z para i = 2, . . . , m
(3.93)
Este procedimento tem baixo custo computacional, pois estamos utilizando as fatora coes LU
das matrizes D
i
estabelecidas, anteriormente, para o calculo das matrizes E
i
.
Devemos observar que, em geral, as matrizes A
k
, C
k
IM
n
(IR) possuem certas estruturas
especiais, tais como, tridiagonal, banda, etc. Entretanto, as matrizes D
k
, E
k
IM
n
(IR)
nao necessariamente mantem a mesma estrutura. Basta ver como sao calculadas em (3.89).
A menos da matriz D
1
= A
1
, que ca com a mesma estrutura da matriz A
1
, as demais
matrizes D
i
, para i = 2, . . . , m , sao em geral densas.
A seguir, apresentamos o procedimento para a resolu cao de um sistema linear Ax = b
com A IM
n
(IR) densa e b IR
n
, atraves da fatora cao LU da matriz A.
No algoritmo apresentado abaixo os fatores L = [l
ij
] e U = [u
ij
] serao armazenados
na propria matriz A = [a
ij
], isto e, no nal do procedimento temos que os elementos
a
ij
= l
ij
para i > j , com l
ii
= 1 , e a
ij
= u
ij
para i j.
O algoritmo para a fatora cao LU e dado por
for k = 1, . . . , (n 1)
for i = (k + 1), . . . , n
a
ik
=
a
ik
a
kk
for j = (k + 1), . . . , n
a
ij
= a
ij
a
ik
a
kj
end
end
end
O algoritmo para a resolu cao do sistema triangular inferior Ly = b e dado por
for i = 1, . . . , n
y
i
= b
i
for j = 1, . . . , (i 1)
y
i
= y
i
l
ij
y
j
end
end
e o algoritmo para a resolu cao do sistema triangular superior U x = y e dado por
for i = n, . . . , 1
x
i
= y
i
for j = (i + 1), . . . , n
x
i
= x
i
u
ij
x
j
end
x
i
=
x
i
u
ii
end
A resolu cao dos sistemas triangulares, inferior e superior, requer n
2
opera coes elementares.
Finalmente, um exerccio interessante e fazer a implementa cao computacional da fatora cao
LU de uma matriz tridiagonal por blocos no Matlab. Para isso, vamos utilizar variaveis
indexadas com tres ndices para armazenar os blocos diagonais da matriz T. Por exemplo,
Diag(i, j, k) = A
k
(i, j) para i, j = 1, , n e k = 1, , m . O mesmo
deve ser feito para a subdiagonal inferior (Sub), isto e, Sub(i, j, k) = B
k
(i, j) para
i, j = 1, , n e k = 1, , (m 1) , e para a subdiagonal superior (Sup), isto e,
Sup(i, j, k) = C
k
(i, j) para i, j = 1, , n e k = 1, , (m 1) , como indicado
no procedimento TridBloco abaixo. Este mesmo procedimento pode ser escrito utilizando
as linguagens de programa cao FORTRAN 77 estruturado, FORTRAN 90, FORTRAN 95 e
C++.
%-----------------------------------------------------------------------
% ------------- ---------
% function file TridBloco
% ------------- ---------
%-----------------------------------------------------------------------
% Gera um Sistema Tridiagonal por Blocos
%----------------------------------------------------
%
function [Diag,Sup,Sub,b] = TridBloco(ndim,mblock)
%---------------------------------------------------------
%
[S] = clock; rand(seed,S(6))
%
% Diagonal Principal
%-------------------------
for k = 1:mblock
Diag(:,:,k) = rand(ndim,ndim);
end
%
% Diagonal Superior
%------------------------
for k = 1:(mblock-1)
Sup(:,:,k) = rand(ndim,ndim);
end
%
% Diagonal Inferior
%------------------------
for k = 1:(mblock-1)
Sub(:,:,k) = rand(ndim,ndim);
end
%
% Vetor do Lado Direito
%----------------------------
for k = 1:mblock
b(:,k) = rand(ndim,1);
end
%
%-----------------------------------------------------------------------
%-----------------------------------------------------------------------
Os programas em Matlab para Fatora cao LU estao disponveis na pagina
AsTeCA/
Script File
testLUPivo Sistema Linear Denso
testtrid Sistema Linear Tridiagonal
testbanda Sistema Linear com Estrutura de Banda
tstTridBloco Sistema Linear Tridiagonal por Blocos
Function File
LUPivo Fatora cao LU com Pivoteamento Parcial para Matriz Densa
LUSolve Solu cao dos Sistemas Triangulares Sistema Denso
tridiag Fatora cao LU para Matriz Tridiagonal
solvetrid Solu cao dos Sistemas Triangulares Sistema Tridiagonal
bandalu Fatora cao LU para Matriz com Estrutura de Banda
solveband Solu cao dos Sistemas Triangulares Sistema de Banda
TridBloco Gera um Sistema Linear Tridiagonal por Blocos
LUTridBloco Fatora cao LU para Matriz Tridiagonal por Blocos
SolveLUTridBloco Solu cao dos Sistemas Triangulares Tridiagonal por Blocos
3.8 Exerccios
Exerccio 3.1 Mostre que o Metodo Iterativo de Jacobi pode ser escrito da seguinte forma:
x
(k+1)
= x
(k)
+ M r
(k)
onde M IM
n
(IR) e r
(k)
= b Ax
(k)
. Fa ca uma compara cao com o Metodo do
Gradiente Otimizado, no caso em que a matriz A seja simetrica e positivadenida.
Exerccio 3.2 Necessita-se adubar um terreno acrescentando a cada 10m
2
, 140g de
nitrato, 190g de fosfato e 205g de potassio. Dispoe-se de quatro qualidades de adubos com
as seguintes caractersticas
(i) Cada quilograma do adubo I custa 5 upc e contem 10g de nitrato, 10g de fosfato e
100g de potassio.
(ii) Cada quilograma do adubo II custa 10 upc e contem 10g de nitrato, 100g de fosfato
e 30g de potassio.
(iii) Cada quilograma do adubo III custa 5 upc e contem 60g de nitrato, 20g de fosfato
e 20g de potassio.
(iv) Cada quilograma do adubo IV custa 30 upc e contem 20g de nitrato, 40g de fosfato
e 30g de potassio.
Quanto de cada adubo devemos misturar para conseguir uma boa aduba cao se desejamos
gastar somente 54 upc a cada 10m
2
?
Escrever o modelo matematico, que e representado por um sistema linear. Podemos obter
uma solu cao numerica atraves do Metodo Iterativo de GaussSeidel ? Justique a sua res-
posta. Em caso armativo obter uma solu cao numerica com um erro relativo inferior a 10
3
.
n
(IR) e considere a decomposi cao A = M N com M
nao singular. Se A e singular, entao (M
1
N) 1.
n
(IR), b IR
n
, e considere a decomposi cao A = M N
com M nao singular. Se M x
(k+1)
= N x
(k)
+ b converge para x
= A
1
b, entao
(M
1
N) < 1.
Exerccio 3.5 Fa ca a demonstra cao do Teorema 3.12 da se cao 3.5.3, apresentando todos os
detalhes.
Exerccio 3.6 Seja L IM
n
(IR) triangular inferior nao singular, b IR
n
. Podemos apli-
car o Metodo de Jacobi para obter uma solu cao de Lx = b ? Em caso armativo, quantas
itera coes serao necessarias ? Idem para o Metodo de GaussSeidel.
Exerccio 3.7 Considere o Problema de Valor de Contorno com condi cao periodica
u
(x) + u(x) = f(x) ; x (0, L)

u(0) = u(L)
(3.94)
com > 0 e f uma fun cao contnua.
O sistema linear proveniente da discretiza cao do problema (3.94) pelo Esquema de Diferen cas
Finitas Centrada, para uma parti cao regular : 0 = x
1
< < x
n1
< x
n
= L com
espa camento h, e dado por
_
_
d 1 1
1 d 1
1 d 1
.
.
.
.
.
.
.
.
.
1 d 1
1 1 d
_
_
_
_
u
1
.
.
.
u
i
.
.
.
u
n1
_
_
=
_
_
h
2
f(x
1
)
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n1
)
_
_
(3.95)
onde d = ( 2 + h
2
) e h =
L
(n 1)
. Estamos denotando por u
i
uma aproxima cao
para o valor u(x
i
) fornecida pelo Esquema de Diferen cas Finitas. Note que u
n
= u
1
devido
a condi cao de contorno periodica. Pedese
1. Obter uma solu cao numerica do sistema linear (3.95) pelo Metodo dos Gradientes Con-
jugados, com um resduo relativo inferior a 10
5
.
2. Obter uma solu cao numerica do sistema linear (3.95) pelo Metodo da Relaxa cao Su-
cessiva, com um resduo relativo inferior a 10
5
, para varios valores de [1, 2).
Como exemplo, considere L = 1 , f(x) = sin(x) e = 0.1. Para observar o
desempenho dos metodos numericos utilizar varios valores de n.
Exerccio 3.8 Considere o sistema linear Ax = b com a matriz A dada por
A =
_
1
1
_
; IR (3.96)
Qual a condi cao de convergencia do Metodo de GaussSeidel ? Qual a escolha otima para o
parametro do Metodo de Relaxa cao Sucessiva ?
n
n
. Calcular o gradiente e a Hessiana
do funcional
J(x) =
1
2
Ax , x ) b , x ) ; x IR
n
(3.97)
Exerccio 3.10 Sejam , IR e A uma matriz de ordem n . Prove que se e um
autovalor de A , entao + e um autovalor da matriz A + I .
n
(IR) tridiagonal com os elementos da diagonal principal todos
nulos ( a
ii
= 0 para i = 1, , n ) e os elementos das subdiagonais todos iguais a 1 ,
isto e, a
i,(i+1)
= a
(i+1),i
= 1 para i = 1, , (n 1) . Mostre que, os autovalores da
matriz A sao dados por
j
= 2 cos
_
j
(n + 1)
_
para j = 1, , n
e os autovetores associados sao dados por
v
j
=
_
_
sin
_
j
(n + 1)
_
.
.
.
sin
_
k j
(n + 1)
_
.
.
.
sin
_
n j
(n + 1)
_
_
_
Exerccio 3.12 Seja A = [a
ij
] uma matriz tridiagonal de ordem n com os elementos da
diagonal principal todos iguais a d ( a
ii
= d para i = 1, , n ) e os elementos das
subdiagonais todos iguais a e , isto e, a
i,(i+1)
= a
(i+1),i
= e para i = 1, , (n 1) .
Prove que
j
= d + 2e cos
_
j
(n + 1)
_
para j = 1, , n
sao os autovalores da matriz A .
Exerccio 3.13 Considere a matriz
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
com autovalores
1
= 2
2 ,
2
= 2 e
3
= 2 +
2. Calcular a matriz de Itera cao do

Metodo de Jacobi e seus autovalores.
Exerccio 3.14 Seja A = [a
ij
] uma matriz tridiagonal de ordem n com os elementos
da diagonal principal todos iguais a d ( a
ii
= d para i = 1, , n ), os elementos da
diagonal superior todos iguais a e ( a
i,(i+1)
= e para i = 1, , (n1) ) e os elementos
da diagonal inferior todos iguais a f ( a
(i+1),i
= f para i = 1, , (n 1) ). Mostre
que, os autovalores da matriz A sao dados por
j
= d + 2e
_
f
e
cos
_
j
(n + 1)
_
para j = 1, , n
e os autovetores associados sao dados por
v
j
=
_
_
2
_
_
f
e
_
sin
_
j
(n + 1)
_
.
.
.
2
_
_
f
e
_
k
sin
_
k j
(n + 1)
_
.
.
.
2
_
_
f
e
_
n
sin
_
n j
(n + 1)
_
_
_
n
(IR) tridiagonal, simetrica e positiva-denida
A =
_
_
2 1
1 2 1
1 2
1
1 2
_
_
Determinar /
2
(A). O que podemos concluir quando n cresce ?
Exerccio 3.16 Considere a Equa cao de DifusaoAdvec cao
u
(x) + u
(x) = f(x) ; x (0, 1) (3.98)

sujeita a condi cao de contorno
u(0) = 10 e u(1) = 10 exp() (3.99)
Considere uma parti cao regular : 0 = x
0
< x
1
< < x
n
< x
n+1
= 1 com espa camento
h. O sistema linear proveniente da discretiza cao do problema (3.98) (3.99) utilizando uma
Formula de Diferen cas Finitas Centrada para discretizar tanto o termo de difusao, quanto o
termo de advec cao, e dado por
_
_
d b
c d b
c d b
.
.
.
.
.
.
.
.
.
c d b
c d
_
_
_
_
u
1
.
.
.
u
i
.
.
.
u
n
_
_
=
_
_
h
2
f(x
1
) + u
0
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n
) + u
n+1
_
_
(3.100)
onde d = 2 , b = ( P
e
) , c = ( P
e
+ ) e h =
1
(n + 1)
.
Denimos o N umero de Peclet Local da seguinte forma
P
e
=
[[ h
2
(3.101)
Estamos denotando por u
i
uma aproxima cao para o valor u(x
i
) fornecida pelo Esquema
de Diferen cas Finitas. Note que u
0
= u(0) e u
n+1
= u(1) devido a imposi cao da condi cao
de contorno. Sabemos que o Esquema de Diferen cas Finitas Centrada e estavel para P
e
< 1.
Seja A IM
n
(IR) e b IR
n
a matriz e o vetor do lado direito do sistema linear (3.100),
respectivamente. Denimos o seguinte processo iterativo
M u
(k+1)
= N u
(k)
+ b (3.102)
onde M e N sao as partes simetrica e antisimetrica de A, respectivamente, isto e,
M =
A + A
t
2
e N =
A A
t
2
Qual a taxa de convergencia do processo iterativo (3.102) ?
n
(IR) simetrica e positiva-denida. Qual a rela cao entre a
fatora cao A = LDL
t
e a sua fatora cao de Cholesky A = G
t
G ?
Teorema 3.23 (Crculos de Gershgorin) Seja A IM
n
(C). Entao, todo autovalor de
A esta em pelo menos um dos crculos C
1
, , C
n
, onde o iesimo crculo C
i
tem centro
em a
ii
e raio r
i
dado por
r
i
=
n
j = 1
j ,= i
[a
ij
[ ; i = 1, . . . , n (3.103)
Demonstracao Seja um autovalor de A e v o autovetor associado, isto e, Av = v.
Seja i o ndice da componente de v tal que
[v
i
[ = max
1jn
[v
j
[
Examinando a iesima componente da equa cao vetorial Av = v , temos que
( a
ii
) v
i
=
n
j = 1
j ,= i
a
ij
v
j
tomando o modulo em ambos os lados da igualdade acima, temos
[ a
ii
[
n
j = 1
j ,= i
[a
ij
[
[v
j
[
[v
i
[
j = 1
j ,= i
[a
ij
[ = r
i
Desse modo, temos que o autovalor pertence ao iesimo crculo de Gershgorin de A.
Exerccio 3.18 Considere a matriz A estritamente diagonalmente dominante por linhas
A =
_
_
3 1 1
0 4 1
2 2 5
_
_
Mostre que o zero nao esta em nenhum crculo de Gershgorin de A, isto e, a matriz A tem
autovalores nao nulos. Portanto, conclumos que A e nao singular.
n
(IR) estritamente diagonalmente dominante por linhas. Es-
creva a matriz de itera cao de Jacobi P associada a matriz A. Mostre que os raios dos
crculos de Gershgorin de P satisfazem r
i
< 1, e concluindo que a matriz P e convergente.
n
(IR) estritamente diagonalmente dominante por linhas.
Mostre que A e nao singular, utilizando os crculos de Gershgorin.
3.9 Projetos
3.9.1 Sistema Linear com Estrutura Tridiagonal por Blocos
Considere o sistema linear com a seguinte estrutura tridiagonal por blocos
_
_
T I
I T I
I T I
.
.
.
.
.
.
.
.
.
I T I
I T
_
_
_
_
x
1
x
2
x
3
.
.
.
x
m1
x
m
_
_
=
_
_
b
1
b
2
b
3
.
.
.
b
m1
b
m
_
_
(3.104)
onde I e a matriz identidade de ordem n , T e uma matriz tridiagonal de ordem n dada
por
T =
_
_
4 1
1 4 1
1 4 1
.
.
.
.
.
.
.
.
.
1 4 1
1 4
_
_
(3.105)
e os vetores x
j
, b
j
IR
n
, para j = 1, 2, , m. Assim, temos um sistema linear de
ordem n.m , que e proveniente da discretiza cao da equa cao de Poisson com condi cao de
Dirichlet num retangulo, pelo Esquema de Diferen cas Finitas Centrada numa malha com n
nos internos na dire coes x e m nos internos na dire cao y. A estrutura de esparsidade e ilus-
trada na Figura 3.5.

E facil mostrar que a matriz do sistema linear acima e positivadenida.
Note que, a matriz T e positivadenida e estritamente diagonalmente dominante por linhas.
Obter uma solu cao numerica do sistema linear atraves dos seguintes metodos
1. Metodo dos Gradientes Conjugados.
2. Metodo da Relaxa cao Sucessiva, para [1, 2).
3. Metodo da Fatora cao LDL
t
fazendo uma implementa cao computacional eciente, isto e, aproveitando a estrutura tridi-
agonal por blocos. Fa ca uma compara cao entre os metodos. Para exemplicar, considere o
vetor do lado direito de modo que a solu cao seja (1, , 1).
3.9.2 Gradientes Conjugados para Sistema Normal
Seja A IM
mn
(IR) com m n e posto(A) = n, isto e, as colunas de A formam
um conjunto linearmente independente em IR
m
, e b IR
m
. Considere o sistema linear
sobre-determinado
Ax = b (3.106)
cuja solu cao de quadrados mnimos e um elemento x
IR
n
tal que
J(x
) = min J(x) ; x IR
n
(3.107)
onde J : IR
n
IR
+
e um funcional quadratico denido da seguinte forma
J(x) = Ax b , Ax b ) ; x IR
n
(3.108)
Pede-se
1. Determine o gradiente, J(x) , do funcional J.
2. Determine a matriz Hessiana, H(x) , do funcional J.
3. Mostre que o funcional J possui um unico ponto de mnimo global.
4. Determine o valor do funcional J no ponto de mnimo.
5. Fa ca as modica coes necessarias no algoritmo do Metodo dos Gradientes Conjugados
para obtermos uma solu cao numerica do Sistema Linear Normal A
t
Ax = A
t
b, de
modo que nao seja feito o calculo de A
t
A explicitamente.
6. Quais sao as vantagens em nao fazer o calculo explicitamente de A
t
A ?
Captulo 4
Diferencia c ao Numerica
4.1 Introducao
Neste captulo vamos construir as Formulas de Diferen cas Finitas que iremos utilizar para
descrever os Esquemas de Diferen cas Finitas para discretiza cao dos problemas de valores
de contorno que iremos estudar nos proximos captulos. Faremos uma analise de erro local
visando um estudo mais adequado do erro de truncamento local dos esquemas de discretiza cao
por diferen cas nitas, com o objetivo de identicar o que denimos por difusao numerica
nos esquemas de diferen cas nitas para problemas de advec c ao dominante. Vamos construir
Formulas de Diferen cas Finitas Avan cada e Atrasada, para aproxima cao da primeira derivada,
que sao mais ecientes na discretiza cao de condi coes de contorno do tipo Robin. Todas as
Formulas de Diferen cas Finitas, bem como a analise de erro local, serao construdas atraves
da Formula de Taylor com Resto. Nos exerccios, vamos apresentar uma maneira de obter
as mesmas formulas atraves de interpola cao polinomial.
4.2 Aproximacao da Primeira Derivada
4.2.1 Formula de Diferencas Finitas Atrasada
Seja f : [a, b] IR de classe C
4
([a,b]). Dado um ponto x (a,b), vamos obter uma
Formula de Diferen cas Finitas Atrasada para aproximar o valor de f
no ponto x . Para
isso, vamos utilizar a formula de Taylor da fun cao f em torno do ponto x
f(x) = f(x) + f
(x) (x x) + f
(x)
(x x)
2
2
+f
(x)
(x x)
3
6
+ O((x x)
4
)
(4.1)
131
Dado um valor 0 < h 1 vamos avaliar a fun cao f no ponto x
1
= x h
f(x h) = f(x) hf
(x) +
h
2
2
f
(x)
h
3
6
f
(x) + O(h
4
) (4.2)
Utilizando a expressao acima, obtemos
f
(x) =
f(x) f(x h)
h
+
h
2
f
(x)
h
2
6
f
(x) + O(h
3
) (4.3)
Assim, temos uma aproxima cao para o valor f
(x) por uma Formula de Diferen cas Finitas

Atrasada
f
(x) D
(1)
B
(f)(x) =
f(x) f(x h)
h
(4.4)
com um erro local dado por
E
(1)
B
(f)(x) =
h
2
f
(x)
h
2
6
f
(x) + O(h
3
) (4.5)
Note que, o erro da Formula de Diferen cas Finitas Atrasada depende do valor de f
no
ponto x. Desse modo, temos que a formula obtida e exata para polinomios de grau 1.
Podemos tambem obter uma Formula de Diferen cas Finitas Atrasada para aproximar f
no
ponto x , utilizando as informa coes dos pontos x , x h e x 2 h . Para tanto, avaliamos
a fun cao f no ponto x
2
= x 2 h , que obtemos
f(x 2 h) = f(x) 2 hf
(x) + 2 h
2
f
(x)
4
3
h
3
f
(x) + O(h
4
) (4.6)
multiplicando (4.2) por 4 e subtraindo de (4.6) e isolando f
(x) , temse que

f
(x) =
f(x 2 h) 4 f(x h) + 3 f(x)
2 h
+
h
2
3
f
(x) + O(h
3
) (4.7)
(x) dada por uma Formula de Diferen cas

Finitas Atrasada
f
(x) D
(1)
B2
(f)(x) =
f(x 2 h) 4 f(x h) + 3 f(x)
2 h
(4.8)
E
(1)
B2
(f)(x) =
h
2
3
f
(x) + O(h
3
) (4.9)
Note que, o erro da Formula de Diferen cas Finitas Atrasada depende do valor de f
no
Note tambem que o erro obtido e da ordem de h
2
, uma vez que estamos considerando uma
parti cao regular.
Captulo 4. Diferencia cao Numerica 133
4.2.2 Formula de Diferencas Finitas Avancada
4
Formula de Diferen cas Finitas Avan cada para aproximar o valor de f
no ponto x . Para
f(x) = f(x) + f
(x) (x x) + f
(x)
(x x)
2
2
+f
(x)
(x x)
3
6
+ O((x x)
4
)
(4.10)
Dado um valor 0 < h 1 vamos avaliar a fun cao f no ponto x
1
= x + h
f(x + h) = f(x) + hf
(x) +
h
2
2
f
(x) +
h
3
6
f
(x) + O(h
4
) (4.11)
Utilizando a expressao acima, obtemos
f
(x) =
f(x + h) f(x)
h
h
2
f
(x)
h
2
6
f
(x) + O(h
3
) (4.12)

Avan cada
f
(x) D
(1)
F
(f)(x) =
f(x + h) f(x)
h
(4.13)
E
(1)
F
(f)(x) =
h
2
f
(x)
h
2
6
f
(x) + O(h
3
) (4.14)
Note que, o erro da Formula de Diferen cas Finitas Avan cada depende do valor de f
no
Podemos tambem obter uma Formula de Diferen cas Finitas Avan cada para aproximar f
no ponto x , utilizando as informa coes dos pontos x , x + h e x + 2 h . Para tanto,

avaliamos a fun cao f no ponto x
2
= x + 2 h obtemos
f(x + 2 h) = f(x) + 2 hf
(x) + 2 h
2
f
(x) +
4
3
h
3
f
(x) + O(h
4
) (4.15)
Multiplicando (4.11) por 4 e subtraindo (4.15) e isolando f
(x) , temos que

f
(x) =
3 f(x) + 4 f(x + h) f(x + 2 h)
2 h
+
h
2
3
f
(x) + O(h
3
) (4.16)
(x) dada por uma Formula de Diferen cas

Finitas Avan cada
f
(x) D
(1)
F2
(f)(x) =
3 f(x) + 4 f(x + h) f(x + 2 h)
2 h
(4.17)
E
(1)
F2
(f)(x) =
h
2
3
f
(x) + O(h
3
) (4.18)
Note que, o erro da Formula de Diferen cas Finitas Avan cada depende do valor de f
no
2
parti cao regular.
4.2.3 Formula de Diferencas Finitas Centrada
5
Formula de Diferen cas Finitas Centrada para aproximar o valor de f
no ponto x . Para
f(x) = f(x) + f
(x)(x x) + f
(x)
(x x)
2
2
+ f
(x)
(x x)
3
6
+f
(iv)
(x)
(x x)
4
24
+ O((x x)
5
)
(4.19)
Dado um valor 0 < h 1 avaliamos a fun cao f nos pontos x
1
= x + h e x
1
= x h
f(x + h) = f(x) + hf
(x) +
h
2
2
f
(x) +
h
3
6
f
(x) +
h
4
24
f
(iv)
(x) + O(h
5
) (4.20)
f(x h) = f(x) hf
(x) +
h
2
2
f
(x)
h
3
6
f
(x) +
h
4
24
f
(iv)
(x) + O(h
5
) (4.21)
Subtraindo (4.21) de (4.20) e isolando f
(x) , temse que

f
(x) =
f(x + h) f(x h)
2 h
h
2
6
f
(x) + O(h
4
) (4.22)
Assim, obtemos uma aproxima cao para o valor f

Centrada
f
(x) D
(1)
C
(f)(x) =
f(x + h) f(x h)
2 h
(4.23)
E
(1)
C
(f)(x) =
h
2
6
f
(x) + O(h
4
) (4.24)
Note que, o erro da Formula de Diferen cas Finitas Centrada depende do valor de f
no
2
parti cao regular.
4.2.4 Estudo Numerico
Vamos apresentar uma maneira de como podemos calcular a ordem de convergencia para as
Formulas de Diferen cas Finitas para aproxima cao da primeira derivada atraves de simula coes
numericas.
Consideremos uma fun cao f : [a, b] IR com regularidade necessaria para a analise de
erro das aproxima coes da primeira derivada atraves de F ormulas de Diferen cas Finitas. Seja
: a = x
0
< x
1
< < x
n
< x
n+1
= b uma parti cao regular de [a, b], com espa camento h.
Por simplicidade, vamos denotar por D
(1)
(f)(x
i
) a aproxima cao para o valor de f
no ponto
x
i
atraves de uma determinada Formula de Diferen cas Finitas. Assim, o erro para a
aproxima cao da primeira derivada e denido como
E = max
_
(x
i
) D
(1)
(f)(x
i
)
; 1 i n
_
(4.25)
Entao, assintoticamente, esperamos que o erro tenha um comportamento da forma
E = Ch
p
, (4.26)
uma vez que
f
(x
i
) = D
(1)
(f)(x
i
) + Ch
+ O(h
+1
) ,
onde C e uma constante positiva, independente do espa camento h, e p e a ordem de
convergencia. Desse modo, da equa cao (4.26), temos que
log(E) = log(C) + p log(h) . (4.27)
Portanto, log(E) como fun cao de log(h) e assintotica a uma reta com inclina cao p,
isto e, para h 1. Utilizando este modelo, podemos propor um procedimento experimental
para determinarmos a ordem de convergencia da solu cao numerica, que descrevemos a seguir.
Da equa cao (4.27) e das considera coes acima, propomos um ajuste para os dados obtidos
de log(E(h)) log(h) para varios valores de h, utilizando uma determinada Formula de
Diferen cas Finitas, atraves da seguinte fun cao de ajuste
Y = a + p X (4.28)
onde Y = log(E(h)) , X = log(h) e a = log(C). Utilizamos o Metodo dos Quadrados
Mnimos para obter os valores dos parametros de ajuste a e p .
Para as simula coes numericas vamos considerar a fun cao f(x) = sin( x) para x [0, 1],
e os seguintes valores para o espa camento da parti cao regular
h =
1
4
,
1
8
, ,
1
1024
O ajuste dos resultados obtidos com a Formula de Diferen cas Finitas Atrasada e dado por
a = 1.5959 e p = 0.9999. Com o valor obtido para o parametro p, mostramos que a
aproxima cao numerica tem um convergencia da ordem de h, conforme a nossa expectativa.
Obtemos uma constante assintotica C = exp(a) = 4.9328.
O ajuste dos resultados obtidos com a Formula de Diferen cas Finitas Avan cada e dado por
O ajuste dos resultados obtidos com a Formula de Diferen cas Finitas Centrada e dado por
aproxima cao numerica tem um convergencia da ordem de h
2
, conforme a nossa expectativa.
Na Figura 4.1, temos o graco de dispersao para o ajuste do modelo para o calculo da ordem
de convergencia da Formula de Diferen cas Finitas Atrasada (linha pontilhada) e da Formula
de Diferen cas Finitas Centrada (linha solida), para a aproxima cao da primeira derivada.
de convergencia da Formula de Diferen cas Finitas Avan cada (linha tracejada) e da Formula
de Diferen cas Finitas Centrada (linha solida), para a aproxima cao da primeira derivada.
10
4
10
3
10
2
10
1
10
0
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
1
h
E
r
r
o
Figura 4.1: Graco de dispersao para o ajuste do modelo para o c alculo da ordem de con-
vergencia da Formula de Diferen cas Finitas Atrasada (linha pontilhada) e da Formula de
Diferen cas Finitas Centrada (linha solida), para a aproxima cao da primeira derivada.Para os
ajustes utilizamos sempre os resultados dos cinco ultimos valores de h.
10
4
10
3
10
2
10
1
10
0
10
6
10
5
10
4
10
3
10
2
10
1
10
0
10
1
h
E
r
r
o
vergencia da Formula de Diferen cas Finitas Avan cada (linha tracejada) e da Formula de
Diferen cas Finitas Centrada (linha solida), para a aproxima cao da primeira derivada. Para
os ajustes utilizamos sempre os resultados dos cinco ultimos valores de h.
4.3 Aproximacao da Segunda Derivada
4.3.1 Formula de Diferencas Finitas Centrada
6
Formula de Diferen cas Finitas Centrada para aproximar o valor de f
no ponto x . Para
f(x) = f(x) + f
(x)(x x) + f
(x)
(x x)
2
2
+ f
(x)
(x x)
3
6
+f
(iv)
(x)
(x x)
4
24
+ f
(v)
(x)
(x x)
5
120
+ O((x x)
6
)
(4.29)
Dado um valor 0 < h 1 vamos avaliar a fun cao f nos pontos x
1
= x+h e x
1
= xh
f(x + h) = f(x) + hf
(x) +
h
2
2
f
(x) +
h
3
6
f
(x)
+
h
4
24
f
(iv)
(x) +
h
5
120
f
(v)
(x) + O(h
6
)
(4.30)
f(x h) = f(x) hf
(x) +
h
2
2
f
(x)
h
3
6
f
(x)
+
h
4
24
f
(iv)
(x)
h
5
120
f
(v)
(x) + O(h
6
)
(4.31)
Somando (4.30) e (4.31) e isolando f
(x) , temse que

f
(x) =
f(x h) 2 f(x) + f(x + h)
h
2

h
2
12
f
(iv)
(x) + O(h
4
) (4.32)
Assim, obtemos uma aproxima cao para o valor f
(x) por uma Formula de Diferen cas

Finitas Centrada
f
(x) D
(2)
C
(f)(x) =
f(x h) 2 f(x) + f(x + h)
h
2
(4.33)
E
(2)
C
(f)(x) =
h
2
12
f
(iv)
(x) + O(h
4
) (4.34)
Note que, o erro da Formula de Diferen cas Finitas Centrada depende do valor de f
(iv)
no
2
parti cao regular.
Exemplo 4.1 De modo analogo ao estudo numerico feito na se cao 4.2.4 para analise da
ordem de convergencia das Formulas de Diferen cas Finitas para aproxima cao da primeira
derivada, vamos proceder para o estudo da Formula de Diferen cas Finitas Centrada para
aproxima cao da segunda derivada. Para as simula coes numericas vamos considerar a fun cao
f(x) = sin( x) para x [0, 1], e os seguintes valores para o espa camento de uma parti cao
regular
h =
1
4
,
1
8
, ,
1
1024
Vamos denotar por D
(2)
C
(f)(x
i
) a aproxima cao para o valor de f
no ponto x
i

atraves da Formula de Diferen cas Finitas Centrada. Assim, o erro para a aproxima cao da
segunda derivada e denido como
E = max
_
(x
i
) D
(2)
C
(f)(x
i
)
; 1 i n
_
(4.35)
E = C h
p
(4.36)
convergencia.
Vamos ajustar os dados obtidos de log(E(h))log(h) para varios valores de h, pela Formula
de Diferen cas Finitas Centrada, atraves da fun cao de ajuste
Y = a + p X (4.37)
O ajuste dos resultados obtidos com a Formula de Diferen cas Finitas Centrada, que estao na
Tabela 4.1, e dado por a = 2.0938 e p = 2.0000. Com o valor obtido para o parametro
p, mostramos que a aproxima cao numerica tem um convergencia da ordem de h
2
, conforme
a nossa expectativa. Obtemos uma constante assintotica C = exp(a) = 8.1157.
de convergencia da Formula de Diferen cas Finitas Centrada, para a aproxima cao da segunda
derivada.
Tabela 4.1: Simula coes Numericas para o Exemplo 4.1
Espa camento Erro
h =
1
4
4.9702 10
1
h =
1
8
1.2618 10
1
h =
1
16
3.1668 10
2
h =
1
32
7.9246 10
3
h =
1
64
1.9816 10
3
h =
1
128
4.9544 10
4
h =
1
256
1.2386 10
4
h =
1
512
3.0965 10
5
h =
1
1024
7.7415 10
6
10
4
10
3
10
2
10
1
10
0
10
6
10
5
10
4
10
3
10
2
10
1
10
0
h
E
r
r
o
vergencia da Formula de Diferen cas Finitas Centrada, para a aproxima cao da segunda deri-
vada.
4.4 Aproximacao de Operadores Diferenciais
4.4.1 Operador de Difusao
Vamos considerar o Operador de Difusao D[u](x) = ( (x) u
(x) )
para x [a, b],

sendo uma fun cao continuamente diferenciavel e estritamente positiva em [a, b] , para
que tenha um sentido fsico. Devemos tambem considerar que a fun cao u seja pelo menos
quatro vezes continuamente diferenciavel.
Seja : a = x
0
< < x
n
< x
n+1
= b uma parti cao regular de [a, b] , com h = x
i+1
x
i
o comprimento de cada subintervalo [x
i
, x
i+1
]. Denotamos por x
i
o ponto medio do subin-
tervalo [x
i
, x
i+1
] e por x
i1
o ponto medio do subintervalo [x
i1
, x
i
] .
Obtemos inicialmente uma aproxima cao para a derivada da fun cao Fluxo J[u](x) = (x) u
(x)
no ponto x
i
por uma Formula de Diferen cas Finitas Centrada utilizando os pontos medios
dos subintervalos [x
i1
, x
i
] e [x
i
, x
i+1
] . Desse modo, temos que
J
[u](x
i
)
J[u](x
i
) J[u](x
i1
)
h
=
(x
i
) u
(x
i
) (x
i1
) u
(x
i1
)
h
(4.38)
As derivadas da fun cao u que guram na expressao acima e tambem aproximada por uma
Formula de Diferen cas Finitas Centrada, da seguinte forma
u
(x
i
)
u(x
i+1
) u(x
i
)
h
(4.39)
u
(x
i1
)
u(x
i
) u(x
i1
)
h
(4.40)
Finalmente, substituindo (4.39) e (4.40) em (4.38) obtemos uma aproxima cao para o
Operador de Difusao no ponto x
i
por uma Formula de Diferen cas Finitas Centrada,
com um erro da ordem de h
2
, da seguinte forma
D[u](x
i
)
(x
i1
) u(x
i1
) ( (x
i1
) + (x
i
) ) u(x
i
) + (x
i
) u(x
i+1
)
h
2
(4.41)
4.4.2 Operador de Adveccao
Vamos considerar o Operador de Advec cao A[u](x) = (x) u
(x) para x [a, b] , sendo

uma fun cao contnua, podendo assumir valores positivos e negativos, em [a, b] e devemos
exigir que a fun cao u seja pelo menos tres vezes continuamente diferenciavel.
Vamos obter aproxima coes do Operador de Advec cao por diferentes Formulas de Diferen cas
Finitas. Inicialmente utilizaremos uma Formula de Diferen cas Finitas Centrada para obter
uma aproxima cao para o Operador de Advec cao em um ponto x
i
, com um erro da
ordem de h
2
, da seguinte forma
A[u](x
i
) (x
i
)
u(x
i+1
) u(x
i1
)
2h
(4.42)
Podemos tambem utilizar um Esquema de Diferen cas Finitas do tipo Upwind para obter uma
aproxima cao para o Operador de Advec cao em um ponto x
i
, com um erro da ordem
de h , da seguinte forma
A[u](x
i
)
_
_
(x
i
)
u(x
i+1
) u(x
i
)
h
para (x
i
) < 0
(x
i
)
u(x
i
) u(x
i1
)
h
para (x
i
) > 0
(4.43)
A utiliza cao de um Esquema de Diferen cas Finitas Centrada ou de um Esquema de Diferen cas
Finitas Upwind para aproximar o Operador de Advec cao vai depender muito do problema de
valores de contorno em que ele aparece. Faremos uma analise mais detalhada no Captulo 7.
4.5 Extrapolacao de Richardson
A tecnica de extrapola cao pode ser aplicada sempre que conhecermos um esquema de apro-
xima cao que tem um indicativo de erro que depende de um par ametro. Em geral este
parametro e o espa camento de uma determinada discretiza cao de um domnio espacial, por
exemplo. O objetivo da extrapola cao e encontrar uma forma mais facil de se obter um es-
quema de aproxima cao de alta ordem combinado um esquema de menor ordem ja conhecido.
Por exemplo, combinar um esquema que tem um aproxima cao O(h
2
) obtendo um novo es-
quema que tem uma aproxima cao O(h
4
). Vamos mostrar este procedimento para as formulas
de diferen cas nitas, que tambem pode ser utilizado para regras de integra cao numerica. Por
exemplo, podemos combinar a regra do retangulo do ponto medio com a regra do trapezio,
que tem um erro local O(h
2
), para obter a regra de Simpson que tem um erro local O(h
4
).
Inicialmente, vamos considerar a Formula de Diferen cas Finitas Centrada para aproximar o
valor de f
em um ponto x (a, b)
f
(x) D
(1)
C
(f)(x) =
f(x + h) f(x h)
2 h
(4.44)
que tem um erro local dado por
E
(1)
C
(f)(x) =
h
2
6
f
(x) + O(h
4
) (4.45)
Substituindo h por
h
2
em (4.44) e utilizando o erro local, temos que
f
(x) =
f(x +
h
2
) f(x
h
2
)
h
h
2
24
f
(x) + O(h
4
) (4.46)
Finalmente, multiplicando (4.46) por quatro e subtraindo do resultado (4.44), eliminamos o
termo do erro local O(h
2
). Assim, obtemos
f
(x) = 4
f(x +
h
2
) f(x
h
2
)
3 h
f(x + h) f(x h)
6 h
+ O(h
4
) (4.47)
Agora, trocando h por 2 h em (4.47) temos que
f
(x) =
f(x 2 h) 8 f(x h) + 8 f(x + h) f(x + 2 h)
12 h
+ O(h
4
) (4.48)
Desse modo, obtemos um Esquema de Diferen cas Finitas Centrada para aproximar f
com
um erro da ordem de h
4
.
4.6 Exerccios
Exerccio 4.1 Seja f : [a, b] IR uma fun cao de classe C
6
([a,b]). Dado um ponto
x (a, b), obter o Esquema de Diferen cas Finitas Centrada para aproximar f
(iv)
no ponto
x , utilizando as informa coes dos pontos x
2
, x
1
, x
0
, x
+1
e x
2
, com um erro da ordem de
h
2
. Estamos denotando por x
j
= x + j h para j = 2, 1, 0, 1, 2 com o espa camento
0 < h 1.
Exerccio 4.2 Seja F : IR
2
uma fun cao de classe C
3
(). Dada um ponto (x, y) ,
obter o Esquema de Diferen cas Finitas Centrada para aproximar as derivadas parciais
1.
F
x
(x, y) e
F
y
(x, y)
Exerccio 4.3 Seja F : IR
2
uma fun cao de classe C
4
(). Dada um ponto (x, y) ,
obter o Esquema de Diferen cas Finitas Centrada para aproximar as derivadas parciais
1.

2
F
x
2
(x, y) e

2
F
y
2
(x, y)
2.

2
F
xy
(x, y) =

y
_
F
x
_
(x, y) =

x
_
F
y
_
(x, y)
6
x (a, b), obter o Esquema de Diferen cas Finitas Centrada para aproximar f
no ponto x
usando os valores da fun cao f nos pontos x
2
= x2h, x
1
= xh, x
0
= x, x
1
= x+h,
x
2
= x + 2h, para o espa camento 0 < h 1, com um erro da ordem de h
4
.
3
x (a, b), obter o Esquema de Diferen cas Finitas Atrasada para aproximar o valor de f
no ponto x utilizando o polinomio interpolador da fun cao f nos pontos x

2
= x 2h,
x
1
= xh e x
0
= x, para o espa camento 0 < h 1. Note que, este procedimento pode
ser utilizado para pontos de interpola cao que nao sejam igualmente espa cados.
3
x (a, b), obter o Esquema de Diferen cas Finitas Centrada para aproximar o valor de f
no ponto x utilizando o polinomio interpolador da fun cao f nos pontos x

1
= x h,
x
0
= x e x
1
= x +h, para o espa camento 0 < h 1. Note que, este procedimento pode
ser utilizado para pontos de interpola cao que nao sejam igualmente espa cados.
4.7 Projetos
4.7.1 Operador de Difusao Bidimensional
Vamos considerar o Operador de Difus ao Bidimensional para um meio nao homogeneo
D[u](x, y) =
_

x
_
K(x, y)
u
x
_
+

y
_
K(x, y)
u
y
_ _
(4.49)
Para que tenha um sentido fsico, vamos considerar a fun cao K continuamente diferenciavel
e estritamente positiva em = [0, 1] [0, 1]. Devemos tambem considerar que a fun cao
u seja pelo menos quatro vezes continuamente diferenciavel em . A fun cao K pode re-
presentar uma difusao, viscosidade ou uma difusibilidade termica, dependendo do problema
abordado.
Seja
x
: 0 = x
0
< x
1
< < x
i
< x
n
< x
n+1
= 1 uma parti cao regular com
espa camento h e
y
: 0 = y
0
< y
1
< < y
j
< < y
m
< y
m+1
= 1 uma
parti cao regular tambem com espa camento h. A Figura 4.4 ilustra uma rede uniforme de
diferen cas nitas para o domnio = [0, 1] [0, 1] e a enumera cao dos nos internos. Note
que, para cada para (i, j) faz corresponder uma enumera cao desse no, que vamos denotar
por k-esimo no, com a seguinte rela cao k = n(j 1) + i , onde n esta relacionado com
o n umero de subintervalos da parti cao
x
. Assim, temos r = n.m nos internos na rede
de diferen cas nitas.
Obter a discretiza cao do operador de difusao D[u] no ponto (x
i
, y
j
) da rede de diferen cas
nitas, utilizando uma tecnica analoga para a discretiza c ao do operador de difusao unidimen-
sional. Vamos denotar por D
h
[u](x
i
, y
j
) a discretiza cao do operador de difusao no ponto
(x
i
, y
j
) . Desse modo, podemos representar A
U = D
h
[u](x
i
, y
j
) para i = 1, 2, , n e
j = 1, 2, , m , utilizando a regra de enumera cao para os nos internos da rede de diferen cas
nitas, onde A e uma matriz de ordem r = n.m e o vetor

U e denido da seguinte forma
U =
_
_
U
1
U
2
.
.
.
U
k
.
.
.
U
r
_
_
(4.50)
com U
k
= u(x
i
, y
j
) para k = n(j 1) + i . Determine a estrutura de esparsidade da
matriz A , inicialmente utilizando a rede de diferen cas nitas ilustrada na Figura 4.4. Por
simplicidade, vamos considerar que u(x, y) = 0 para (x, y) .
-
6
0
1
1
y
x
1 2 3 4 5 6 7
8 9 10 11 12 13 14
43 44 45 46 47 48 49
y
j
x
i
u
Figura 4.4: Enumera cao dos nos internos da rede de diferen cas nitas.
Captulo 5
Aproxima c ao de Problemas Elpticos
5.1 Introducao
Neste captulo vamos dar incio às constru coes das discretiza coes dos problemas de valores de
contorno, que e uma das fontes dos problemas em analise numerica matricial, que em geral tem
origem nos problemas fsicos, qumicos ou biologicos. A discretiza cao de problemas de valores
de contorno nos leva a problemas de sistemas lineares esparsos, muitas vezes com estruturas
tridiagonal, banda ou tridiagonal por blocos. As matrizes de tais sistemas lineares tambem
podem apresentar propriedades especiais, como por exemplo, simetrica, positivadenida,
diagonalmente dominante por linhas, etc. Vamos estudar as condi coes de estabilidade e
consistencia dos Esquemas de Diferen cas Finitas para o problema denido na se cao 5.2, e
a implica cao na convergencia da solu cao numerica para a solu cao exata. Apresentamos um
Esquema de Alta Ordem para a equa cao de Poisson unidimensional, juntamente com a analise
de estabilidade e consistencia do esquema proposto. Vamos mostrar como calcular a ordem
de convergencia do erro global atraves de simula coes numericas.
5.2 Problema de Difusao com Dissipacao
Considere a seguinte Equa cao Diferencial Ordinaria
(x)u
(x) + (x)u(x) = f(x) ; x (0, L) (5.1)

sujeita à condi cao de contorno nao homogenea
u(0) = u
0
e u(L) = u
L
(5.2)
denominada condi cao de Dirichlet. As fun coes , e f sao contnuas, com e
estritamente positivas em [0, L]. As constantes u
0
e u
L
sao conhecidas.
149
O problema (5.1)(5.2) representar fsicamente, por exemplo, um Problema de Difus ao com
Dissipa cao de poluentes em meios porosos. O termo de difusao e descrito por (x)u
(x),
e o termo de dissipa cao e descrito por (x)u(x). A fun cao u representa a concentra cao de
um determinado poluente (pesticida) que desejamos estudar.
Vamos construir o sistema linear proveniente da discretiza cao do Problema de Valores de
Contorno (5.1) (5.2) atraves do Metodo de Diferen cas Finitas Centrada, que fornece uma
solu cao numerica com um erro da ordem de h
2
.
Seja : 0 = x
0
< < x
n
< x
n+1
= L uma parti cao regular de [0, L] , com espa camento
h. Por simplicidade, vamos denotar por u
i
= u(x
i
) e por U
i
uma aproxima cao para
o valor u(x
i
) fornecida pelo Metodo de Diferen cas Finitas Centrada, onde a fun cao u e
a solu cao exata do Problema de Valores de Contorno (5.1) (5.2) . Pela imposi cao das
condi coes de contorno temos que U
0
= u
0
e U
n+1
= u
L
.
O Metodo de Diferen cas Finitas Centrada consiste em substituir o valor u(x
i
) por U
i
e o
valor u
(x
i
) pela formula de diferen cas nitas centrada
D
2
c
[U](x
i
) =
U
i1
2 U
i
+ U
i+1
h
2
fazendo com que a equa cao diferencial ordinaria (5.1) seja satisfeita nos pontos interiores da
parti cao . Assim, obtemos o seguinte conjunto de equa coes lineares
(x
i
) ( U
i1
+ 2 U
i
U
i+1
) + h
2
(x
i
) U
i
= h
2
f(x
i
)
para i = 1, 2, , n. Note que, na primeira equa cao (i = 1) aparece o valor conhecido
(x
1
) U
0
= (x
1
) u
0
que deve ser passado para o lado direito da equa cao. De modo an alogo,
na ultima equa cao (i = n) aparece o valor conhecido (x
n
) U
n+1
= (x
n
) u
L
que tambem
deve ser passado para o lado direito da equa cao. Desse modo, temos o seguinte sistema linear
tridiagonal
Para i = 1
( 2 (x
1
) + h
2
(x
1
) ) U
1
(x
1
) U
2
= h
2
f(x
1
) + (x
1
) u
0
(5.3)
Para i = 2, 3, , (n 1) temos as seguinte equa coes
(x
i
) U
i1
+ ( 2 (x
i
) + h
2
(x
i
) ) U
i
(x
i
) U
i+1
= h
2
f(x
i
) (5.4)
Captulo 5. Aproxima cao de Problemas Elpticos 151
Para i = n
(x
n
) U
n1
+ ( 2 (x
n
) + h
2
(x
n
) ) U
n
= h
2
f(x
n
) + (x
n
) u
L
(5.5)
Vamos representar o sistema linear (5.3) (5.5) na sua forma matricial, com
A =
_
_
( 2 (x
1
) + h
2
(x
1
) ) (x
1
)

(x
i
) ( 2 (x
i
) + h
2
(x
i
) ) (x
i
)

(x
n
) ( 2 (x
n
) + h
2
(x
n
) )
_
_
(5.6)
e o vetor da lado direito dado por
F =
_
_
h
2
f(x
1
) + (x
1
) u
0
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n
) + (x
n
) u
L
_
_
(5.7)
Desse modo, a solu cao aproximada para o problema da valor de contorno (5.1) - (5.2) obtida
atraves do esquema de diferen cas nitas centrada, que vamos denotar por

U
h
, e a solu cao
do sistema linear
A
h
U =

F
h
(5.8)
que tem solu cao unica, pois a matriz A e estritamente diagonalmente dominante por linhas,
portanto nao singular. Considerando que o coeciente de difus ao seja uma fun cao cons-
tante e positiva, podemos mostrar que a matriz A e simetrica e positivadenida. Neste
caso, podemos obter uma solu cao numerica para o sistema linear (5.8) pelo metodo de fa-
tora cao de Cholesky.
Quando estamos aproximando a solu cao de um problema de valor de contorno por uma
solu cao numerica, obtida atraves de um esquema de discretiza cao, temos que nos preocupar
com a qualidade desse solu cao numerica. Essencialmente, temos que saber as condi coes para
que a solu cao do sistema linear proveniente da discretiza cao do problema de valor contorno,
representa a solu cao exata do problema original com alguma qualidade. A seguir, vamos
apresentar alguns resultados que nos levam a uma resposta sobre a qualidade da solu cao
numerica.
5.3 Estabilidade, Consistencia e Convergencia
Com o objetivo de simplicar e tornar mais claro nossos calculos, vamos introduzir algumas
nota coes para o problema (5.1) - (5.2). Denotaremos o operador diferencial para a equa cao
diferencial ordinaria (5.1) da seguinte forma
L[v](x) = (x)v
(x) + (x)v(x) ; x (0, L)

O esquema de diferen cas nitas centrada para o operador L[v], sera representado por
L
h
[v](x
j
) = (x
j
)D
2
c
[v](x
j
) + (x
j
)v(x
j
) ; j = 1, 2, , n
Considerando que a fun cao u seja a solu cao exata do problema de valores de contorno
(5.1) (5.2) , podemos denir o Erro de Truncamento Local para o esquema de
diferen cas nitas descrito pelas equa coes (5.3) (5.5) da seguinte forma
(x
j
) = L
h
[u](x
j
) L[u](x
j
) para j = 1, 2, , n (5.9)
Tomando a expressao do erro local (4.34) para a Formula de Diferen cas Finitas Centrada,
para a aproxima cao da segunda derivada, o Erro de Truncamento Local e dado por
(x
j
) = (x
j
)
h
2
12
u
(iv)
(x
j
) + O(h
4
) para j = 1, 2, , n (5.10)
considerando que u seja quatro vezes continuamente diferenciavel, podemos observar que
(x
j
) = O(h
2
). Vamos denir os seguinte vetores
U =
_
_
u(x
1
)
.
.
.
u(x
j
)
.
.
.
u(x
n
)
_
U
h
=
_
_
U
1
.
.
.
Uj
.
.
.
Un
_
_
=
_
_
(x
1
)
.
.
.
(x
j
)
.
.
.
(x
n
)
_
_
Desse modo, podemos obter uma rela cao entre o Erro de Trucamento Local e o Erro
Global E =

U

U
h
, que representada na sua forma matricial, e dada por
A
h
E = (5.11)
uma vez que A
h

U =

F
h
+ e A
h

U
h
=

F
h
.
Temos que a matriz A
h
e dada por
A
h
=
1
h
2
_
_
( 2 (x
1
) + h
2
(x
1
) ) (x
1
)

(x
i
) ( 2 (x
i
) + h
2
(x
i
) ) (x
i
)

(x
n
) ( 2 (x
n
) + h
2
(x
n
) )
_
_
e o vetor

F
h
e dado por
F
h
=
1
h
2
_
_
h
2
f(x
1
) + (x
1
) u
0
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n
) + (x
n
) u
L
_
_
(5.12)
Note que, a matriz A
h
e o vetor

F
h
denidos acima, sao os mesmos do sistema linear
(5.3) (5.5) divididos por h
2
. Estamos denotando por

U
h
a solu cao do sistema linear
A
h
U =

F
h
, que e a solu cao de diferen cas nitas para o problema (5.1) (5.2) .
Denicao 5.1 (Estabilidade) Suponhamos que o Metodo de Diferen cas Finitas gere uma
seq uencia de sistemas lineares A
h
U =

F
h
, onde h e o espa camento da parti cao.
Dizemos que o Esquema de Diferen cas Finitas e estavel se (A
h
)
1
existe para todo h
sucientemente pequeno e se existe uma constante C > 0 independente de h tal que
[[[ (A
h
)
1
[[[ C para todo h (5.13)
Denicao 5.2 (Consistencia) Dizemos que o Esquema de Diferen cas Finitas, denido por
L
h
, e consistente com o problema de valores de contorno, se para toda v (
4
([0, L])
tem-se que
lim
h0
L
h
[v](x
j
) = L[v](x
j
) para todo x
j
(5.14)
Denicao 5.3 (Convergencia) Dizemos que o Esquema de Diferen cas Finitas, denido
por L
h
, e convergente se
lim
h0
|
U

U
h
| = 0 (5.15)
Teorema 5.1 Para problema de valor de contorno linear, as propriedades de consistencia
e estabilidade s ao condi coes sucientes para a convergencia.
Demonstracao Como A
h
e nao singular, temse que
A
h
(
U
h

U) =
U
h

U = (A
h
)
1
Assim, pela hipotese de estabilidade, obtemos

| (
U
h

U) | [[[ (A
h
)
1
[[[ | | C | |
Pela hipotese de consistencia do esquema, temos que
lim
h0
| | = 0 (5.16)
Desse modo, obtemos a convergencia
lim
h0
|
U

U
h
| = 0 (5.17)
A seguir, apresentamos um resultado para a estimativa do erro global para a solu cao de
diferen cas nitas.
Teorema 5.2 (Estimativa para o Erro da Aproximacao) Seja u a solu cao exata do
problema (5.1)(5.2), que vamos supor quatro vezes continuamente diferenciavel. Entao,
existe uma constante C > 0, independente do espa camento h da parti cao, tal que
max
_
u(x
j
) U
h
j
; 1 j n
_
C h
2
(5.18)
Demonstracao Por simplicidade, vamos considerar que e sejam constantes. O erro
global E
h
e a solu cao do sistema linear
A
h
E =
que pode ser visto como a discretiza cao do seguinte problema de valor de contorno
e
(x) + e(x) = (x) ; x (0, L)

e(0) = e(L) = 0
(5.19)
considerando (x) =
h
2
12
u
(iv)
(x) =
h
2
12
g(x).
Podemos escrever a solu cao geral do problema (5.19) como
e(x) = e
p
(x) + e
h
(x)
onde a solu cao da equa cao homogenea associada e dada por
e
h
(x) = C
1
exp( x) + C
2
exp( x)
com =
_
/ . Uma solu cao particular pode ser obtida pelo metodo da varia cao dos
parametros ( Boyce et al. (1998) ), da seguinte forma
e
p
(x) =
h
2
12
_
y
1
(x)
_
y
2
(x) g(x)
W(y
1
, y
2
)(x)
dx + y
2
(x)
_
y
1
(x) g(x)
W(y
1
, y
2
)(x)
dx
_
onde y
1
e y
2
sao as solu coes fundamentais da equa cao homogenea associada.
O wronskiano e dado por
W(y
1
, y
2
)(x) =
exp( x) exp( x)
exp( x) exp( x)
= 2
Impondo as condi coes de contorno, temos que as constantes C
1
e C
2
sao a solu cao do
sistema linear
_
_
1 1
exp( L) exp( L)
_
_
_
_
C
1
C
2
_
_
=
_
_
e
p
(0)
e
p
(L)
_
_
Note que, a solu cao da equa cao homogenea associada e
h
(x) = O(h
2
), pois depende da
solu cao particular e
p
que e da ordem de h
2
. Portanto, temos que e(x) = O(h
2
). Assim,
obtemos o resultado desejado.
5.4 Estabilidade na norma2
Para facilitar uma analise da estabilidade do Esquema de Diferen cas Finitas na norma 2
(norma espectral) vamos considerar que o coecientes de difusao e o de dissipa cao
sejam constantes positivas. Desse modo, a matriz A
h
do sistema linear e dada por
A
h
=
1
h
2
_
_
d
d
d

d
_
_
(5.20)
onde os elementos da diagonal principal sao dados por
d = 2 + h
2
Neste caso, sendo a matriz A

h
simetrica e positivadenida, seus autovalores sao todos reais
positivos. Desse modo, tem-se que [[[ (A
h
)
1
[[[
2
=
1
min
, onde
min
e o menor autovalor
da matriz A
h
.
Como a estrutura da matriz A
h
e tridiagonal, sendo todos os elementos da diagonal princi-
pal iguais, e tambem os elementos das subdiagonais sao todos iguais, sabemos que
j
=
_
2
h
2
+
_

2
h
2
cos
_
j
n + 1
_
; j = 1, , n (5.21)
Escrevendo (5.21) da seguinte forma
j
= +
2
h
2
_
1 cos
_
j
n + 1
_ _
; j = 1, , n (5.22)
e tomando (n + 1) =
L
h
temos que
j
(h) = +
2
h
2
_
1 cos
_
j h
L
_ _
; j = 1, , n (5.23)
Da equa cao (5.23) vemos que
min
(h) e dado por
min
(h) = +
2
h
2
_
1 cos
_
h
L
_ _
(5.24)
Vamos fazer uma expansao em serie de Taylor da fun cao cos
_
h
L
_
em torno de h = 0 ,
para que possamos mais facilmente obter uma limita cao para
min
(h) . Assim temos que
min
(h) = +
2
h
2
_
h
2
2
2 L
2

h
4
4
24 L
4
+
_
(5.25)
Da equa cao (5.25) obtemos
min
(h) = +

2
L
2
+ O(h
2
) (5.26)
Portanto, temos a limita cao de [[[ (A
h
)
1
[[[
2
quando h 0, cando demonstrado a estabili-
dade do esquema na norma 2.
Exemplo 5.1 Calcule /
2
(A
h
). O que podemos concluir ?
5.5 Condicoes de Contorno
5.5.1 Condicao de Neumann
Nesta se cao vamos apresentar um outro tipo de condi cao de contorno, que sicamente pode
representar um uxo constante na fronteira, denominada condi cao de Neumann. Para isso,
consideramos a seguinte Equa cao Diferencial Ordinaria
u
(x) + c(x) u(x) = f(x) ; x (0, L) (5.27)

sujeita a condi cao de Neumann
u
(0) = e u
(L) = (5.28)
onde as fun coes c e f sao contnuas, com c estritamente positiva em [0, L]. A constantes
e sao conhecidas, que podem ser negativas ou positivas conforme a dire cao do uxo.
No caso em que, as constantes e sao nulas, temos uma condi cao de isolamento na
fronteira.
Vamos obter uma solu cao numerica para o problema (5.27)(5.28), atraves de um esquema
de diferen cas nitas centrada, que fornece um erro de truncamento local e um erro global da
ordem de h
2
.
Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= L uma parti cao regular de [0, L] com
espa camento h. Como vamos utilizar uma formula de diferen cas nitas centrada para dis-
cretizar a condi cao de contorno (5.28), temos que considerar dois pontos exteriores ctcios
na parti cao , que vamos denotar por x
1
= x
0
h e x
n+2
= x
n+1
+ h. Utilizando uma
formula de diferen cas nitas centrada para discretizar o termo de segunda ordem na equa cao
(5.27), temos (n + 2) equa coes algebricas nas incognitas U
1
, U
0
, U
1
, U
n
, U
n+1
, U
n+2
U
i1
+ ( 2 + h
2
c(x
i
) ) U
i
U
i+1
= h
2
f(x
i
) (5.29)
Para i = 0, 1, , n, (n + 1). Discretizando a condi cao de contorno, obtemos mais
duas equa coes algebricas
U
1
U
1
= 2 h = U
1
= U
1
2 h (5.30)
U
n+2
U
n
= 2 h = U
n+2
= U
n
+ 2 h (5.31)
Substituindo os valores de U
1
e U
n+2
em (5.29), para i = 0 e i = (n + 1),
respectivamente, obtemos um sistema linear A
h

U =

F
h
, com a matriz A
h
dada por
A
h
=
1
h
2
_
_
d
0
2
1 d
1
1
1 d
2

1
2 d
n+1
_
_
(5.32)
d
i
= 2 + h
2
c(x
i
) ; i = 0, 1, , (n + 1)
e o vetor

F
h
e dado por
F
h
=
1
h
2
_
_
h
2
f(x
0
) 2 h
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n+1
) + 2 h
_
_
(5.33)
Desse modo, a solu cao numerica pelo esquema de diferen cas nitas centrada, que vamos de-
notar por

U
h
, e a solu cao do sistema linear A
h

U =

F
h
.
Neste caso, temos que o erro global e da ordem de h
2
, isto e, existe uma constante positiva
C, independente de h, tal que
max
_
u(x
j
) U
h
j
; 0 j (n + 1)
_
C h
2
(5.34)
Exemplo 5.2 Considere o seguinte problema de valor de contorno
u
(x) + c(x) u(x) = f(x) ; x (L, L)

u
(L) = u
(L) = 0
(5.35)
com L = 1 , c(x) = 6.579 10
1
, e uma fonte externa
f(x) = exp( 16.0 x
2
)
Na Figura 5.1 apresentamos os gracos da fonte externa e da solu cao numerica do problema
(5.35), obtida pelo esquema de diferen cas nitas centrada para uma parti cao regular com
espa camento h =
2 L
256
.
5.5.2 Condicao de Robin
O terceiro tipo de condi cao de contorno, sicamente possvel, e a condi cao de Robin, que e
dada por
A
0
u
(0) + B
0
u(0) = C
0
A
L
u
(L) + B
L
u(L) = C
L
(5.36)
onde as constantes A
0
, B
0
, C
0
, A
L
, B
L
e C
L
, sao conhecidas. Na se cao 6.9.1, vamos
apresentar novamente esta condi cao de contorno e sua interpreta cao fsica em processo de
resfriamento. Note que, com a condi cao de Robin, podemos tambem representar as condi coes
de Dirichlet e de Neumann, escolhendo adequadamente os parametros.
Utilizando uma formula de diferen cas nitas centrada para discretizar a condi cao de contorno
(5.36), obtemos duas equa coes algebricas dadas por
A
0
U
1
U
1
2 h
+ B
0
U
0
= C
0
(5.37)
A
L
U
n+2
U
n
2 h
+ B
L
U
n+1
= C
L
(5.38)
de onde temos os valores para U
1
e U
n+2
U
1
=
2 h
A
0
( B
0
U
0
C
0
) + U
1
(5.39)
U
n+2
=
2 h
A
L
( C
L
B
L
U
n+1
) + U
n
(5.40)
uma vez que as constantes A
0
e A
L
sejam nao nulas.
1
e U
n+2
em (5.29), para i = 0 e i = (n + 1),
respectivamente, obtemos um sistema linear A
h

U =

F
h
, com a matriz A
h
dada por
A
h
=
1
h
2
_
_
d
0
2
1 d
1
1
1 d
2

1
2 d
n+1
_
_
(5.41)
d
0
= 2 + h
2
c(x
0
)
2 h
A
0
B
0
d
i
= 2 + h
2
c(x
i
) ; i = 1, , n
d
n+1
= 2 + h
2
c(x
n+1
) +
2 h
A
L
B
L
e o vetor

F
h
e dado por
F
h
=
1
h
2
_
_
h
2
f(x
0
)
2 h
A
0
C
0
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n+1
) +
2 h
A
L
C
L
_
_
(5.42)
2
max
_
u(x
j
) U
h
j
; 0 j (n + 1)
_
C h
2
(5.43)
Exemplo 5.3 Considere o seguinte problema de valor de contorno
u
(x) + c(x) u(x) = f(x) ; x (L, L)

u
(L) 2 u(L) = 0 e u
(L) = 0
(5.44)
com L = 2 , c(x) = 6.579 10
1
, e uma fonte externa f(x) = exp( 16.0 x
2
).
Na gura 5.2 apresentamos os gracos da fonte externa e da solu c ao numerica do problema
(5.44), obtida pelo Esquema de Diferen cas Finitas Centrada para uma parti cao regular com
espa camento h =
2 L
256
.
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
f
(
x
)
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.3
0.32
0.34
0.36
0.38
0.4
x
u
(
x
)
Figura 5.1: Fonte externa f(x) e solu cao numerica

U
h
, para o exemplo 5.2.
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0.22
0.24
0.26
0.28
x [m]
u
(
x
)
Figura 5.2: Graco da solu cao numerica

U
h
Com a condi cao de Robin podemos representar as condi coes de Dirichlet e de Neumann. No
caso da condi cao de Dirichlet temos que escolher A
0
= 0 e A
L
= 0. Devido a escolha
da discretiza cao para a condi cao de contorno nao podemos ter esta situa cao, veja as equa coes
(5.39) e (5.40).
Desse modo, vamos propor uma nova forma de discretizar as condi coes de contorno de Robin,
com a qual temos uma situa cao mais geral para a escolha dos tipos das condi coes de contorno.
Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= L uma parti cao regular de [0, L] com
espa camento h. Utilizando uma formula de diferen cas nitas centrada para discretizar o
termo de segunda ordem na equa cao (5.27), temos n equa coes algebricas nas incognitas
U
0
, U
1
, U
n
, U
n+1
, dadas por
U
i1
+ ( 2 + h
2
c(x
i
) ) U
i
U
i+1
= h
2
f(x
i
) (5.45)
para i = 1, , n.
Discretizando a condi cao de contorno em x = 0 com a formula de diferen cas nitas
avan cada dada em (4.17), que tem uma aproxima cao da ordem de h
2
, obtemos a seguinte
equa cao algebrica
A
0
( 3U
0
+ 4U
1
U
2
) + 2hB
0
U
0
= 2hC
0
de onde temos o valor para U
0
, dado por
U
0
=
1
2hB
0
3A
0
( 2hC
0
4A
0
U
1
+ A
0
U
2
) (5.46)
Discretizando a condi cao de contorno em x = L com a formula de diferen cas nitas
atrasada dada em (4.8), que tem uma aproxima cao da ordem de h
2
, obtemos a seguinte
equa cao algebrica
A
L
( U
n1
4U
n
+ 3U
n+1
) + 2hB
L
U
n+1
= 2hC
L
de onde temos o valor para U
n+1
, dado por
U
n+1
=
1
2hB
L
+ 3A
L
( 2hC
L
A
L
U
n1
+ 4A
L
U
n
) (5.47)
0
e U
n+1
em (5.45), para i = 1 e i = n, respectivamente,
obtemos um sistema linear A
h

U =

F
h
, com a matriz A
h
dada por
A
h
=
1
h
2
_
_
d
1
b
1
1 d
2
1
1 d
3

1
c
n1
d
n
_
_
(5.48)
d
1
= 2 + h
2
c(x
1
) +
4A
0
2hB
0
3A
0
d
i
= 2 + h
2
c(x
i
) ; i = 2, , (n 1)
d
n
= 2 + h
2
c(x
n
)
4A
L
2hB
L
+ 3A
L
e os elementos b
1
e c
n1
sao dados por
b
1
= 1
A
0
2hB
0
3A
0
c
n1
= 1 +
A
L
2hB
L
+ 3A
L
O vetor

F
h
e dado por
F
h
=
1
h
2
_
_
h
2
f(x
1
) +
2hC
0
2hB
0
3A
0
.
.
.
h
2
f(x
i
)
.
.
.
h
2
f(x
n
) +
2hC
L
2hB
L
+ 3A
L
_
_
(5.49)
Obtida a solu cao numerica do sistema linear A
h

U =

F
h
, calculamos os valores para U
0
e U
n+1
das rela coes (5.46) e (5.47).
2
max
_
u(x
j
) U
h
j
; 0 j (n + 1)
_
C h
2
(5.50)
5.6 Equacao de Poisson Esquema de Alta Ordem
Considere o Problema de Poisson: encontrar uma fun cao u denida em [0, L] solu cao da
equa cao
(x)u
(x) = f(x) ; x (0, L) (5.51)

sujeita à condi cao de contorno de Dirichlet homogenea
u(0) = 0 e u(L) = 0 (5.52)
Vamos considerar que as fun coes u e f tenham uma regularidade suciente para construir
um Esquema de Diferen cas Finitas de Quarta Ordem. Durante o processo de constru cao do
esquema descobriremos a regularidade necessaria. Para que possamos dar um sentido fsico
ao problema, vamos considerar que a fun cao seja contnua e estritamente positiva. Vamos
mostrar que o Esquema de Diferen cas Finitas proposto e estavel. Neste problema a fun cao
u pode representar o potencial eletrico em um meio condutor. Por simplicidade, vamos
escrever o operador da equa cao de Poisson da seguinte forma
L[u](x) = (x)u
(x) f(x) (5.53)

Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= L uma parti cao regular de [0, L]. Vamos
obter uma solu cao aproximada para o problema (5.51) (5.52) atraves de um Esquema de
Diferen cas Finitas de Quarta Ordem, considerando (x) = 1. Para isso, construmos uma
Formula de Diferen cas Finitas Centrada de Quarta Ordem para aproximar u
em um ponto
x
i
. Tomando a Formula de Taylor com Resto da fun cao u em torno do ponto x
i
e
considerando o valor de u(x
i+1
) , tem-se que
u(x
i+1
) = u(x
i
) + hu
(x
i
) +
h
2
2
u
(x
i
) +
h
3
3!
u
(x
i
) +
h
4
4!
u
(iv)
(x
i
) +
h
5
5!
u
(v)
(x
i
) +
h
6
6!
u
(vi)
(
1
)
para x
i
<
1
< x
i+1
. Tomando a Formula de Taylor com Resto da fun cao u em torno
do ponto x
i
e considerando o valor de u(x
i1
) , tem-se que
u(x
i1
) = u(x
i
) hu
(x
i
) +
h
2
2
u
(x
i
)
h
3
3!
u
(x
i
) +
h
4
4!
u
(iv)
(x
i
)
h
5
5!
u
(v)
(x
i
) +
h
6
6!
u
(vi)
(
2
)
para x
i1
<
2
< x
i
. Agora somando as duas ultimas igualdades, obtemos
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2
= u
(x
i
) +
h
2
12
u
(iv)
(x
i
) +
h
4
6!
( u
(vi)
(
1
) + u
(vi)
(
2
) )
Aplicando o Teorema 1.5 da se cao 1.2 na expressao do erro, obtemos
u
(x
i
) =
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2

h
2
12
u
(iv)
(x
i
)
h
4
360
u
(vi)
() (5.54)
para x
i1
< < x
i+1
.
Observe que, em (5.54) temos u
(iv)
(x
i
) = f
(x
i
) . Assim, podemos escrever
u
(x
i
) =
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2
+
h
2
12
f
(x
i
)
h
4
360
u
(vi)
() (5.55)
Na expressao (5.55) vamos utilizar que
f
(x
i
) =
f(x
i1
) 2f(x
i
) + f(x
i+1
)
h
2

h
2
12
f
(iv)
() (5.56)
para x
i1
< < x
i+1
. Substituindo (5.56) em (5.55) , obtemos
u
(x
i
) =
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2
+
f(x
i1
) 2f(x
i
) + f(x
i+1
)
12
+ E(h
4
) (5.57)
onde o erro do esquema de diferen cas nitas e dado por
E(h
4
) = h
4
_
u
(vi)
()
144

u
(vi)
()
360
_
(5.58)
Desse modo, o Esquema de Diferen cas Finitas de Quarta Ordem para o operador L[u] sera
representado por
L
h
[u](x
i
) =
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2

f(x
i1
) + 10f(x
i
) + f(x
i+1
)
12
(5.59)
O erro de truncamento local e dado por
(x
i
) = L
h
[u](x
i
) L[u](x
i
) = E(h
4
) (5.60)
para i = 1, 2, , n. Este esquema de discretiza cao tambem e denominado Esquema
Compacto de Quarta Ordem.
Portanto, mostramos a consistencia do esquema de diferen cas nitas proposto em (5.59),
desde que a solu cao do problema de Poisson seja pelo menos seis vezes continuamente dife-
renciavel, para isso necessitamos que a fun cao f seja pelo menos quatro vezes continuamente
diferenciavel. Para o caso em que a fun cao nao seja constante, basta considerar a fun cao
fonte igual a g(x) = f(x)/(x) .
Desse modo, discretizando o problema de valor de contorno (5.51) (5.52) pelo Esquema
de Diferen cas Finitas dado em (5.59) obtemos o seguinte sistema linear, nas incognitas
U
1
, , U
n
, com a matriz A
h
IM
n
(IR) dada por
A
h
=
1
h
2
_
_
2 1
1 2 1
1 2
1
1 2
_
_
(5.61)
e o vetor b = [b
i
] IR
n
do lado direito dado por
b
i
=
f(x
i1
) + 10f(x
i
) + f(x
i+1
)
12
(5.62)
para todo i = 1, 2, , n. Estamos denotando por U
i
uma aproxima cao do valor da
solu cao u no ponto x
i
.
5.6.1 Analise de Estabilidade
A estabilidade do esquema na norma 2 pode ser vericada analisando o menor auto-
valor da matriz A
h
dada em (5.61) , pois o inverso deste e a norma2 da matriz ( A
h
)
1
.
Como a estrutura da matriz A
h
e tridiagonal, sendo que todos os elementos da diagonal
principal sao iguais e tambem os elementos das subdiagonais sao todos iguais, sabemos que
j
=
2
h
2

2
h
2
cos
_
j
n + 1
_
; j = 1, , n (5.63)
Desse modo podemos ver que
min
(h) e dado por, considerando (n + 1) =
L
h
,
min
(h) =
2
h
2
_
1 cos
_
h
L
_ _
(5.64)
Vamos fazer uma expansao em serie de Taylor da fun cao cos
_
h
L
_
em torno de h = 0 ,
para que possamos mais facilmente obter uma limita cao para
min
(h) . Assim temos que
min
(h) =
2
h
2
_
h
2
2
2 L
2

h
4
4
24 L
4
+
_
(5.65)
Da equa cao (5.65), obtemos
min
(h) =

2
L
2
+ O(h
2
) (5.66)
Portanto, temos a limita cao da [[[ (A
h
)
1
[[[
2
quando h 0 , cando demonstrada a
estabilidade do esquema na norma 2. Desse modo, temos que o esquema de diferen cas
nitas possui as propriedades de consistencia e estabilidade, que sao condi coes sucientes
para a convergencia da solu cao numerica. Podemos mostrar que o erro desta aproxima cao
e da ordem de h
4
, isto e, existe uma constante C positiva, independente de h, tal que
max [U
i
u(x
i
)[ ; 1 i n Ch
4
(5.67)
Exemplo 5.4 Para mostrar o desempenho do Esquema Compacto de Quarta Ordem,
vamos considerar o seguinte Problema de Poisson
u
(x) =
2
sin( x) ; x (1, 1)
u(1) = u(1) = 0
E facil ver, que a solu cao exata do problema de Poisson acima e u(x) = sin( x).
Vamos considerar uma parti cao regular com um espa camento h = 2/32 = 0.0625, o
que representa uma parti cao com 32 subintervalos, para obtermos uma solu cao aproximada.
Denotamos por U
(eso)
a solu cao numerica pelo esquema de Diferen cas Finitas Centrada
de Segunda Ordem, e por U
(eqo)
a solu cao numerica pelo esquema de Diferen cas Finitas
Centrada de Quarta Ordem. Assim, temos os seguintes resultados
max
_
U
(eso)
i
u(x
i
)
; 1 i n
_
= 3.2 10
3
< h
2
max
_
U
(eqo)
i
u(x
i
)
; 1 i n
_
= 6.2 10
6
< h
4
que estao de acordo com as estimativas de erro dadas em (5.18) e (5.67), respectivamente.
Note que, para obtermos a mesma ordem de erro com o esquema de segunda ordem, vamos
precisar de uma parti cao regular com espa camento h = 2/1024, o que signica a resolu cao
de um sistema linear de ordem 1023, contra um sistema linear de ordem 31. O crescimento
na ordem do sistema linear ca mais evidente se o problema for bidimensional. De fato,
passaramos de um sistema linear de ordem 961 para o esquema de quarta ordem, para um
sistema linear de ordem 1046529 para o esquema de segunda ordem.
Exemplo 5.5 Para mostrar o desempenho do Esquema Compacto de Quarta Ordem,
vamos considerar o seguinte Problema de Poisson
u
(x) = exp( 16 x
2
) ; x (1, 1)
u(1) = u(1) = 0
Consideramos uma parti cao regular com um espa camento h = 2/64 = 0.03125, o
que representa uma parti cao com 64 subintervalos, para obtermos uma solu cao aproximada.
Denotamos por U
(eso)
a solu cao numerica pelo esquema de Diferen cas Finitas Centrada
de Segunda Ordem, e por U
(eqo)
a solu cao numerica pelo esquema de Diferen cas Finitas
Centrada de Quarta Ordem. Assim, temos o seguinte resultado
max
_
U
(eqo)
i
U
(eso)
i
; 1 i n
_
= 8.1 10
5
< h
2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
f
(
x
)
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
x
u
(
x
)
Figura 5.3: Fonte externa f(x) e solu cao numerica U
(eqo)
5.6.2 Ordem de Convergencia
Vamos apresentar uma maneira de como podemos calcular a ordem de convergencia da
solu cao numerica obtida por um determinado Esquema de Diferen cas Finitas, de acordo com
a Deni cao 5.3, atraves de simula coes numericas. Note que, o erro de trucamento local (x
i
)
fornece a ordem de aproxima cao da discretiza cao do operador diferencial, mas nao necessa-
riamente para a solu cao numerica.
Por simplicidade, vamos denotar por U
h
i
o valor da solu cao numerica no ponto x
i
da
parti cao regular, com espa camento h, que e uma aproxima cao para o valor da solu cao u(x
i
),
do Problema de Valor de Contorno (PVC) em questao. Assim, o erro para a aproxima cao da
solu cao numerica e denido como
E = max
_
u(x
i
) U
h
i
; 1 i n
_
(5.68)
E = C h
p
(5.69)
convergencia. Desse modo, da equa cao (5.69), temos que
log(E) = log(C) + p log(h) (5.70)
Portanto, log(E) como fun cao de log(h) e assintotica a uma reta com inclina cao p,
isto e, para h 1. Utilizando este modelo, podemos propor um procedimento experimental
para determinarmos a ordem de convergencia da solu cao numerica, que descrevemos a seguir.
Considerando o Problema de Poisson descrito no Exemplo 5.4, vamos realizar simula coes
numericas utilizando o Esquema de Diferen cas Finitas Centrada (EDFC) e o Esquema Com-
pacto de Quarta Ordem (ECQO), para uma parti cao regular, obtendo as solu coes numericas
para varios valores do espa camento h. Os resultados sao apresentados na Tabela 5.1.
Da equa cao (5.70) e das considera coes acima, propomos um ajuste para os dados fornecidos
pela Tabela 5.1, para cada um dos esquemas numericos, atraves da seguinte fun cao de ajuste
Y = a + p X (5.71)
O ajuste dos resultados obtidos com o Esquema de Diferen cas Finitas Centrada e dado por
Y = a + p X (5.72)
com a = 0.1924 e p = 2.0006. Com o valor obtido para o parametro p, mostramos
que a solu cao numerica tem um convergencia da ordem de h
2
Obtemos uma constante assintotica C = exp(a) = 0.8245. Na Figura 5.4, temos o graco
de dispersao para o ajuste dos dados da Tabela 5.1 (linha tracejada).
O ajuste dos resultados obtidos com o Esquema Compacto de Quarta Ordem e dado por
Y = a + p X (5.73)
com a = 0.8998 e p = 4.0003. Com o valor obtido para o parametro p, mostramos
que a solu cao numerica tem um convergencia da ordem de h
4
Obtemos uma constante assintotica C = exp(a) = 0.4066. Na Figura 5.4, temos o graco
de dispersao para o ajuste dos dados da Tabela 5.1 (linha pontilhada).
Podemos tambem calcular a ordem de convergencia p diretamente da equa cao (5.69), da
seguinte rela cao, que nao depende da constante C,
E(h)
E(h)
= 2
p
(5.74)
para h 1 e h =
h
2
.
Portanto, obtemos a ordem de convergencia p da seguinte forma
p =
log
_
E(h)
E(h)
_
log(2)
(5.75)
Finalmente, devemos observar que todo procedimento descrito foi para o caso em que co-
nhecemos a solu cao exata do problema de valor de contorno. Desse modo, um exerccio
interessante e descrever um procedimento analogo para o caso em que nao conhecemos a
solu cao exata do problema de valor de contorno. Podemos usar para as simula coes numericas
o Problema de Poisson do Exemplo 5.5.
Tabela 5.1: Simula coes Numericas para o Exemplo 5.4
Espa camento Erro EDFC Erro ECQO
h =
2
4
2.3370 10
1
2.8084 10
2
h =
2
8
5.3029 10
2
1.6251 10
3
h =
2
16
1.2951 10
2
9.9699 10
5
h =
2
32
3.2190 10
3
6.2026 10
6
h =
2
64
8.0358 10
4
3.8722 10
7
h =
2
128
2.0082 10
4
2.4194 10
8
h =
2
256
5.0201 10
5
1.5121 10
9
h =
2
512
1.2550 10
5
9.4552 10
11
10
3
10
2
10
1
10
0
10
12
10
10
10
8
10
6
10
4
10
2
10
0
h
E
r
r
o
vergencia do Esquema de Diferen cas Finitas Centrada (linha tracejada) e do Esquema Com-
pacto de Quarta Ordem (linha pontilhada). Para os ajustes utilizamos sempre os resultados
dos cinco ultimos valores de h.
5.7 Exerccios
Exerccio 5.1 Considere o Problema de Valor de Contorno com condi cao periodica
(x)u
(x) + (x)u(x) = f(x) ; x (0, L)

u(0) = u(L)
onde as fun coes , e f sao pelo menos contnuas e com e estritamente po-
sitivas. Obter uma solu cao numerica pelo Esquema de Diferen cas Finitas Centrada, para
uma parti cao regular de [0, L] , utilizando o Metodo de Fatora cao de Cholesky para obter
a solu cao do sistema linear proveniente da discretiza cao do PVC. Como exemplo, considere
f(x) = sin(x), = 0.01 e = 1.0.
Exerccio 5.2 Considere o seguinte Problema de Valor de Contorno com condi cao mista
( (x) u
(x) )
+ (x)u(x) = f(x) ; x (0, L)

u(0) = u
0
Au
(L) + Bu(L) = C
onde as fun coes , e f sao pelo menos contnuas, com e estritamente positivas.
Os parametros A , B e C sao conhecidos. Obter uma solu cao numerica pelo Esquema
de Diferen cas Finitas Centrada, para uma parti cao regular de [0, L]. Discretizar a condi cao
de contorno em x = L atraves de uma Formula de Diferen cas Finitas que tenha uma
aproxima cao da ordem de h
2
. Como exemplo, considere f(x) = sin(x), = 0.01 e
= 1.0. Escolha varias situa coes para os parametros A , B e C.
Exerccio 5.3 Considere o seguinte Problema de Valor de Contorno
u
(x) + (x)u(x) = f(x) ; x (0, L) (5.76)

u(0) = u
0
e u
(L) = u(L) (5.77)

onde e f sao contnuas, com estritamente positiva em [0, L]. As constantes u
0
e
sao conhecidas. Construir o sistema linear proveniente da discretiza cao do PVC atraves
do Esquema de Diferen cas Finitas, utilizando uma parti cao regular com espa camento h.
Discretizar a condi cao de contorno em x = L com uma Formula de Diferen cas Finitas
Atrasada, com uma aproxima cao da ordem de h
2
.
5.8 Projetos
5.8.1 Flexao de uma Viga
O modelo matematico da exao de uma viga, segundo a teoria de EulerBernoulli, conside-
rando viga prismatica uniforme (de se cao transversal constante) com comprimento longitudi-
nal com dimensao predominante, e representado pela seguinte equa cao diferencial de quarta
ordem
d
2
dx
2
_
E(x)I
z
(x)
d
2
u
dx
2
(x)
_
= q(x) ; x (0, L) (5.78)
onde E(x) e o modulo de elasticidade do material, que no sistema MKS tem as dimensoes
N m
2
, I
z
(x) e o momento de inercia de area da se cao transversal em rela cao ao eixo z,
que no sistema MKS tem a dimensao m
4
. Note que, a grandeza E I
z
tem as dimensoes
N m
2
. Para uma viga de se cao transversal circular de diametro d, temos
I
z
(x) =
d
4
64
e para uma viga de se cao transversal retangular com base B
v
e altura H
v
, tem-se que
I
z
(x) =
B
v
H
3
v
12
Neste problema u (m) representa a Flexao da Viga, isto e, o deslocamento transversal na
dire cao do eixo y , associado a rota cao da se cao transversal em torno do eixo z , de acordo
com o sistema de coordenadas ilustrado na Figura 5.5, L (m) e o comprimento da viga e
q(x) e o carregamento transversal distribudo por unidade de comprimento, que no sistema
MKS tem as dimensoes N m
1
.
Para uma viga de um mesmo material e se cao transversal constante, o modelo da viga e
representado pela seguinte equa cao diferencial de quarta ordem com coecientes constantes
E I
z
d
4
u
dx
4
(x) = q(x) ; x (0, L) (5.79)
Os esfor cos externos que a viga pode ser submetida, alem do carregamento transversal, sao
M
z
= EI
z
d
2
u
dx
2
que e o Momento Fletor nos extremos da viga, e
V
y
= EI
z
d
3
u
dx
3
que e o Esfor co Cortante nos extremos da viga.
Para exemplicar, vamos considerar as seguintes condi coes de contorno
u(0) = 0 e
z
(0) = u
(0) = 0 (5.80)
u(L) = 0 e M
z
(L) = u
(L) = 0 (5.81)
As condi coes de contorno dadas em (5.80) representam que na extremidade x = 0 a viga
esta engastada, isto e, nao apresenta uma possibilidade de rota cao da viga em torno do eixo
z. As condi coes de contorno dadas em (5.81) representam que na extremidade x = L a
viga esta apoiada. Nesta situa cao, vamos notar uma rota cao da viga em torno do eixo z.
Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= L uma parti cao regular de [0, L],
com espa camento h. Vamos obter o sistema linear proveniente da discretiza cao do problema
(5.79) (5.81) atraves do Metodo de Diferen cas Finitas Centrada, que fornece uma solu cao
numerica com uma ordem de aproxima cao de h
2
. Note que, neste caso temos que introduzir
dois pontos exteriores ctcios a parti cao , que serao denotados por x
1
= x
0
h e por
x
n+2
= x
n+1
+ h, para que possamos discretizar as condi coes de contorno com formulas de
diferen cas nitas centrada, que tem um erro da ordem de h
2
.
Considerando u : [0, L] IR uma fun cao seis vezes continuamente diferenciavel, temos
que, uma Formula de Diferen cas Finitas Centrada para aproximar u
(iv)
no ponto x
i
,
utilizando as informa coes dos pontos x
i2
, x
i1
, x
i
, x
i+1
e x
j+2
, com um erro da ordem
de h
2
, e dada por
u
(iv)
(x
i
) =
u(x
i2
) 4u(x
i1
) + 6u(x
i
) 4u(x
i+1
) + u(x
i+2
)
h
4
+ E(h
2
) (5.82)
Desse modo, discretizando a equa cao diferencial de quarta ordem (5.79) pela Formula de
Diferen cas Finitas dada em (5.82), obtemos n equa coes algebricas, com (n+4) incognitas,
que sao U
1
, U
0
, U
1
, , U
n
, U
n+1
, U
n+2
, dadas por
E I
z
( U
i2
4 U
i1
+ 6 U
i
4 U
i+1
+ U
i+2
) = h
4
q(x
i
) (5.83)
para i = 1, , n.
Impondo as condi coes de contorno (5.80)(5.81), obtemos U
0
= u(0) = 0, U
n+1
= u(L) = 0,
e mais duas equa coes algebricas
U
1
U
1
= 0 = U
1
= U
1
U
n
2 U
n+1
+ U
n+2
= 0 = U
n+2
= U
n
1
, U
0
e U
n+1
, U
n+2
em (5.83), para i = 1 e i = n,
respectivamente, obtemos um sistema linear com n equa coes, nas incognitas U
1
, , U
n
,
com a matriz A IM
n
(IR) dada por
A = EI
z
_
_
7 4 1
4 6 4 1
1 4 6 4 1
1 4 6 4 1

1 4 6 4
1 4 5
_
_
(5.84)
e o vetor b IR
n
do lado direito dado por
b = h
4
_
_
q(x
1
)
.
.
.
q(x
i
)
.
.
.
q(x
n
)
_
_
(5.85)
Estamos denotando por U
h
i
uma aproxima cao do valor da fun cao u no ponto x
i
,
solu cao do sistema linear A

U
h
= b. Sabemos que o erro desta aproxima cao e da ordem de
h
2
, isto e, existe uma constante positiva C, independente de h, tal que
max
_
U
h
i
u(x
i
)
; 1 i n
_
Ch
2
(5.86)
Para exemplicar, vamos considerar uma viga de comprimento L = 1.0 m sendo submetida
a um carregamento transversal dado por q(x) = 100 exp( 32 ( 0.5 x )
2
) N m
1
,
como mostra a Figura 5.6. Vamos tomar E I
z
= 1.0 N m
2
. Em uma primeira situa cao,
consideramos que a viga esta engastada em x = 0 e apoiada em x = L. A Figura
5.7 mostra a exao da viga. Podemos notar, nesta situa cao, que a viga apresenta uma certa
rota cao em torno do eixo z em x = L. Em uma segunda situa cao, consideramos que a
viga esta engastada em x = 0 e em x = L. A Figura 5.8 mostra a exao da viga.
-
6
x
y
z
Figura 5.5: Sistema de coordenadas para a viga.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
100
90
80
70
60
50
40
30
20
10
0
[m]
C
a
r
r
e
g
a
m
e
n
t
o

T
r
a
n
s
v
e
r
s
a
l

[

N

m
1

]
Figura 5.6: Carregamento transversal.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
[m]
F
l
e
x
o

[
m
]
Figura 5.7: Flexao da viga para o caso em que esta engastada em x = 0 e apoiada em
x = L, de comprimento L = 1.0 m.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
[m]
F
l
e
x
o

[
m
]
Figura 5.8: Flexao da viga para o caso em que esta engastada em x = 0 e em x = L,
de comprimento L = 1.0 m.
5.8.2 Equacao de Poisson Bidimensional
Considere o Problema de Difusao com Dissipacao
_

2
u(x, y)
x
2
+

2
u(x, y)
y
2
_
+ u(x, y) = f(x, y) ; (x, y) (5.87)
u(x, y) = 0 para (x, y) (5.88)
com (coeciente de difusao), (coeciente de dissipa cao) constantes positivas e f
(fonte externa) uma fun cao contnua em .
Considerando = 0, obter uma solu cao numerica para o problema (5.87)(5.88) atraves
do Esquema de Diferen cas Finitas Centrada de Quarta Ordem, descrito por Pulino & Torres
(2006), para uma malha uniforme do domnio = [0, 1] [0, 1], isto e, vamos denir como
sendo uma Malha Uniforme de Diferen cas Finitas o conjunto de pontos
Q() =
x
y
para = [a, b] [c, d]
onde
x
: a = x
1
< x
2
< < x
n
< x
n+1
= b e uma parti cao regular de [a, b]
com espa camento h
x
e
y
: c = y
1
< y
2
< < y
m
< y
m+1
= d e uma
parti cao regular de [c, d] com espa camento h
y
. Na Figura 5.10 temos uma rede uniforme
de diferen cas nitas para o domnio = [0, 1] [0, 1] .
Utilizando o Metodo da Relaxa cao Sucessiva, obter uma solu cao numerica do sistema linear
resultante da discretiza cao. Escolhido um criterio de parada para o Metodo da Relaxa cao
Sucessiva, fazer uma analise de convergencia em fun cao da dimensao do sistema linear, e para
os valores do parametro = 1.0, 1.0 10
1
e 5.0 10
2
. Considere a fonte externa
f(x, y) = exp( 48( (x 0.5)
2
+ (y 0.5)
2
) ) ; (x, y)
Obter o Erro de Trucamento Local, do Esquema de Diferen cas Finitas Centrada e do Esquema
de Diferen cas Finitas Centrada de Quarta Ordem, para o problema (5.87)(5.88).
Como um segundo exemplo, podemos considerar a distribui cao de temperatura, em estado
estacionario, em uma placa de metal retangular. No caso, em que sua faces estao termica-
mente isoladas e possui uma espessura desprezvel, so pode haver troca de calor atraves de
suas bordas, como ilustra a Figura 5.9. Por simplicidade, vamos considerar conhecidas as
temperaturas nas bordas da placa, isto e, condi cao de contorno de Dirichlet. Sabemos que,
quando a placa esta em equilbrio termico, a temperatura T em cada ponto interno satisfaz
a Equacao de Laplace Bidimensional
2
T(x, y)
x
2
+

2
T(x, y)
y
2
= 0 ; (x, y) = (0, 1) (0, 1) (5.89)
Vamos considerar as seguintes condi coes de contorno de Dirichlet
T(0, y) = 0 e T(1, y) = 0 para 0 < y < 1 (5.90)
T(x, 0) = 40x(1 x) e T(x, 1) = 0 para 0 < x < 1 (5.91)
A solu cao do PVC (5.89)-(5.91), pode tambem representar o potencial eletrostatico no espa co
limitado pelos planos x = 0 , x = 1 , y = 0 e y = 1 , quando o espa co esta livre de cargas,
e conhecemos o valor do potencial em cada um dos planos de faces.
Vamos encontrar uma solu cao numerica para o problema de Laplace (5.89)-(5.91), atraves
do esquema de diferen cas nitas centrada, com uma malha uniforme para , considerando
x
: 0 = x
1
< x
2
< < x
n
< x
n+1
= 1 uma parti cao regular de [0, 1] com
espa camento h
x
e
y
: 0 = y
1
< y
2
< < y
m
< y
m+1
= 1 uma parti cao regular
de [0, 1] com espa camento h
y
. Considere n = 32 e m = 32.
Vamos obter uma solu cao numerica para o sistema linear proveniente da discretiza cao, atraves
do Metodo da Relaxa cao Sucessiva, para varios valores do parametro w (1, 2). Para
w = 1, que e o Metodo Iterativo de GaussSeidel, obtemos uma solu cao numerica com um
erro absoluto de 9.98 10
5
em 590 itera coes. Para w = 1.85 obtemos uma solu cao
numerica com um erro absoluto de 6.30 10
5
com 68 itera coes.
Na Figura 5.11 temos o graco da condi cao de contorno no bordo para y = 0, e a curva de
temperatura em um corte no ponto x que e o ponto medio de [0, 1]. Na Figura 5.12 temos
os gracos das isotermas.
A seguir, apresentamos o algoritmo em Matlab para o Problema de Laplace Bidimensional,
utilizando o Metodo da Relaxa cao Sucessiva para obter uma solu cao numerica do sistema
linear proveniente da discretiza cao.
Algoritmo 5.1 (Problema de Laplace Bidimensional)
T = zeros((n+1),(m+1));
% ---------------------
% Condicao de Dirichlet
%----------------------
for j = 1:(m+1)
T(1,j) = 0.0;
end
%
for j = 1:(m+1)
T(n+1,j) = 0.0;
end
%
for i = 1:(n+1)
T(i,1) = 40.0*x(i)*( 1.0 - x(i) );
end
%
for i = 1:(n+1)
T(i,m+1) = 0.0;
end
%
Tnew = T; iter = 0; erro = 1.0;
%
while( (erro > precisao) & (iter < limax) )
iter = iter + 1;
%
for i = 2:n
for j = 2:m
% ---------------------
% Passo de Gauss-Seidel
%----------------------
Tnew(i,j) = 0.25*( Tnew(i,j-1) + Tnew(i,j+1) + Tnew(i-1,j) + Tnew(i+1,j) );
%
% ----------------------------
% Passo da Relaxacao Sucessiva
%-----------------------------
Tnew(i,j) = wotimo*Tnew(i,j) + ( 1.0 - wotimo )*T(i,j);
%
end
end
%
% ------------------------
% Calculo do Erro Absoluto
%-------------------------
erro = max(max(abs(T - Tnew)));
T = Tnew;
%
end
-
6
0
y
x
T
1
T
3
T
4
T
2
Figura 5.9: Placa metalica.
-
6
0
1
1
y
x
y
j
x
i
u
Figura 5.10: Malha uniforme de diferen cas nitas.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
7
8
9
10
x [m]
T
e
m
p
e
r
a
t
u
r
a

[
o

C
]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
7
8
9
10
y [m]
T
e
m
p
e
r
a
t
u
r
a

[
o

C
]
Figura 5.11:
`
A esquerda, condi cao de contorno T(x, 0) ; x [0, 1].
`
A direita, curva de
temperatura T(x, y), onde x e o ponto medio de [0, 1], para y [0, 1].
1
2
3
4
5
6
7
8
9
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [m]
y

[
m
]
Figura 5.12: Isotermas para a placa de metal retangular.
5.8.3 Equacao de Laplace Tridimensional
Vamos estudar a distribui cao de temperatura, em estado estacionario, de um uido que se
encontra na regiao entre dois cilindros circulares retos concentricos onde o raio externo e
igual a R
2
= 2.0 m e o raio interno e igual a R
1
= 1.0 m. Supomos tambem que os cilindros
sao longos, isto e, seu comprimento e muito maior que o diametro, e que suas extremidades
estao termicamente isoladas, assim so podera haver troca de calor atraves de suas superfcies,
como ilustra a Figura 5.13. Por simplicidade, vamos considerar conhecidas as temperaturas
nas superfcies dos cilindros, isto e, condi cao de contorno de Dirichlet. Este modelo pode
representar um trocador de calor. Sabemos que, na situa cao de equilbrio termico, a tempe-
ratura T = T(x, y, z) em cada ponto da regiao satisfaz a Equacao de Laplace
2
T
x
2
+

2
T
y
2
+

2
T
z
2
= 0 ; (x, y, z) IR
3
(5.92)
sujeita à condi cao de contorno de Dirichlet
T(x, y, z) = T
1
; (x, y, z)
1
(5.93)
T(x, y, z) = T
2
; (x, y, z)
2
(5.94)
onde
1
e a superfcie do cilindro interno e
2
e a superfcie do cilindro externo.
Figura 5.13: Cilindros concentricos.
Neste caso, e mais conveniente escrever o Laplaciano em Coordenadas Polares Cilndricas,
(r, , z). Assim a temperatura T = T(r, , z) satisfaz a Equa cao de Laplace em coordenadas
cilndricas
1
r
r
_
r
T
r
_
+
1
r
2
2
T
2
+

2
T
z
2
= 0 (5.95)
Como estamos considerando que os cilindros sejam longos, podemos restringir o problema a
duas dimensoes, de modo que nao haja dependencia da variavel z. Isto e, vamos resolver
o problema em uma se cao transversal, que e um anel circular. Na Figura 5.14, à esquerda,
temos a ilustra cao do domnio. Assim, temos
r
r
_
r
T
r
_
+

2
T
2
= 0 ; r ,= 0 (5.96)
sujeita às seguintes condi coes de contorno, na superfcie dos cilindros,
T(R
1
, ) = T
1
para 0
2
(5.97)
T(R
2
, ) = T
2
para 0
2
(5.98)
e mais duas condi coes de contorno, nos eixos de simetria,
1
r
T(r, )
= 0 para R
1
< r < R
2
e =

2
(5.99)
1
r
T(r, )
= 0 para R
1
< r < R
2
e = 0 (5.100)
Note que o operador gradiente em coordenadas cilndricas e escrito da seguinte forma
( )
r
=

r
; ( )
=
1
r
; ( )
z
=

z
uma vez que
x
= cos()

r
sin()
r
;

y
= sin()

r
+
cos()
r
Assim, estamos trabalhando somente no primeiro quadrante, como mostra a ilustra cao à di-
reita na Figura 5.14 em coordenadas cartesianas, e na Figura 5.15 temos o novo domnio em
coordenas polares.
2 1 0 1 2
2
1.5
1
0.5
0
0.5
1
1.5
2
x [m]
y

[
m
]
0 0.5 1 1.5 2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
x [m]
y

[
m
]
Figura 5.14: Anel circular e o primeiro quadrante do anel circular.
-
6
0
2
R
2
R
1
r
Figura 5.15: Domnio em coordenadas polares.
Vamos discretizar a equa cao (5.96) por um esquema de diferen cas nitas centrada, para uma
malha uniforme do domnio
r
= [R
1
, R
2
] [0,
2
], ilustrado na Figura 5.15. Desse modo,
vamos considerar uma parti cao regular
r
: R
1
= r
1
< r
2
< < r
i
< < r
n
< r
n+1
= R
2
para [R
1
, R
2
], e uma parti cao regular
: 0 =
1
<
2
< <
j
< <
m
<
m+1
=

2
para [0,
2
]. Por simplicidade, vamos denotar por T
ij
uma aproxima cao do valor da tempe-
ratura T no ponto (r
i
,
j
)
r
.
O primeiro termo da equa cao (5.96) sera discretizado pelo esquema descrito em (4.41), e
o segundo termo sera discretizado por uma formula de diferen cas nitas centrada. Assim,
obtemos
r
i
r
i1
T
(i1)j
( r
i1
+ r
i
) T
ij
+ r
i
T
(i+1)j
h
2
r
+
T
i(j1)
2 T
ij
+ T
i(j+1)
h
2
= 0
(5.101)
onde r
i
e o ponto medio do subintervalo [r
i
, r
i+1
], h
r
e o espa camento da parti cao
r
, e
h
e o espa camento da parti cao
. Reorganizando a equa cao (5.101), obtemos

( r
i
r
i1
h
2
) T
(i1)j
+ h
2
r
T
i(j1)
( 2 h
2
r
+ h
2
r
i
( r
i1
+ r
i
) ) T
ij
+ ( r
i
r
i
h
2
) T
(i+1)j
+ h
2
r
T
i(j+1)
= 0
(5.102)
para i = 2, , n e j = 2, , m.
A condi cao de contorno (5.99) sera discretizada com a formula de diferen cas nitas atrasada,
dada em (4.8), que tem uma aproxima cao da ordem de h
2
. Assim, obtemos as seguintes

equa coes algebricas
T
i(j2)
4 T
i(j1)
+ 3 T
ij
= 0 (5.103)
para j = (m + 1) e i = 2, , n.
A condi cao de contorno (5.100) sera discretizada com a formula de diferen cas nitas avan cada,
2
. Assim, obtemos as seguintes

equa coes algebricas
3 T
ij
+ 4 T
i(j+1)
T
i(j+2)
= 0 (5.104)
para j = 1 e i = 2, , n.
Impondo a condi cao de Dirichlet, temos que
T
ij
= T
1
(5.105)
para i = 1 e j = 1, 2, , (m + 1), e
T
ij
= T
2
(5.106)
para i = (n + 1) e j = 1, 2, , (m + 1).
Considerando T
1
= 0
o
C e T
2
= 10
o
C, vamos obter uma solu cao numerica para o sistema
linear (5.102)(5.104), atraves do Metodo da Rela cao Sucessiva. Para = 1.85 obtemos
uma solu cao numerica com um erro absoluto de 9.4 10
5
com 102 itera coes.
Na Figura 5.16 temos os gracos das isotermas para o domnio
r
, note a independencia
da temperatura com rela cao a correspondendo a uma simetria circular ao redor do eixo
z. Na Figura 5.17 temos o graco para T(r, ) para 0 < <
2
, e r [R
1
, R
2
].
1
2
3
4
5
6
7
8
9
1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2
0
0.5
1
1.5
r [m]

[
r
a
d
i
a
n
o
]
Figura 5.16: Isotermas para os cilindros concentricos, no domnio
r
.
1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2
0
1
2
3
4
5
6
7
8
9
10
r [m]
T
e
m
p
e
r
a
t
u
r
a

[

o

C
]
Figura 5.17: Curva de temperatura T(r, ), para 0 < <
2
e r [R
1
, R
2
].
5.9 Programas em Matlab
5.9.1 Problema de Poisson Esquema de Alta Ordem
Estao disponveis na pagina www.ime.unicamp.br/pulino/MDF
AsTeCA/ os programas
em Matlab com a discretiza cao por um Esquema de Diferen cas Finitas de Quarta Ordem do
Problema de Poisson
u
(x) = f(x) ; x [0, L]

A
0
u
(0) + B
0
u(0) = C
0
A
L
u
(L) + B
L
u(L) = C
L
onde a fun cao f deve ser pelo menos quatro vezes continuamente diferenciavel. Os
parametros A
0
, B
0
, C
0
, A
L
, B
L
e C
L
sao conhecidos.
Script File
poisson Problema de Poisson Esquema de Alta Ordem
Function File
entrada Entrada de Dados
mdfceso Sistema Linear para o Esquema de Segunda Ordem
mdfceqo Sistema Linear para o Esquema de Quarta Ordem
contour Coloca as Condi coes de Contorno no Vetor Solu cao
fonte Fonte Externa
saida Sada do Resultado em um Arquivo de Dados
5.9.2 Flexao de uma Viga
em Matlab para a discretiza cao por um esquema de diferen cas nitas de um problema de
valores de contorno, que pode representar a exao de uma viga, dado pela seguinte equa cao
diferencial ordinaria de quarta ordem
d
4
u
dx
4
(x) + u(x) = q(x) para x [0, L]
sujeita as seguintes condi coes de contorno
u(0) = 0 e u(L) = 0
mais uma condi cao em x = 0 para especicar se a vista esta apoiada ( u
(0) = 0 ) ou
se a viga esta engastada ( u
(0) = 0 ), e mais uma condi cao em x = L para especicar

se a vista esta apoiada ( u
(L) = 0 ) ou se a viga esta engastada ( u
(L) = 0 ). Estamos
considerando uma constante positiva.
Script File
testviga Flex ao de uma Viga
Function File
sistema Constru cao do Sistema Linear de Banda spd
kappa Constante
carga Carregamento Transversal
cholband Fator de Cholesky para Matriz com Estrutura de Banda
solvebandspd Solu cao dos Sistemas Triangulares Sistema de Banda spd
errorspd Mensagem de Erro de Matriz n ao PositivaDenida
Captulo 6
Aproxima c ao de Problemas
Parab olicos
6.1 Introducao
Neste captulo vamos introduzir os Esquemas de Diferen cas Finitas para a semidiscretiza cao
no tempo de Problemas Parabolicos, por exemplo: o Problema de Difusao de Calor em uma
barra. Para a semidiscretiza cao no espa co vamos utilizar o Esquema de Diferen cas Finitas
Centrada. Apresentamos tambem uma analise de estabilidade para a discretiza cao espa co
tempo, bem como o estudo da consistencia e da ordem de convergencia do erro de truncamento
local. Como aplica cao vamos estudar varios problemas de transferencia de calor.
6.2 Equacao de Difusao de Evolucao
Considere a seguinte Equa cao Diferencial Parcial
R
f
u(x, t)
t
(x)

2
u(x, t)
x
2
+ (x) u(x, t) = f(x) (6.1)
sujeita à condi cao de contorno de Dirichlet nao homogenea
u(0, t) = u
0
e u(L, t) = u
L
; t > 0 (6.2)
e à condi cao inicial
u(x, 0) = g(x) ; x (0, L) (6.3)
onde as fun coes , , g e f sao contnuas, com e estritamente positivas em [0, L].
193
Este modelo matematico pode representar, por exemplo, um Problema de Difusao de Evolu cao
com Dissipa cao de solutos em meios porosos. A fun cao u representa a concentra cao de um
determinado soluto, R
f
e o fator de retardo, (x) u
xx
(x, t) e a difusao, (x) u(x, t) e o
desaparecimento aparente e f(x) uma fonte externa. Temos que (x) = R
f
(x), onde
(x) e o termo de dissipa cao. Por simplicidade vamos representar a equa cao (6.1) como
R
f
u(x, t)
t
+ L[u](x, t) = f(x) (6.4)
onde L[u](x, t) e o Operador de Difusao
L[u](x, t) = (x)

2
u(x, t)
x
2
+ (x) u(x, t) (6.5)
A seguir vamos apresentar alguns esquemas para a discretiza cao espa cotempo e uma analise
de estabilidade.
6.3 Esquema Explcito de Euler Progressivo
6.3.1 SemiDiscretizacao no Tempo
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Avan cada dada
em (4.13) para aproximar o valor de u
t
(x, t
j
), tomando um passo no tempo , o jesimo
nvel de tempo sera denotado por t
j
= t
0
+ j . Assim, obtemos a semidiscretiza cao no
tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j
) = f(x) (6.6)
Neste caso, temos que o erro de truncamento local (x, t
j
) e da ordem de , de acordo com
o erro local dado em (4.14), isto e,
(x, t
j
) =
2
u
t
2
(x, t
j
)
2
6
3
u
t
3
(x, t
j
) + O(
3
)
Desse modo, temos a consistencia do Esquema de Euler Progressivo, desde que a solu cao
u seja pelo menos duas vezes continuamente diferenciavel com rela cao à variavel de tempo.
6.3.2 SemiDiscretizacao no Espaco
Na discretiza cao do operador de difusao utilizamos um Esquema de Diferen cas Finitas Cen-
trada para um parti cao regular : 0 = x
0
< . . . < x
n
< x
n+1
= L, com espa camento h.
Captulo 6. Aproxima cao de Problemas Parabolicos 195
O Esquema de Diferen cas Finitas Centrada para o operador L[u] sera representado por
L
h
[u](x
i
, t) = (x
i
)
u(x
i1
, t) 2u(x
i
, t) + u(x
i+1
, t)
h
2
+ (x
i
) u(x
i
, t) (6.7)
(x
i
, t) = L
h
[u](x
i
, t) L[u](x
i
, t) (6.8)
para todo i = 1, 2, , n. Neste caso temos que o erro de truncamento local (x
i
, t) e
da ordem de h
2
, de acordo com o erro local dado em (4.34), isto e,
(x
i
, t) =
h
2
12
(x
i
)

4
u
x
4
(x
i
, t) + O(h
4
)
Assim, temos a consistencia do Esquema de Diferen cas Finitas Centrada, desde que a
solu cao u seja pelo menos quatro vezes continuamente diferenciavel com rela cao à variavel
espacial. Para isso, necessitamos que a fun cao f seja pelo menos duas vezes continuamente
diferenciavel com rela cao à variavel espacial.
Desse modo, temos a semidiscretiza cao no espa co
R
f
u(x
i
, t)
t
+ L
h
[u](x
i
, t) = f(x
i
) ; t > 0 (6.9)
para todo i = 1, 2, , n. Vamos denotar por U
i
(t) um aproxima cao para u(x
i
, t).
Utilizando (6.7) em (6.9) obtemos o seguinte Problema de Valor Inicial
d

U(t)
dt
= A

U(t) +

F ; t > 0 (6.10)
com a condi cao inicial
U(0) =
_
_
g(x
1
)
.
.
.
g(x
n
)
_
_
(6.11)
Em (6.10) a matriz A e dada por
A =
1
R
f
h
2
_
_
d
1

1
2
d
2

2
3
d
3

n1
n
d
n
_
_
com os valores da diagonal principal dados por
d
i
= 2
i
+
i
h
2
; i = 1, 2, , n
e o vetor

F e dado por
F =
1
R
f
_
_
f
1
+

1
h
2
u
0
.
.
.
f
i
.
.
.
f
n
+

n
h
2
u
L
_
_
estamos denotando por
i
,
i
e f
i
os valores de (x
i
) , (x
i
) e f(x
i
) para x
i
,
respectivamente.
Podemos obter um solu cao numerica para o Problema de Valor Inicial (6.10)(6.11) pelos
metodos tradicionais de RungeKutta, determinando assim uma solu cao aproximada para o
Problema de Valor Inicial e de Contorno (6.1)(6.3). Esse procedimento de discretiza cao e
denominado Metodo das Linhas, que e muito interessante para problema de difusao nao
linear.
6.3.3 Discretizacao EspacoTempo
Finalmente apresentamos a discretiza cao espa cotempo. Por simplicidade, denotamos por
U
(j)
i
uma aproxima cao para u(x
i
, t
j
), fornecida pelos esquemas de discretiza cao, onde u e
a solu cao exata do PVIF (6.1)(6.3). Assim, temos a discretiza cao espa cotempo da equa cao
(6.4) dada por
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+ L
h
[u](x
i
, t
j
) = f(x
i
)
o que obtemos, para cada nvel de tempo j = 0, 1, . . . , as equa coes
R
f
U
(j+1)
i
U
(j)
i

i
U
(j)
i1
2 U
(j)
i
+ U
(j)
i+1
h
2
+
i
U
(j)
i
= f
i
para i = 1, 2, . . . , n . Vamos reescrever as equa coes anteriores da seguinte forma
R
f
h
2
U
(j+1)
i
= h
2
f
i
+
i
U
(j)
i1
d
i
U
(j)
i
+
i
U
(j)
i+1
(6.12)
onde
d
i
= 2
i
+
i
h
2
R
f
h
2
; i = 1, 2, . . . , n
Note que, devemos impor as condi coes de contorno de Dirichlet, isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
, para todo j. A condi cao inicial e imposta da seguinte forma U
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n. O esquema de discretiza cao espa cotempo apresentado tem um
erro de truncamento local (x
i
, t
j
) = O( + h
2
), o que mostra a sua consistencia.
Finalmente vamos analisar a estabilidade do esquema de Euler Progressivo, que e um metodo
explcito uma vez que podemos calcular explicitamente

U
(j+1)
em termos de

U
(j)
. Para
tanto, vamos escrever as equa coes (6.12) na forma matricial, considerando que as fun coes
e sejam constantes positivas. Assim, temse que
U
(j+1)
= A
U
(j)
+

F para j = 0, 1, 2, . . . (6.13)
onde

U
(0)
e a condi cao inicial.
O vetor

F e dado por
F =

R
f
_
_
f
1
+

h
2
u
0
.
.
.
f
i
.
.
.
f
n
+

h
2
u
L
_
_
(6.14)
e a matriz A e dada da por
A =
R
f
h
2
_
_
d
d
d

d
_
_
(6.15)
onde os valores da diagonal principal sao dados por
d = 2 + h
2
R
f
h
2

Vamos escrever (6.13) da seguinte forma
U
(j+1)
= A
j+1

U
(0)
+ ( I + A + A
2
+ + A
j
)

F ; j = 0, 1, 2, . . . (6.16)
Denicao 6.1 (Estabilidade) Dizemos que o esquema de discretiza cao espa cotempo e
estavel se existe uma constante positiva C de modo que, para cada j xo,
|
U
(j+1)
| C ; h ,
Desse modo, a solu cao aproximada

U
(j+1)
sera limitada se a matriz A for convergente.
Assim, de (6.16) temos que
lim
j
U
(j+1)
= ( I A )
1

F
uma vez que
lim
j
A
j+1

U
(0)
= 0
pela hipotese da matriz A ser convergente.
Portanto, devemos encontrar a condi cao para a qual [[[ A[[[
2
< 1, isto e, para que a matriz
A seja convergente. Assim estaremos analisando a estabilidade do esquema com rela cao a
norma espectral. Como a estrutura da matriz A e tridiagonal, sendo que todos os elementos
da diagonal principal sao iguais e tambem os elementos das subdiagonais sao todos iguais,
sabemos que seus autovalores sao dados por, para k = 1, , n,
k
=
_
2
R
f
h
2
+

R
f
1
_
+
2
R
f
h
2
cos
_
k
n + 1
_
(6.17)
Tomando (n + 1) =
L
h
, vamos escrever (6.17) da seguinte forma
k
=
_

R
f
1
_

2
R
f
h
2
_
1 cos
_
k h
L
_ _
(6.18)
Fazendo uso da identidade 2( sin() )
2
= 1 cos(2) , podemos reescrever os autovalores
como
k
=
_

R
f
1
_

4
R
f
h
2
_
sin
_
k h
2L
_ _
2
(6.19)
Temos que A e uma matriz convergente se, e somente se, (A) < 1. Assim, devemos ter
1 <
_

R
f
1
_

4
R
f
h
2
_
sin
_
k h
2L
_ _
2
< 1 (6.20)
ou
0 <

R
f
+
4
R
f
h
2
_
sin
_
k h
2L
_ _
2
< 2 (6.21)
Desse modo, uma condi cao de estabilidade para o Esquema de Euler Explcito e obtida
impondo a condi cao
_

R
f
+
4
R
f
h
2
_
< 2 . (6.22)
Portanto, o Esquema de Euler Progressivo e Condicionalmente Estavel, pois temos uma
rela cao entre o passo no tempo e o espa camento da parti cao do domnio espacial.
Considerando = 0 e R
f
= 1 na rela cao (6.22), podemos escrever a condi cao de
estabilidade da seguinte forma

h
2
<
1
2
ou <
h
2
2
ou <
h
2
2
. (6.23)
Podemos fazer duas observa coes que sao muito importantes. A primeira e que o passo no
tempo decresce muito rapidamente conforme diminumos o valor de h, aumentando o esfor co
computacional do metodo. A segunda e que a difusao local da discretiza cao espa cotempo,
que vamos denir por
=
h
2
,
tem que ser maior que o dobro da difusao fsica . Desse modo, o esquema numerico tem a
possibilidade de simular o processo de difusao.
Podemos tambem fazer uma analise de estabilidade para do Esquema de Euler Explcito
utilizando somente uma argumenta cao fsica. Por simplicidade, consideramos que nao temos
fonte externa e tomamos uma condi cao inicial positiva, isto e, f(x) = 0 e g(x) > 0,
para x [0, L]. Desse modo, como sicamente temos somente difusao, a solu cao deve ser
positiva para todo t > 0. Vamos escrever (6.12) da seguinte forma
U
(j+1)
1
= d
1
U
(j)
1
+ b
1
U
(j)
2
U
(j+1)
i
= c
i
U
(j)
i1
d
i
U
(j)
i
+ b
i
U
(j)
i+1
; i = 2, , (n 1)
U
(j+1)
n
= c
n
U
(j)
n1
d
n
U
(j)
n
(6.24)
e para j = 1, 2, , onde
d
i
=

R
f
_
2
i
h
2
+
i
_
1
b
i
=

R
f
i
h
2
c
i
=

R
f
i
h
2
(6.25)
Pela hipotese acima, devemos ter U
(j+1)
i
0 para i = 1, , n e j = 1, 2, .
Assim, devemos impor a condi cao de d
i
0, isto e,
R
f
_
2
i
h
2
+
i
_
1 ; i = 1, , n (6.26)
Assim, obtemos uma condicao de estabilidade para o Esquema de Euler Progressivo
_

i

R
f
+
4
i

R
f
h
2
_

_
2
i

R
f
+
4
i

R
f
h
2
_
2 (6.27)
para i = 1, , n.
E importante observar que com essa forma de analise de estabilidade nao precisamos exigir
que as fun coes e sejam constantes. Note que a condi cao de estabilidade (6.27) e
a mesma condi cao de estabilidade (6.22) quando consideramos as fun coes e constantes.
6.4 Esquema Implcito de Euler Regressivo
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Atrasada dada
em (4.4) para aproximar o valor u
t
(x, t
j+1
), tomando um passo no tempo , onde o jesimo
j
= t
0
+j . Assim, obtemos a semidiscretiza cao no tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j+1
) = f(x) (6.28)
j+1
) e da ordem de , de acordo
com o erro local dado em (4.5), isto e,
(x, t
j+1
) =

2
2
u
t
2
(x, t
j+1
)
2
6
3
u
t
3
(x, t
j+1
) + O(
3
)
Desse modo, temos a consistencia do Esquema de Euler Regressivo, desde que a solu cao u
seja pelo menos duas vezes continuamente diferenciavel com rela cao à variavel de tempo.
Finalmente, apresentamos a discretiza cao espa cotempo. Por simplicidade, denotamos por
U
(j)
i
i
, t
j
(6.4) dada por
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+ L
h
[u](x
i
, t
j+1
) = f(x
i
)
Portanto obtemos, para cada nvel de tempo j = 0, 1, . . . , as equa coes
R
f
U
(j+1)
i
U
(j)
i

i
U
(j+1)
i1
2 U
(j+1)
i
+ U
(j+1)
i+1
h
2
+
i
U
(j+1)
i
= f
i
para i = 1, 2, . . . , n. Vamos reescrever as equa coes anteriores da seguinte forma
i
U
(j+1)
i1
+ d
i
U
(j+1)
i

i
U
(j+1)
i+1
= h
2
f
i
+
R
f
h
2
U
(j)
i
(6.29)
onde
d
i
= 2
i
+
i
h
2
+
R
f
h
2
; i = 1, 2, . . . , n
Note que devemos impor as condi coes de contorno de Dirichlet, isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
, para todo j . A condi cao inicial e imposta da seguinte forma U
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n . Assim, a cada nvel de tempo, temos que resolver um sistema linear
tridiagonal estritamente diagonalmente dominante. A solu cao numerica desse sistema linear
pode ser obtida atraves da Fatora cao de Crout (Fatora cao LU). O esquema de discretiza cao
espa cotempo apresentado tem um erro de trucamento local (x
i
, t
j+1
) = O( + h
2
).
Finalmente, vamos analisar a estabilidade do esquema de Euler Regressivo, que e um metodo
implcito. Para tanto, vamos escrever as equa coes (6.29) na forma matricial, considerando
que as fun coes e sejam constantes positivas. Assim, temse que
A
U
(j+1)
=

U
(j)
+

F para j = 0, 1, 2, . . . (6.30)
onde

U
(0)
O vetor

F e dado por
F =

R
f
_
_
f
1
+

h
2
u
0
.
.
.
f
i
.
.
.
f
n
+

h
2
u
L
_
_
(6.31)
e a matriz A e dada da por
A =

R
f
h
2
_
_
d
d
d

d
_
_
(6.32)
onde os valores da diagonal principal sao dados por
d = 2 + h
2
+
R
f
h
2

Para analisar a estabilidade do esquema de Euler Implcito, vamos escrever o sistema (6.30)
da seguinte forma
U
(j+1)
= A
1

U
(j)
+ A
1

F para j = 0, 1, 2, . . . (6.33)
de modo analogo
U
(j+1)
= ( A
1
)
j+1

U
(0)
+ A
1
( I + A
1
+ + ( A
1
)
j
)

F (6.34)
para j = 0, 1, 2, . . .
Desse modo, a solu cao aproximada

U
(j+1)
sera limitada se a matriz A
1
for convergente,
isto e, (A
1
) < 1. Sabemos que os autovalores da matriz A sao dados por
k
=
_
2
R
f
h
2
+

R
f
+ 1
_

2
R
f
h
2
cos
_
k
n + 1
_
(6.35)
Sabendo que (n + 1) =
L
h
, vamos escrever (6.35) da seguinte forma
k
=
_

R
f
+ 1
_
+
2
R
f
h
2
_
1 cos
_
k h
L
_ _
(6.36)
Novamente, fazendo uso da identidade 2( sin() )
2
= 1 cos(2) , podemos reescrever os
autovalores da seguinte forma
k
=
_

R
f
+ 1
_
+
4
R
f
h
2
_
sin
_
k h
2L
_ _
2
(6.37)
Note que, todos os autovalores sao positivos e sabemos que o menor autovalor e dado por
min
=
_

R
f
+ 1
_
+
4
R
f
h
2
_
sin
_
h
2L
_ _
2
(6.38)
Portanto, temos que
min
> 1 para todo h e . Desse modo, obtemos a condi cao de
estabilidade do esquema de Euler Implcito, pois o raio espectral de A
1
e sempre menor
que 1, isto e, (A
1
) =
1
min
< 1 , para todo h e . Assim, temos que o Esquema de
Euler Regressivo e Incondicionalmente Estavel.
No caso que estamos considerando as fun coes e constantes positivas, a cada nvel
de tempo temos que resolver o sistema linear (6.30), que e simetrico e positivodenido
com uma estrutura tridiagonal. Assim, podemos obter uma solu cao numerica atraves da
Fatora cao de Cholesky.
6.5 Esquema Implcito de CrankNicolson
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Centrada dada em
(4.23) para aproximar o valor de u
t
(x, t
j
), onde t
j
e o ponto medio do intervalo [t
j
, t
j+1
],
tomando uma passo no tempo de . Assim, obtemos a semidiscretiza cao no tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j
) = f(x) (6.39)
Como nao conhecemos o valor L[u](x, t
j
) temos que fazer uma aproxima cao utilizando as
informa coes nos pontos t
j
e t
j+1
, atraves de uma interpola cao linear, da seguinte forma
L[u](x, t
j
) =
L[u](x, t
j
) + L[u](x, t
j+1
)
2
+ O(
2
) (6.40)
j
) e da ordem de
2
, de acordo
(x, t
j
) =
2
24
3
u
t
3
(x, t
j
) + O(
4
)
Desse modo, temos a consistencia do Esquema de CrankNicolson, desde que a solu cao u
seja pelo menos tres vezes continuamente diferenciavel com rela cao à variavel de tempo.
Utilizando a discretiza cao do operador de difusao dada em (6.7), obtemos a discretiza cao
espa cotempo atraves da equa cao (6.39), da seguinte forma
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+
L
h
[u](x
i
, t
j
) + L
h
[u](x
i
, t
j+1
)
2
= f(x
i
)
Fazendo uso da aproxima cao (6.40) obtemos
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+
1
2
L
h
[u](x
i
, t
j+1
) = f(x
i
)
1
2
L
h
[u](x
i
, t
j
)
que para cada nvel de tempo j = 0, 1, . . . , temos as seguintes equa coes
i
U
(j+1)
i1
+ d
i
U
(j+1)
i

i
U
(j+1)
i+1
= 2h
2
f
i
+
_

i
U
(j)
i1
e
i
U
(j)
i
+
i
U
(j)
i+1
_
(6.41)
onde
d
i
= 2
i
+
i
h
2
+
2R
f
h
2
e e
i
= 2
i
+
i
h
2
2R
f
h
2
para i = 1, 2, . . . , n.
Note que devemos impor as condi coes de contorno de Dirichlet, isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n . Assim, a cada nvel de tempo temos que resolver um sistema linear
i
, t
j
) = O(
2
+ h
2
).
Finalmente, vamos analisar a estabilidade do esquema de CrankNicolson, que e um metodo
que as fun coes e sejam constantes positivas. Assim, temos que
A
U
(j+1)
= B
U
(j)
+

F para j = 0, 1, 2, . . . (6.42)
onde

U
(0)
O vetor

F e dado por
F =

R
f
_
_
f
1
+

h
2
u
0
.
.
.
f
i
.
.
.
f
n
+

h
2
u
L
_
_
(6.43)
a matriz A e dada da por
A =

2 R
f
h
2
_
_
d
d
d

d
_
_
(6.44)
e a matriz B e dada da por
B =

2 R
f
h
2
_
_
e
e
e

e
_
_
(6.45)
onde os valores da diagonal principal, das matrizes acima, s ao dados por
d = 2 + h
2
+
2R
f
h
2
e e = 2 + h
2
2R
f
h
2
Para analisar a estabilidade do esquema de CrankNicolson, vamos escrever o sistema (6.42)

da seguinte forma
U
(j+1)
= ( A
1
B )
U
(j)
+ A
1
F para j = 0, 1, 2, . . . (6.46)
De modo analogo, devemos encontrar a condi cao para a qual a matriz A
1
B seja conver-
gente, isto e, (A
1
B) < 1. Note que a matriz B = 2 I A, com A simetrica e
positivadenida. Assim, se (
j
, v
j
) e um autopar da matriz A, entao
_
1
j
, v
j
_
e um
autopar da matriz A
1
e (
j
, v
j
) e um autopar da matriz B com
j
= 2
j
.

E
facil ver, que
_
j
, v
j
_
e um autopar da matriz C = A
1
B = 2 A
1
I, que e simetrica.
Sabemos que os autovalores da matriz A sao dados por
k
=
_

2 R
f
+ 1
_
+
2
R
f
h
2
_
sin
_
k h
2L
_ _
2
(6.47)
para k = 1, , n. Todos os autovalores sao positivos e o menor autovalor e dado por
min
=
_

2 R
f
+ 1
_
+
2
R
f
h
2
_
sin
_
h
2L
_ _
2
> 1 (6.48)
e obtemos [[[ A
1
[[[
2
= (A
1
) =
1
min
< 1. Portanto A
1
e uma matriz convergente.
Temos que os autovalores da matriz B sao dados por
k
= 2
k
=
_

2 R
f
+ 1
_

2
R
f
h
2
_
sin
_
k h
2L
_ _
2
(6.49)
para k = 1, , n.
A Figura 6.1 mostra o graco da fun cao racional
() =
2
; > 1 (6.50)
que facilita o calculo do raio espectral da matriz C, pois seus autovalores sao dados por
k
=
2
k
k
; k = 1, , n
De fato, fazendo uma analise da fun cao , temos que
(1) = 1
lim
() = 1
lim
0
() =
e como o raio espectral da matriz C e dado por
(C) = max
_
[2
k
[
k
; k = 1, , n
_
(6.51)
conclumos que (C) < 1. Portanto, C e uma matriz convergente. Assim, mostramos que
o Esquema de CrankNicolson e Incondicionalmente Estavel.
No caso que estamos considerando as fun coes e constantes positivas, a cada nvel
de tempo temos que resolver o sistema linear (6.42), que e simetrico e positivodenido
com uma estrutura tridiagonal. Assim, podemos obter uma solu cao numerica atraves da
Fatora cao de Cholesky.
0 5 10 15 20 25 30 35
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
)
Figura 6.1: Graco da fun cao racional () denida em (6.50).
6.6 Estabilidade e o Teorema de Equivalencia de Lax
Denicao 6.2 Dizemos que a matriz A
1
e uniformemente limitada, se existe uma cons-
tante positiva K de modo que
[[[ A
1
[[[ < K ; (6.52)
Teorema 6.1 (Teorema de Equivalencia de Lax)
Para um Esquema de Diferen cas Finitas consistente de um Problema de Valor Inicial e de
Fronteira Linear, para o qual a matriz A
1
e uniformemente limitada, a propriedade de
estabilidade e uma condi cao necessaria e suciente para a convergencia.
Demonstracao veja Morton & Mayers (2001)
6.7 Simulacoes Numericas
Vamos considerar um Problema de Difus ao, que possui solu cao por separa cao de variaveis,
que sera utilizada para avalia cao do desempenho dos esquemas de diferen cas nitas para a
discretiza cao espa cotempo. Considere a Equacao do Calor
T(x, t)
t
K
b
2
T(x, t)
x
2
= 0 (6.53)
T(L, t) = 0 e T(L, t) = 0 ; t > 0 (6.54)
e à condi cao inicial
T(x, 0) = f(x) ; x (L, L) (6.55)
onde a fun cao f e contnuas em [L, L], com f(L) = f(L) = 0. A constante K
b
e
denominada Difusibilidade Termica, que no sistema CGS tem dimensao cm
2
s
1
. A fun cao
T (
o
C) representa a distribui cao de temperatura em um corpo.
Para Exemplicar, vamos considerar K
b
= 3.810
3
cm
2
s
1
, que e a difusibilidade termica
da argila, L = 2 cm, um tempo de evolu cao t
f
= 16 s, e a condi cao inicial dada por
f(x) = exp( 16 x
2
)
o
C ; x (L, L) (6.56)
que e ilustrada na Figura 6.2.
A solu cao geral do problema (6.53)(6.54), obtida pela tecnica de separacao de variaveis,
e dada por
T(x, t) =
k=1
A
k
exp
_
K
b
(2k 1)
2
2
4 L
2
t
_
cos
_
(2k 1)
2 L
x
_
(6.57)
que impondo a condi cao inicial, obtemos
f(x) =
k=1
A
k
cos
_
(2k 1)
2 L
x
_
(6.58)
Desse modo, temos que A
k
, k = 1, 2, , sao os coecientes de Fourier da fun cao f,
com rela cao ao sistema ortogonal completo
k
(x) = cos
_
(2k 1)
2 L
x
_
; k = 1, 2, (6.59)
com rela cao ao produto interno usual de (([L, L]), denotado por , )
L
2
.
Por simplicidade, e por apresentar um eciencia computacional, vamos calcular os coecientes
de Fourier A
k
atraves de um pseudoproduto interno denido em (([L, L]) da forma
a seguir.
Denicao 6.3 Seja : L = x
1
< < x
m+1
= L uma parti cao regular de [L, L],
com m = 2
p
; p IN. A aplica cao
f , g )
m
=
m
j=1
f(x
j
) g(x
j
) ; f, g (([L, L]) , (6.60)
dene um pseudoproduto interno em (([L, L]).
Podemos mostrar que
1
, ,
k
, ,
n
e um conjunto ortogonal em (([L, L]) com
rela cao ao pseudoproduto interno , )
m
, considerando
n <
m
2
,
e que

k
,
k
)
m
=
m
2
; k = 1, 2, , n . (6.61)
A
k
=
f ,
k
)
m

k
,
k
)
m
=
2
m
m
j=1
f(x
j
) cos
_
(2k 1)
2 L
x
j
_
(6.62)
para k = 1, 2, , n.
Para efeito de calculo computacional, vamos considerar uma aproxima cao para T(x, t)
atraves da soma parcial
T(x, t) =
n
k=1
A
k
exp
_
K
b
(2k 1)
2
2
4 L
2
t
_
cos
_
(2k 1)
2 L
x
_
(6.63)
Assim, temos que tomar uma aproxima cao para f(x) da seguinte forma
f(x) =
n
k=1
A
k
cos
_
(2k 1)
2 L
x
_
(6.64)
Considerando, n = 20 e p = 6, obtemos
| f

f |
m
= 2.0 10
8
(6.65)
Na Figura 6.3 temos o graco da condi cao inicial T(x, 0), e o graco de

T(x, t = 16).
Vamos comparar a solu cao aproximada

T, dada por (6.63), com a solu cao numerica do
problema (6.53)(6.55) obtida atraves do Esquema de Diferen cas Finitas Centrada para a
semidiscretiza cao no espa co e do Esquema de CrankNicolson para a semidiscretiza cao no
tempo, denotada por

T. Considerando uma parti cao regular de [L, L] com espa camento
h e um passo no tempo de , com
h =
2 L
256
e =
t
f
256
(6.66)
obtemos
|

T

T |
m
= 7.0 10
5
(6.67)
Na Figura 6.4 temos a solu cao numerica

T(x, t) para t = 0, 2, 4, , 16 s.
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [cm]
T
e
m
p
e
r
a
t
u
r
a

[ o

C
]
Figura 6.2: Condi cao inicial T(x, 0).
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [cm]
T
e
m
p
e
r
a
t
u
r
a

[ o

C
]
< T(x,0)
< T(x,t=16)
Figura 6.3: Condi cao inicial T(x, 0) e

T(x, t) para t = 16 s.
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [cm]
T
e
m
p
e
r
a
t
u
r
a

[ o

C
]
Figura 6.4: Gracos de

T(x, t) para t = 0, 2, 4, , 16 s.
6.8 Exerccios
Exerccio 6.1 O modelo matematico que descreve o processo de resfriamento em uma
barra termicamente isolada, e tambem com isolamento termico nos extremos, e descrito pela
Equa cao do Calor
T(x, t)
t
K
b
2
T(x, t)
x
2
= 0 (6.68)
sujeita a condi cao de contorno de Neumann nula
T(L, t)
x
= 0 e
T(L, t)
x
= 0 ; t > 0 (6.69)
Vamos considerar uma condi cao inicial dada por
T(x, 0) = exp( 16 x
2
)
o
C ; x (L, L) (6.70)
Nas simula coes, escolhemos K
b
= 3.810
3
cm
2
s
1
, que e a difusibilidade termica da argila,
L = 1 cm, e um tempo de evolu cao t
f
= 64 s. Pedese:
1. Mostre que a solu cao do problema (6.68)(6.70), obtida pela tecnica de separa cao de
variaveis, e dada por
T(x, t) = A
0
+
k=1
A
k
exp
_
K
b
k
2
2
L
2
t
_
cos
_
k
L
x
_
(6.71)
onde A
k
, k = 1, 2, , sao os coecientes de Fourier da condi cao inicial, isto e,
T(x, 0) = A
0
+
k=1
A
k
cos
_
k
L
x
_
(6.72)
2. Calcular os coecientes de Fourier da fun cao f, atraves de um pseudoproduto interno
denido em (([L, L]). Obter uma solu cao aproximada para T(x, t), que denotamos
por

T, atraves da soma parcial com n = 20. Na Figura 6.5 temos o graco da
condi cao inicial T(x, 0), e o graco de

T(x, t = 64).
3. Integrando a equa cao do calor (6.68) sobre [L, L], e utilizando as condi coes de con-
torno dadas em (6.69), mostre que
d
dt
_
L
L
T(x, t) dx = 0 (6.73)
concluindo que
_
L
L
T(x, t) dx =
_
L
L
T(x, 0) dx para todo t > 0 (6.74)
devido a condi cao de isolamento termico nos extremos da barra, representado pela
condi cao de contorno (6.69).
4. Obter uma solu cao numerica do problema (6.68)(6.70) utilizando o Esquema de Dife-
ren cas Finitas Centrada para a semidiscretiza cao no espa co, e o Esquema de Crank
Nicolson para a semidiscretiza cao no tempo, que vamos denotar por

T. Considere
uma parti cao regular com espa camento h e um passo no tempo de , com
h =
2 L
256
e =
t
f
512
(6.75)
A condi cao de contorno (6.69) deve ser discretizada por uma formula de diferen cas
nitas com uma aproxima cao da ordem de h
2
, compatvel com o esquema utilizado na
semi-discretiza cao no espa co.
Na Figura 6.6 temos a solu cao numerira

T(x, t) para t = 0, 8, 16, , 64 s. Nesta
simula cao, obtemos |

T

T |
m
= 4.0 10
6
.
5. Atraves da solu cao de diferen cas nitas, obter a curva de temperatura no centro da
barra,

T(0, t
j
) com t
j
= j , e vericar que seu comportamento e dado por
T(0, t) = A
0
+
n
k=1
A
k
exp
_
K
b
k
2
2
L
2
t
_
(6.76)
como ilustra a Figura 6.7.
Finalmente, considerando as fun coes,
k
(x) para x [L, L], denidas por:
k
(x) = cos
_
k
L
x
_
para k = 0, 1, , n ,
podemos mostrar que
0
, ,
k
, ,
n
e um conjunto ortogonal em (([L, L]) com
rela cao ao pseudoproduto interno , )
m
, veja Deni cao 6.3, considerando
n <
m
2
,
e que

k
,
k
)
m
=
m
2
; k = 1, 2, , n

k
,
k
)
m
= m ; k = 0
(6.77)
De modo analogo, temos os mesmos resultados para o conjunto de fun coes,
k
(x) para
x [L, L], denidas por:
k
(x) = sin
_
k
L
x
_
para k = 1, , n .
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [cm]
T
e
m
p
e
r
a
t
u
r
a

[ o

C
]
Figura 6.5: Condi cao inicial T(x, 0) e

T(x, t) para t = 64 s.
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x [cm]
T
e
m
p
e
r
a
t
u
r
a

[
C
]

T(x, t) para t = 0, 8, 16, , 64 s.
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
T
e
m
p
e
r
a
t
u
r
a

[ o

C
]
Tempo [s]
Figura 6.7: Curva de temperatura no centro da barra

T(0, t).
Exerccio 6.2 Considere duas placas paralelas separadas por uma distancia 2d por um
uido viscoso (oleo), como mostra a Figura 6.8. Tanto o uido como as placas estao inici-
almente em repouso. No instante t = 0 a placa superior e acelerada para uma velocidade
u
w
> 0 constante. Desse modo, obtemos o escoamento de Couette (Shames (1973)). Consi-
dera coes de mecanica dos uidos permitem deduzir que nao havera componente da velocidade
na dire cao y, isto e, v(x, y, t) = 0, e que o perl de velocidade na dire cao x, u(x, y, t),
sera dado pela equa cao diferencial parcial
u(y, t)
t
=
2
u(y, t)
y
2
; d < y < d e t > 0 (6.78)
onde e a viscosidade cinematica do uido e u(y, t) e a velocidade do uido na dire cao
x no instante de tempo t e a uma altura (y + d) da placa inferior. Estamos considerando
que as placas sejam sucientemente longas para que possamos analisar o perl de velocidade
somente em uma se cao transversal. A viscosidade cinematica e denida como =

, onde
(kg m
1
s
1
) e a viscosidade dinamica do uido e (kg m
3
) e a densidade do uido.
Suponha um uido com viscosidade cinematica = 3.35 10
4
m
2
s
1
e a distancia entre
as placas de 2d com d = 0.025 m. A velocidade da placa superior e de u
w
= 0.3 ms
1
.
Pedese:
1. Obter o perl de velocidade do uido no estado estacionario.
2. Obter a solu cao do problema de valor inicial e de fronteira atraves do metodo de se-
para cao de variaveis.
3. Obter a discretiza cao do problema de valor inicial e de fronteira utilizando o esquema de
diferen cas nitas centrada para a semidiscretiza cao no espa co e o esquema de Crank
Nicolson para a semidiscretiza cao no tempo.
4. Fa ca a evolu cao no tempo a partir do instante t = 0 ate alcan car o perl de velocidade
no estado estacionario, atraves da solu cao numerica.
5. Considerando uma parti cao regular de [d, d] com espa camento h = 0.001 m. Qual e
o maior valor possvel para o passo no tempo que podemos utilizar no esquema de
Euler Explcito ?
Temos que a velocidade do uido em estado estacionario, que vamos denotar por u
(y), tem
um comportamento linear dado por
u
(y) =
y + d
2 d
u
w
; d y d (6.79)
Na Figura 6.9 temos a solu cao numerica da velocidade do uido u(y, t) para os tempos
t = 0.25, 0.5, 1.0 e 2.0 segundos (linhas pontilhadas) e o graco da velocidade do uido
em estado estacionario (linha solida). Na Figura 6.10 temos o perl de velocidade do uido
u(y, t) para pontos entre as placas y = 1.25, 0.0, 1.25 cm. Note que, o estado
estacionario foi atingido rapidamente em 4.0 segundos.
-
6
y
x Fluido viscoso
Placa superior
Placa inferior
u(d, t) = 0
u(d, t) = u
w
-
Figura 6.8: Domnio fsico e condi cao de contorno para o escoamento de Couette.
2.5 2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
0
0.05
0.1
0.15
0.2
0.25
0.3
y [cm]
u
(
y
,
t
)

[
m
s
1
]
Figura 6.9: Gracos de u(y, t) para t = 0.25, 0.5, 1.0, 2.0, 4.0 s.
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.05
0.1
0.15
0.2
0.25
V
e
l
o
c
i
d
a
d
e

[
m
s
1
]
Tempo [s]
Figura 6.10: Perl de velocidade do uido u(y, t) para y = 1.25, 0.0, 1.25 cm.
6.9 Projetos
6.9.1 Processo de Resfriamento
Considere uma barra de comprimento L , cuja se cao transversal tem area A
b
como mostra a
Figura 6.11, feita de um material condutor uniforme de calor. Suponhamos que a superfcie
lateral da barra esteja isolada de modo a nao permitir transferencia de calor com o meio
ambiente. A transferencia de calor ocorre atraves das extremidades da barra.
A uniformidade do material da barra e o isolamento termico lateral implicam que o uxo de
calor se de na dire cao longitudinal. Assim, podemos descrever o fenomeno fsico atraves de
um modelo unidimensional. A temperatura na barra obedece a Lei de Resfriamento de
Fourier descrita pela Equacao de Difusao de Calor
c
p
T(x, t)
t
k
b
2
T(x, t)
x
2
= Q ; t > 0 e x (0, L) (6.80)
onde
T - Temperatura do Corpo,
o
C
t - Tempo, s
x - Coordenada Espacial, m
- Densidade Volumetrica, kg m
3
c
p
- Calor Especfico, J ( kg
o
C )
1
k
b
- Condutibilidade Termica do Corpo, W ( m
o
C )
1
Q - Gerac~ao Interna de Calor, W m
3
Temos tambem a constante K
b
= k
b
/ ( c
p
) que e a Difusibilidade Termica do
Corpo, que no sistema MKS tem as dimensoes m
2
s
1
.
Condicao Inicial
Como temos um processo de evolu cao a solu cao da equa cao (6.80) depende da tempera-
tura inicial ao longo da barra, o que e sicamente razoavel. Assim, precisamos descrever a
temperatura em toda barra no instante inicial do processo, que e dada atraves da condi cao
inicial
T(x, 0) = T
0
(x) ; x [0, L] (6.81)
Alem de saber a distribui cao inicial de temperatura, e importante conhecer o que ocorre nos
extremos da barra, pois isso tambem deve inuenciar a solu cao. A seguir, vamos apresentar
os tipos de condi coes de contorno freq uentemente encontradas em processos de transferencia
de calor.
Condicao de Conveccao nos Extremos da Barra
Este tipo de condi cao de contorno e denominada de Terceira Especie (ou condi cao de Robin)
que descreve a existencia nas extremidades da barra de um resfriamento ( ou aquecimento )
por convec cao. O equacionamento matematico e obtido pelo balan co de energia na superfcie
do corpo, de modo que haja transferencia de calor entre a barra e o meio ambiente, descrita
da seguinte forma: para todo t > 0
k
b
T(0, t)
x
= h
c
( T
a
T(0, t) ) (6.82)
k
b
T(L, t)
x
= h
c
( T(L, t) T
a
) (6.83)
onde a constante e
p
=
h
c
k
b
e a Emissividade Termica , que no sistema MKS tem a
dimensao de m
1
, que e uma caracterstica fsica do par constitudo pelo material do corpo
e pelo meio ambiente, e T
a
e a Temperatura Ambiente.
A constante h
c
e o Coeficiente de Transferência de Calor por Convecc~ao, que no
sistema MKS tem as dimensoes de W ( m
2 o
C )
1
, que de certa forma indica a eciencia do
processo de resfriamento (aquecimento).
Fluxo Termico Constante na Superfcie
Esse uxo termico esta relacionado ao gradiente de temperatura na superfcie segundo a Lei
de Fourier. Esta condi cao e descrita da seguinte forma: para todo t > 0
k
b
T(0, t)
x
= q
0
e k
b
T(L, t)
x
= q
L
(6.84)
onde q
0
e q
L
, sao constantes positivas, que denem o uxo termico na superfcie. Esta
condi cao e conhecida como condi cao de Neumann ou condi cao de segunda especie.
Superfcie Adiabatica ou Isolada
Temos um caso particular da condi cao de uxo termico constante, que corresponde a uma
superfcie perfeitamente isolada. Esta condi cao e descrita da forma: para todo t > 0
T(0, t)
x
= 0 e
T(L, t)
x
= 0 (6.85)
Neste caso, quando nao existe uma fonte externa de calor, a solu cao do problema e dada por
T(x, t) = T
0
para todo t 0 e x [0, L].
Temperatura Constante na Superfcie
Podemo ter uma situa cao onde os extremos da barra estao mantidos a uma temperatura xa
conhecida. Na pratica, a situa cao descrita por essa condi cao ocorre de forma aproximada
quando, por exemplo, a superfcie esta em contado ntimo com um solido em fusao. Esta
condi cao e descrita da seguinte forma: para todo t > 0
T(0, t) = T
0
e T(L, t) = T
L
; t > 0 (6.86)
Esta condi cao e conhecida como condi cao de Dirichlet ou condi cao de primeira especie.
Fica claro, que podemos escolher um tipo ou outro de condi cao de contorno em cada um dos
extremos da barra, de modo a melhor representar o processo fsico. Uma excelente referencia
para um estudo mais detalhado sobre transferencia de calor e Incropera (1998).
Adimensionalizacao
Vamos considerar a Equa cao de Difusao de Calor Homogenea
T(x, t)
t
K
b
2
T(x, t)
x
2
= 0 ; t > 0 e x [0, L]
Com o objetivo de adimensionalizar o problema, vamos introduzir as variaveis adimensionais
x =
x
L
, t =
K
b
L
2
t , T =
T T
a
T
0
T
a
Estas novas variaveis conduzem a forma adimensional da Equa cao de Difusao de Calor
T(x, t)
t
2
T(x, t)
x
2
= 0 ; t > 0 e x [0, 1]
onde [0, 1] e o novo domnio similar do domnio fsico [0, L].
De modo analogo, vamos adimensionalizar as condi coes de contorno (6.82) e (6.83) obtendo,
respectivamente,
T(0, t)
x
= B
i
T(0, t) (6.87)
T(1, t)
x
= B
i
T(1, t) (6.88)
onde B
i
=
Lh
c
k
b
e o Numero de Biot, que e uma constante adimensional, que pode ser
visto como a razao da resistencia termica interna pela resistencia termica da superfcie.
Quando B
i
1.0, a resistencia termica da superfcie domina a taxa de transferencia de
calor, e o gradiente de temperatura no interior do corpo e pequeno. Quando B
i
1.0,
a resistencia termica interna prevalece, e o gradiente de temperatura no interior do corpo e
signicativo.
Exemplo 6.1 Vamos considerar o problema composto pela Lei de Resfriamento de Fourier,
dada pela equa cao (6.80), pelas condi coes de contorno que representa uma processo de con-
vec cao nos extremos da barra descritas pelas equa coes (6.82)(6.83), e pela condi cao inicial
dada por (6.81).
Utilizar um Esquema de Diferen cas Finitas Centrada para a semidiscretiza cao no espa co,
e para a semi-discretiza cao no tempo utilizar o Esquema de Euler Regressivo, que e incondi-
cionalmente estavel. Considere uma parti cao regular de [0, L] com espa camento h, e um
passo no tempo de , com
h =
L
256
e = 5.0
Na simula cao numerica, vamos utilizar o conjunto de valores para os parametros do problema
dados em (6.89), onde as propriedades termofsicas sao as da prata (Incropera (1998)).
Comprimento da Barra L = 0.4 m
Densidade Volumetrica = 10500.0 kg m
3
Calor Especfico c
p
= 235.0 J ( kg
o
C )
1
Condutibilidade Termica k
b
= 429.0 W ( m
o
C )
1
Coeficiente Convectivo h
c
= 4290.0 W ( m
2 o
C )
1
Temperatura Ambiente T
a
= 26.0
o
C
Temperatura Inicial T
0
= 50.0
o
C
Tempo de Evoluc~ao t
f
= 360.0 s
(6.89)
Assim, temos uma difusibilidade termica K
b
=
k
b
( c
p
)
= 1.74 10
4
m
2
s
1
e uma
emissividade termica e
p
=
h
c
k
b
= 10.0 m
1
. Note que, o n umero de Biot B
i
= 4.0 que
indica um gradiente de temperatura no interior da barra signicativo.
Na Figura 6.12 temos a solu cao numerica

T(x, t) para t = 0, 45, 90, , 360 s, e na
Figura 6.13 temos a curva de temperatura no centro da barra.
Apresentamos as propriedades termofsicas de alguns solidos metalicos (Incropera (1998)),
para serem utilizadas nas simula coes.
Tabela 6.1: Propriedades Termofsicas de Solidos Metalicos
Material Ponto de Fusao c
p
k
b
K
b
Alumnio 719.85 2702.0 903.0 237.0 9.71 10
5
Cobre 1084.85 8933.0 385.0 401.0 1.17 10
4
Ferro 1536.85 7870.0 447.0 80.2 2.28 10
5
Ouro 1062.85 19300.0 129.0 317.0 1.27 10
4
Prata 961.85 10500.0 235.0 429.0 1.74 10
4
Silcio 1411.85 2330.0 712.0 148.0 8.92 10
5
-
6
0
Isolamento Termico
Isolamento Termico
y
x
Figura 6.11: Se cao transversal da barra.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
25
30
35
40
45
50
55
x [m]
T
e
m
p
e
r
a
t
u
r
a

[
o

C
]

T(x, t) para t = 0, 45, 90, , 360 s.
Note que, as solu coes

T(x, t) sao simetricas em rela cao ao centro da barra, ver Figura 6.12.
Assim, podemos denir o problemas somente em [x, L], onde x e o ponto medio de [0, L],
impondo a condi cao de simetria
T(x, t)
x
= 0 ; t > 0
e mantendo a condi cao de convec cao (6.83) em x = L.
0 50 100 150 200 250 300 350 400
30
32
34
36
38
40
42
44
46
48
50
T
e
m
p
e
r
a
t
u
r
a

[
o

C
]
Tempo [s]
Figura 6.13: Curva de temperatura no centro da barra, para e
p
= 10.0 m
1
.
Na Figura 6.14, temos a inuencia da emissividade termica ( e
p
) no resfriamento da barra,
ilustrada pelas curvas de temperatura no centro da barra para tres valores de e
p
.
0 50 100 150 200 250 300 350 400
25
30
35
40
45
50
Tempo [s]
T
e
m
p
e
r
a
t
u
r
a

[
o

C
]
(1)
(2)
(3)
Figura 6.14: Curvas de temperatura no centro da barra
para tres valores de emissividade termica:
(1) e
p
= 1.0 m
1
(2) e
p
= 10.0 m
1
(3) e
p
= 100.0 m
1
.
6.9.2 Trocador de Calor
Vamos estudar o processo de resfriamento (aquecimento) de um uido que se encontra
na regiao entre dois cilindros circulares retos concentricos onde o raio externo e igual a
R
2
= 0.20 m e o raio interno e igual a R
1
= 0.16 m. Supomos tambem que os cilindros sao
longos, isto e, seu comprimento e muito maior que o diametro, e que suas extremidades estao
termicamente isoladas. Assim so podera haver troca de calor atraves de suas superfcies.
Vamos considerar conhecida a temperatura na superfcie do cilindro interno, isto e, condi cao
de contorno de Dirichlet, e uma condi cao de convec cao na superfcie do cilindro externo. Este
modelo pode representar um trocador de calor.
Neste caso e mais conveniente escrever o Laplaciano em Coordenadas Polares Cilndricas,
(r, , z). Assim, a temperatura T = T(r, , z) satisfaz a Equa cao do Calor em coordenadas
cilndricas
1
K
b
T
t
_
1
r
r
_
r
T
r
_
+
1
r
2
2
T
2
+

2
T
z
2
_
= 0 (6.90)
Estamos considerando que os cilindros sejam longos, assim podemos restringir o problema a
duas dimensoes de modo que nao haja dependencia da variavel z. Isto e, vamos resolver o
problema em uma se cao transversal como mostra a Figura 5.14. Considerando tambem uma
simetria circular (a nao dependencia da coordenada angular ). Assim, temos a Equa cao
do Calor
1
K
b
T(r, t)
t
1
r
r
_
r
T(r, t)
r
_
= 0 (6.91)
sujeita à condi cao de contorno de Dirichlet na superfcie do cilindro interno
T(R
1
, t) = T
0
; t > 0 (6.92)
e à condi cao de convec cao na superfcie do cilindro externo
k
b
T(R
2
, t)
r
= h
c
( T(R
2
, t) T
a
) ; t > 0 (6.93)
Vamos especicar a temperatura no incio do processo, atraves da condi cao inicial
T(r, 0) = f(r) ; R
1
r R
2
(6.94)
A independencia da temperatura T com rela cao a corresponde à suposi cao de simetria
circular ao redor do eixo z e, portanto, a equa cao (6.91) governa o uxo radial de calor.
Vamos utilizar um Esquema de Diferen cas Finitas Centrada para a semidiscretiza cao no
espa co e o Esquema de Euler Regressivo para a semidiscretiza cao no tempo. A condi cao de
contorno (6.93) deve ser discretizada por uma formula de diferen cas nitas atrasada com uma
2
r
, compatvel com o esquema da semidiscretiza cao no espa co.
Denotando por T
(j)
(r) uma aproxima cao para o valor da temperatura T(r, t
j
). Procedendo
com a semidiscretiza cao no tempo da equa cao (6.91), obtemos a equa cao diferencial ordinaria
( K
b
)
d
dr
_
r
dT
(j+1)
dr
(r)
_
+ r T
(j+1)
(r) = r T
(j)
(r) ; R
1
< r < R
2
(6.95)
para j = 0, 1, , onde T
(0)
(r) = f(r) e a condi cao inicial. Devemos impor a condi cao
de contorno de Dirichlet em r = R
1
T
(j+1)
(R
1
) = T
0
(6.96)
e a condi cao de convec cao em r = R
2
k
b
dT
(j+1)
dr
(R
2
) = h
c
_
T
(j+1)
(R
2
) T
a
_
(6.97)
Portanto, a cada nvel de tempo temos o Problema de Valor de Contorno (6.95)(6.97).
Vamos discretizar a equa cao (6.95) por um esquema de diferen cas nitas centrada, para uma
malha regular
r
: R
1
= r
0
< r
1
< < r
i
< < r
n
< r
n+1
= R
2
. Por simplicidade,
denotamos por T
(j)
i
uma aproxima cao do valor da temperatura T(r
i
, t
j
). O primeiro termo
da equa cao (6.95) sera discretizado pelo esquema descrito em (4.41). Assim, obtemos
K
b
h
2
r
_
r
i1
T
(j+1)
i1
( r
i1
+ r
i
) T
(j+1)
i
+ r
i
T
(j+1)
i+1
_
+ r
i
T
(j+1)
i
= r
i
T
(j)
i
(6.98)
onde r
i
e o ponto medio do subintervalo [r
i
, r
i+1
]. Reorganizando a equa cao (6.98), obtemos
r
i1
T
(j+1)
i1
+ ( r
i
+ ( r
i1
+ r
i
) ) T
(j+1)
i
r
i
T
(j+1)
i+1
= r
i
T
(j)
i
(6.99)
para i = 1, , n, onde =
K
b
h
2
r
.

E importante observar que o parametro representa
o passo no tempo adimensional.
2
r
. Assim, obtemos a seguinte
equa cao algebrica
_
T
(j+1)
n1
4 T
(j+1)
n
+ 3 T
(j+1)
n+1
_
= 2 h
r
e
p
_
T
(j+1)
n+1
T
a
_
(6.100)
de onde temos o valor
T
(j+1)
n+1
=
T
(j+1)
n1
+ 4 T
(j+1)
n
+ 2 h
r
e
p
T
a
3 + 2 h
r
e
p
(6.101)
Substituindo os valores de T
(j+1)
0
= T
0
, que e a condi cao de Dirichlet (6.96), e T
(j+1)
n+1
em
(6.99), para i = 1 e i = n, respectivamente, obtemos um sistema linear com n equa coes
nas incognitas T
(j+1)
1
, , T
(j+1)
n
, para cada nvel de tempo, A

T
(j+1)
=

F
(j)
. A matriz
A e dada por
A =
_
_
d
1
b
1
c
1
d
2
b
2
c
2
d
3

b
n1
c
n1
d
n
_
_
(6.102)
d
i
= r
i
+ ( r
i1
+ r
i
) ; i = 1, , (n 1)
d
n
= r
n
+ ( r
n1
+ r
n
)
4 r
n
3 + 2 h
r
e
p
e os elementos das subdiagonais sao dados por
b
i
= r
i
; i = 1, , (n 1)
c
i
= r
i1
; i = 1, , (n 2)
c
n1
= r
n1
+
r
n
3 + 2 h
r
e
p
O vetor

F
(j)
e dado por
F
(j)
=
_
_
r
1
T
(j)
1
+ r
0
T
0
.
.
.
r
i
T
(j)
i
.
.
.
r
n
T
(j)
n
+ f
n
_
_
(6.103)
onde
f
n
=
2 r
n
h
r
e
p
T
a
3 + 2 h
r
e
p

T
(j+1)
=

F
(j)
, calculamos o valor T
(j+1)
n+1
da rela cao (6.101), para cada nvel de tempo.
Exemplo 6.2 Vamos apresentar as simula coes numericas considerando as propriedades ter-
mofsicas do suco de laranja concentrado
= 1039.0 kg m
3
c
p
= 3877.0 J ( kg
o
C )
1
k
b
= 0.556 W ( m
o
C )
1
assim temos que K
b
= 1.38 10
7
m
2
s
1
. Tome h
c
= 0.0556 W ( m
2 o
C )
1
, que
representa uma emissividade termica e
p
= 0.10 m
1
.
Vamos considerar uma temperatura ambiente T
a
= 26.0
o
C, a temperatura na superfcie do
cilindro interno T
0
= 1.0
o
C, e a condi cao inicial f(r) = T
a
para R
1
r R
2
.
Considere uma parti cao regular de [R
1
, R
2
] com espa camento h
r
, e um passo no tempo de
, com
h
r
=
R
2
R
1
128
e =
t
f
480
= 15.0 s
para o tempo de evolu cao t
f
= 7200 s.
Na Figura 6.15 temos a solu cao numerica da temperatura T(x, t) para t = 0, 15, , 120
minutos, e na Figura 6.16 temos a curva de temperatura no ponto r = 18.0 cm, no centro
do anel (linha solida), e na superfcie (linha pontilhada). A temperatura nal no centro do
anel e de 6.6
o
C, e a temperatura nal na superfcie do cilindro externo e de 8.8
o
C.
16 16.5 17 17.5 18 18.5 19 19.5 20
0
5
10
15
20
25
30
r [cm]
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
Figura 6.15: Gracos de T(x, t) para t = 0, 15, 30, , 120 minutos.
0 20 40 60 80 100 120
5
10
15
20
25
30
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
Tempo [min]
Figura 6.16: Curva de temperatura no ponto r = 18.0 cm no centro do anel (linha solida),
e na superfcie do cilindro externo (linha pontilhada).
6.9.3 Transferencia de Calor em Corpo Esferico
Um problema muito interessante para os pesquisadores nas areas de Tecnologia PosColheita
e de Tecnologia de Alimentos, e a simula cao numerica do processo de transferencia de calor em
corpo esferico para o estudo do comportamento termodinamico de frutas, cuja geometria pode
ser aproximada por uma esfera, tais como cereja, ma ca, limao e laranja. Por simplicidade,
vamos considerar uma densidade constante, isto e, um corpo homogeneo. O processo de
transferencia de calor entre o corpo e o meio ambiente sera por convec cao atraves da superfcie.
Neste caso, podemos considerar que a temperatura num ponto interno do corpo depende
somente do raio, considerando uma simetria esferica, e do tempo. Assim, a temperatura
T(r, t), para (r, t) (0, R) (0, t
f
), satisfaz a Equa cao do Calor em coordenadas esfericas,
1
K
b
T(r, t)
t
1
r
2
r
_
r
2
T(r, t)
r
_
= 0 (6.104)
sujeita à condi cao de convec cao na superfcie
k
b
T(R, t)
r
= h
c
( T(R, t) T
a
) ; t > 0 (6.105)
e uma condi cao de simetria em r = 0
T(0, t)
r
= 0 ; t > 0 (6.106)
Especicamos a temperatura do corpo no incio do processo, atraves da condi cao inicial
T(r, 0) = f(r) ; 0 r R (6.107)
Utilizar um Esquema de Diferen cas Finitas Centrada para a semidiscretiza cao no espa co e
o Esquema de Euler Regressivo para a semidiscretiza cao no tempo. Considere uma parti cao
regular de [0, R] com espa camento h
r
, e um passo no tempo de . As condi coes de contorno
(6.105) e (6.106) devem ser discretizadas por uma Formula de Diferen cas Finitas com uma
2
r
, compatvel com o esquema da semidiscretiza cao no espa co.
Procedendo com a semidiscretiza cao no tempo da equa cao (6.104), obtemos a seguinte
equa cao diferencial ordinaria
( K
b
)
d
dr
_
r
2
dT
(j+1)
dr
(r)
_
+ r
2
T
(j+1)
(r) = r
2
T
(j)
(r) ; 0 < r < R (6.108)
para j = 0, 1, , onde T
(0)
(r) = f(r) e a condi cao inicial. Denotamos por T
(j)
(r)
uma aproxima cao para o valor da temperatura T(r, t
j
).
Devemos impor a condi cao de convec cao em r = R
k
b
dT
(j+1)
dr
(R) = h
c
_
T
(j+1)
(R) T
a
_
(6.109)
e a condi cao de simetria em r = 0
dT
(j+1)
dr
(0) = 0 (6.110)
Portanto, a cada nvel de tempo temos o Problema de Valor de Contorno (6.108)(6.110).
Vamos discretizar a equa cao (6.108) por um esquema de diferen cas nitas centrada, para
uma malha regular
r
: 0 = r
0
< r
1
< < r
i
< < r
n
< r
n+1
= R. Por simplicidade,
denotamos por T
(j)
i
uma aproxima cao do valor da temperatura T(r
i
, t
j
). O primeiro termo
da equa cao (6.108) sera discretizado pelo esquema descrito em (4.41). Assim, obtemos
_
r
2
i1
T
(j+1)
i1
( r
2
i1
+ r
2
i
) T
(j+1)
i
+ r
2
i
T
(j+1)
i+1
_
+ r
2
i
T
(j+1)
i
= r
2
i
T
(j)
i
(6.111)
com r
i
o ponto medio do subintervalo [r
i
, r
i+1
]. Reorganizando a equa cao (6.111), obtemos
r
2
i1
T
(j+1)
i1
+ ( r
2
i
+ ( r
2
i1
+ r
2
i
) ) T
(j+1)
i
r
2
i
T
(j+1)
i+1
= r
2
i
T
(j)
i
(6.112)
para i = 1, , n, onde =
K
b
h
2
r
que e o passo no tempo adimensional.
2
r
equa cao algebrica
_
T
(j+1)
n1
4 T
(j+1)
n
+ 3 T
(j+1)
n+1
_
= 2 h
r
e
p
_
T
(j+1)
n+1
T
a
_
(6.113)
T
(j+1)
n+1
=
T
(j+1)
n1
+ 4 T
(j+1)
n
+ 2 h
r
e
p
T
a
3 + 2 h
r
e
p
(6.114)
A condi cao de contorno (6.110) sera discretizada com a formula de diferen cas nitas avan cada,
2
r
equa cao algebrica
3 T
(j+1)
0
+ 4 T
(j+1)
1
T
(j+1)
2
= 0 (6.115)
T
(j+1)
0
=
4 T
(j+1)
1
T
(j+1)
2
3
(6.116)
Substituindo os valores de T
(j+1)
0
e T
(j+1)
n+1
em (6.112), para i = 1 e i = n, respec-
tivamente, obtemos um sistema linear com n equa coes nas incognitas T
(j+1)
1
, , T
(j+1)
n
,
para cada nvel de tempo, A

T
(j+1)
=

F
(j)
. A matriz A e dada por
A =
_
_
d
1
b
1
c
1
d
2
b
2
c
2
d
3

b
n1
c
n1
d
n
_
_
(6.117)
d
1
= r
2
1
+ ( r
2
0
+ r
2
1
)
4 r
2
0
3
d
i
= r
2
i
+ ( r
2
i1
+ r
2
i
) ; i = 2, , (n 1)
d
n
= r
2
n
+ ( r
2
n1
+ r
2
n
)
4 r
2
n
3 + 2 h
r
e
p
e os elementos das subdiagonais sao dados por
b
1
= r
2
1
+
r
2
0
3
b
i
= r
2
i
; i = 2, , (n 1)
c
i
= r
2
i1
; i = 1, , (n 2)
c
n1
= r
2
n1
+
r
2
n
3 + 2 h
r
e
p
O vetor

F
(j)
e dado por
F
(j)
=
_
_
r
2
1
T
(j)
1
.
.
.
r
2
i
T
(j)
i
.
.
.
r
2
n
T
(j)
n
+ f
n
_
_
(6.118)
onde
f
n
=
2 r
2
n
h
r
e
p
T
a
3 + 2 h
r
e
p

T
(j+1)
=

F
(j)
, calculamos os valores para
T
(j+1)
0
e T
(j+1)
n+1
das rela coes (6.116) e (6.114), para cada nvel de tempo.
Exemplo 6.3 Vamos simular o processo de resfriamento da laranja atraves de ar for cado
com um coeciente de transferencia de calor por convec cao h
c
= 42.0 W ( m
2 o
C )
1
,
que representa uma emissividade termica e
p
= 72.41 m
1
. As propriedades termofsicas da
laranja (Wang et al. (2001)) s ao apresentadas na Tabela 6.2.
Considere uma laranja com raio R = 0.04 m, a temperatura ambiente T
a
= 1.0
o
C, e
a temperatura inicial da laranja f(r) = 26.57
o
C para 0 r R. Considere uma
parti cao regular de [0, R] com espa camento h
r
, e um passo no tempo de , com
h
r
=
R
128
e = 15.0 s
f
= 7200 s.
minutos, e na Figura 6.18 temos a curva de temperatura no ponto r = 1.4 cm, proximo do
centro da laranja (linha solida), e na superfcie (linha pontilhada). A temperatura nal no
centro da laranja e de 2.05
o
C, e a temperatura nal na superfcie e de 1.4
o
C.
Exemplo 6.4 Vamos simular o processo de aquecimento da ma ca vermelha atraves de ar
for cado com um coeciente de transferencia de calor por convec cao h
c
= 13.0 W ( m
2 o
C )
1
,
que representa uma emissividade termica e
p
= 25.34 m
1
. As propriedades termofsicas da
ma ca vermelha (Wang et al. (2001)) s ao apresentadas na Tabela 6.2.
Considere um ma ca com raio R = 0.045 m, a temperatura ambiente T
a
= 52.0
o
C, e a
temperatura inicial da ma ca f(r) = 21.0
o
C para 0 r R. Considere uma parti cao
regular de [0, R] com espa camento h
r
, e um passo no tempo de , com
h
r
=
R
128
e = 15.0 s
f
= 12000 s.
minutos, e na Figura 6.20 temos a curva de temperatura no ponto r = 1.4 cm, proximo
do centro da ma ca (linha solida), e na superfcie (linha pontilhada). A temperatura nal no
centro da ma ca e de 49.4
o
C, e a temperatura nal na superfcie e de 50.4
o
C.
A seguir, apresentamos as propriedades termofsicas de algumas frutas ( Wang et al. (2001)),
para serem utilizadas nas simula coes.
Tabela 6.2: Propriedades Termofsicas de Frutas
Fruta c
p
k
b
K
b
Ma ca Verde 790.0 3700.0 0.422 1.44 10
7
Ma ca Vermelha 840.0 3600.0 0.513 1.70 10
7
Cereja 1010.0 3643.0 0.511 1.39 10
7
Tomate Cereja 1010.0 3300.0 0.527 1.58 10
7
Laranja 1030.0 3661.0 0.580 1.54 10
7
Limao 930.0 3820.0 0.525 1.48 10
7
Pera 1000.0 3700.0 0.595 1.61 10
7
Batata 1100.0 3515.0 0.560 1.45 10
7
0 0.5 1 1.5 2 2.5 3 3.5 4
0
5
10
15
20
25
30
r [cm]
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
0 20 40 60 80 100 120
0
5
10
15
20
25
30
Tempo [min]
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
Figura 6.18: Curva de temperatura no ponto r = 1.4 cm proximo do centro (linha solida),
e na superfcie do fruto (linha pontilhada).
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0
5
10
15
20
25
30
35
40
45
50
r [cm]
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
0 20 40 60 80 100 120 140 160 180 200
20
25
30
35
40
45
50
55
T
e
m
p
e
r
a
t
u
r
a

[

o
C
]
Tempo [min]
Figura 6.20: Curva de temperatura no ponto r = 1.4 cm proximo do centro (linha solida),
e na superfcie do fruto (linha pontilhada).
6.9.4 Transferencia de Calor em uma Placa
Considere a distribui cao de temperatura em uma placa metalica retangular nao homogenea.
No caso, em que sua faces estao termicamente isoladas e possui uma espessura desprezvel, so
pode haver troca de calor atraves de suas bordas. Sabemos que a distribui cao de temperatura
na placa obedece a Lei de Resfriamento de Fourier descrita pela Equa cao de Difus ao de Calor
T(x, y, t)
t
= K
x
2
T(x, y, t)
x
2
+ K
y
2
T(x, y, t)
y
2
; (x, y) e t > 0 (6.119)
onde K
x
e a Difusibilidade Termica na dire cao horizontal e K
y
e a Difusibilidade Termica
na dire cao vertical, que no sistema MKS tem a dimensao m
2
s
1
. Considere um domnio
retangular = (0, 1) (0, 1).
Vamos considerar as seguintes condi coes de contorno, para todo t > 0,
T(0, y, t) = 0 para 0 y 1
T(1, y, t) = 0 para 0 y 1
T(x, 0, t) = 10 exp( 32(x x)
2
) para 0 < x < 1
T
y
(x, 1, t) = e
p
(x) ( T
a
T(x, 1, t) ) para 0 < x < 1
onde x e o ponto medio do intervalo [0, 1], e
p
e a Emissividade Termica, que no sistema
MKS tem a dimensao m
1
, e T
a
e a temperatura ambiente.
Para a simula cao numerica tome K
x
= 0.4 10
4
m
2
s
1
e K
y
= 2.0 10
4
m
2
s
1
,
e
p
(x) = 1.45 exp( 32(x x)
2
) m
1
e T
a
= 10
o
C. Considere a condi cao inicial
T(x, y, 0) = 0 para (x, y) .
Obter uma solu cao numerica para o Problema de Difusao de Calor, atraves do Esquema
de Diferen cas Finitas Centrada para a semidiscretiza cao no espa co e do Esquema de Euler
Explcito para a semidiscretiza cao no tempo. Estabele ca a condi cao de estabilidade para o
Esquema de Discretiza cao Espa coTempo, tomando uma malha uniforme.
Discretizar a condi cao de convec cao atraves de uma Formula de Diferen cas Finitas Atrasada
com um erro da ordem de h
2
. Resolver inicialmente o problema estacionario, para que pos-
samos ter informa cao sobre a solu cao do problema de evolu cao.
Captulo 7
Aproxima c ao de Problemas de
Advec c aoDifus ao
7.1 Introducao
Neste captulo apresentamos os Esquemas de Diferen cas Finitas para a discretiza cao de Pro-
blemas de Advec caoDifusao. Para cada um dos esquemas estudados faremos uma analise da
estabilidade, bem como da consistencia. Vamos mostrar como construir um Esquema Com-
pacto de Quarta Ordem para um Problema de Advec caoDifusao estacionario unidimensional.
Analisamos a consistencia e a estabilidade do esquema proposto. Vamos mostrar como cal-
cular a ordem de convergencia do erro global atraves de simula coes numericas. Mostraremos
que a solu cao numerica pode apresentar oscila coes dependendo do N umero de Reynolds da
Celula e da existencia de uma regiao onde a solu cao do problema de valor de contorno possui
uma varia cao abrupta.
7.2 Problema de AdveccaoDifusao Estacionario
Considere a seguinte Equa cao Diferencial Ordinaria
(x)u
(x) + (x)u
(x) = f(x) ; x (0, L) (7.1)

u(0) = u
0
e u(L) = u
L
(7.2)
onde as fun coes , , e f sao contnuas, com estritamente positiva em [0, L] .
239
O problema (7.1)(7.2) pode representar sicamente, por exemplo, um Problema de Di-
fusao com Advec cao de pesticidas em meios porosos. O termo de difusao e descrito por
(x) u
(x) e o termo de advec cao e descrito por (x) u
(x) , f(x) e uma fonte externa.

A fun cao u representa a concentra cao de um determinado pesticida que desejamos estudar.
Vamos denir o Operador de Advec caoDifusao
L[u](x) = (x) u
(x) + (x) u
(x) ; x [0, L] (7.3)

A seguir estudamos algumas discretiza coes para o operador L[u] e fazer uma analise dos
Esquemas de Diferen cas Finitas atraves do seguinte Problema Teste:
u
(x) + u
(x) = f
0
; x (0, 1) (7.4)
u(0) = 0 e u(1) = 0 (7.5)
A equa cao (7.4) e uma equa cao diferencial linear com coecientes constantes, que podemos
resolver explicitamente. Assim, a solu cao exata do problema (7.4)(7.5) e dada por
u(x) =
f
0
_
x
1 exp ( x)
1 exp ()
_
; x [0, 1] (7.6)
com =

.
A Figura 7.1 mostra o graco de u(x) para = 1.0 , f
0
= 1.0 e para varios valores do
parametro . Note que
lim
0
u(x)
f
0
x
criando uma regiao onde a solu cao exata possui uma varia cao abrupta.
Captulo 7. Aproxima cao de Problemas de Advec caoDifusao 241
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
= 0.1
= 0.05
= 0.005
Figura 7.1: Solu cao exata do Problema Teste para alguns valores de .
7.3 Esquema de Diferencas Finitas Centrada
Vamos utilizar as Formulas de Diferen cas Finitas Centrada dadas em (4.23) e (4.33), para
aproximar os valores de u
e u
no ponto x (0, L), respectivamente. Desse modo, temos

que a discretiza cao do operador L[u] dada por
L
h
[u](x) = (x)
u(x h) 2 u(x) + u(x + h)
h
2
+ (x)
u(x + h) u(x h)
2 h
(7.7)
Para toda u C
4
([0, L]), o erro de truncamento local (x) e dado por
(x) = L
h
[u](x) L[u](x) =
h
2
12
_
(x) u
(iv)
(x) + 2 (x) u
(x)
_
(7.8)
que e da ordem de h
2
. Assim, mostramos a consistencia do Esquema de Diferen cas Finitas
Centrada para a discretiza cao tanto de termo de difusao quanto do termo de advec cao. A
seguir, vamos apresentar uma analise de estabilidade para o Esquema de Diferen cas Finitas
Centrada para uma parti cao regular e coecientes constantes. Inicialmente, apresentamos
uma analise das oscila coes das solu coes numericas.
7.3.1 Analise das Oscilacoes
Vamos considerar o seguinte Problema de Advec caoDifusao
u
(x) + u
(x) = 0 ; x (0, 1) (7.9)

sujeita à condi cao de contorno
u(0) = 0 e u(1) = 1 (7.10)
A solu cao exata do problema (7.9)(7.10) e dada por
u(x) =
exp( x) 1
exp() 1
(7.11)
onde a constante =

.
Na Figura 7.2, mostramos o graco da solu cao exata do problema (7.9)(7.10) para os valores
de = 5 (linha solida), = 10 (linha pontilhada), = 20 (linha tracejada) e = 100 (linha
pontilhatracejada), considerando = 1 e variando .
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Figura 7.2: Solu cao exata do problema (7.9)(7.10) para varios valores de .
Podemos observar que, conforme aumentamos o valor do parametro come ca aparecer
uma regiao proxima da fronteira x = 1 onde a solu cao tem uma varia cao abrupta. Este
fenomeno acontece em varios Problemas de Advec caoDifusao, com interesse pratico. Neste
momento, temos por objetivo analisar o efeito causado por esse fenomeno nos Esquemas de
Diferen cas Finitas.
Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= 1 uma parti cao regular de [0, 1], com
um espa camento h. Com o objetivo de simplicar a nota cao, vamos denir a varia cao da
solu cao numerica à direita do ponto x
i
, que denotamos por U
+
i
, e a varia cao da solu cao
numerica à esquerda do ponto x
i
, que denotamos por U
i
, da seguinte forma
U
+
i
= U
i+1
U
i
e U
i
= U
i
U
i1
(7.12)
onde estamos denotando por U
i
a aproxima cao da solu cao u(x
i
) atraves de um Esquema
de Diferen cas Finitas.
Finalmente, vamos analisar as oscila coes das solu coes numericas obtidas pelos Esquemas de
Diferen cas Finitas descritos neste captulo. Para isso, discretizamos a Equa cao de Advec cao
Difusao (7.9) pelo Esquema de Diferen cas Finitas Centrada. Utilizando a nota cao dada em
(7.12), obtemos
h
2
( U
+
i
U
i
) +

2 h
( U
+
i
+ U
i
) = 0 (7.13)
para i = 1, , n, com a imposi cao da condi cao de contorno, isto e, U
0
= 0 e U
n+1
= 1.
Isolando U
+
i
e U
i
da equa cao (7.13), obtemos
U
+
i
_

h
2

2 h
_
+ U
i
_

h
2
+

2 h
_
= 0 (7.14)
Com algumas manipula coes, temos que
U
+
i
h
_
2 h
2 h
_
+
U
i
h
_
2 + h
2 h
_
= 0 (7.15)
A inclina cao da solu cao numerica à direita do ponto x
i
, e a inclina cao da solu cao numerica
à esquerda do ponto x
i
sao, respectivamente,
D
(1)
F
(U)(x
i
) =
U
+
i
h
e D
(1)
B
(U)(x
i
) =
U
i
h
que representam uma aproxima cao para o valor de U
(x
i
) por uma Formula de Diferen cas
Finitas Avan cada e a aproxima cao para o valor de U
(x
i
Finitas Atrasada, respectivamente. Considerando a razao entre as inclina coes, obtemos
D
(1)
F
(U)(x
i
)
D
(1)
B
(U)(x
i
)
=
2 + h
2 h
=
_
_
2 + R
e
2 R
e
; > 0
2 R
e
2 + R
e
; < 0
(7.16)
onde a constante R
e
=
|| h
e o N umero de Reynolds da Celula.

Portanto, quando a razao entre as inclina coes for negativa temos as oscila coes na solu cao
numerica.

E facil ver, de (7.16), que este fenomeno vai ocorrer quando R
e
> 2.
Finalmente, conclumos que as solu coes numericas obtidas pelo Esquema de Diferen cas Fini-
tas Upwind, pelo Esquema de Diferen cas Finitas Upstream & Downstream e pelo Esquema
Compacto de Quarta Ordem nao apresentam oscila coes, tendo em vista que o N umero de
Reynolds da Celula R
e
e sempre maior que 2. Entretanto, a solu cao numerica obtida pelo
Esquema de Diferen cas Finitas Centrada vai apresentar as oscila coes quando R
e
> 2 e,
alem disso, existir uma regiao onde a solu cao possui uma varia cao abrupta.
Na Figura 7.3, temos os gracos da solu cao exata do problema (7.9)(7.10) (linha solida), da
solu cao numerica obtida pelo Esquema de Diferen cas Finitas Centrada (linha tracejada) e o
da solu cao numerica obtida pelo Esquema Compacto de Quarta Ordem (linha pontilhada).
Resultados obtidos considerando = 1, = 0.02 e h =
1
8
. Assim, temos um N umero de
Reynolds da Celula R
e
= 6.25.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
x
u
(
x
)

e

u
h
(
x
)
Figura 7.3: Solu cao exata do problema (7.9)(7.10) (linha solida), solu cao numerica obtida
pelo Esquema de Diferen cas Finitas Centrada (linha tracejada) e solu cao numerica obtida pelo
Esquema Compacto de Quarta Ordem (linha pontilhada). Resultados obtidos considerando
= 1, = 0.02 e h =
1
8
. Assim, temos um N umero de Reynolds da Celula R
e
= 6.25.
Para facilitar uma analise da estabilidade do Esquema de Diferen cas Finitas Centrada para o
Problema de Advec caoDifusao consideramos que o coeciente de difusao e o coeciente
de advec cao sejam constantes positivas.
Seja : 0 = x
0
< < x
n
< x
n+1
= L uma parti cao regular de [0, L] , com espa camento
h. Por simplicidade, vamos denotar por u
i
= u(x
i
) e por U
i
uma aproxima cao para o valor
u(x
i
) fornecida pelo Metodo de Diferen cas Finitas Centrada, onde a fun cao u e a solu cao
exata do Problema de Valores de Contorno (7.1)(7.2). Procedendo com a discretiza cao,
obtemos o seguinte conjunto de equa coes lineares
2 h
2
( ( 2 U
i1
+ 4 U
i
2 U
i+1
) + R
e
( U
i+1
U
i1
) ) = f
i
(7.17)
para i = 1, , n. A constante adimensional R
e
=
|| h
e o N umero de Reynolds
(Peclet) da celula, que e muito importante na analise de estabilidade.
Organizando os termos de (7.17), obtemos
2 h
2
( (2 + R
e
) U
i1
+ 4 U
i
(2 R
e
) U
i+1
) = f
i
(7.18)
para i = 1, , n. Vamos escrever o sistema linear (7.18) na forma matricial A
h

U =

F
h
,
onde a matriz A
h
e dada por
A
h
=

2 h
2
_
_
4 (2 R
e
)
(2 + R
e
) 4 (2 R
e
)
(2 + R
e
) 4
(2 R
e
)
(2 + R
e
) 4
_
_
(7.19)
impondo as condi coes de contorno U
0
= u
0
e U
n+1
= u
L
, o vetor

F
h
e dado por
F
h
=
_
_
f
1
+
(2 + R
e
)
2 h
2
u
0
.
.
.
f
i
.
.
.
f
n
+
(2 R
e
)
2 h
2
u
L
_
_
(7.20)
Vamos proceder com a analise de estabilidade de acordo com a Deni cao 5.1, atraves do es-
tudo do raio espectral da matriz (A
h
)
1
, que pode ser analisado pelos autovalores da matriz
A
h
, e em seguida aplicar o Teorema 3.5. Sabemos que os autovalores da matriz A
h
sao
dados por (ver exerccio 3.14)
j
=

2 h
2
_
4 2 (2 R
e
)
_
2 + R
e
2 R
e
cos
_
j
n + 1
_
_
; j = 1, , n (7.21)
Inicialmente, vamos analisar o caso em que R
e
< 2, isto e, ( 2 R
e
) > 0. Assim, temos
que os autovalores sao reais. Desse modo, podemos escrever os autovalores
j
da forma
j
=

h
2
_
2
_
4 R
2
e
cos
_
j
n + 1
_ _
; j = 1, , n (7.22)
E facil ver que 2 >

_
4 R
2
e
, assim todos os autovalores sao positivos. Desse modo,
temos que o menor autovalor e dado por
min
(h) =

h
2
_
2
_
4 R
2
e
cos
_
h
L
_ _
(7.23)
Vamos mostrar que
min
(h) e limitado quando h 0. Para isso, inicialmente vamos tomar
a expansao em serie de Taylor da fun cao
_
4 R
2
e
em torno de R
e
= 0, isto e, em torno
de h = 0, para facilitar esta analise. Assim, temos que
_
4 R
2
e
= 2
R
2
e
4
+ O(h
4
) (7.24)
Substituindo (7.24) em (7.23), obtemos
min
(h) =
2
h
2
_
1 cos
_
h
L
_ _
+
_
R
2
e
4 h
2
+ O(h
2
)
_
cos
_
h
L
_
(7.25)
Agora, vamos fazer uma expansao em serie de Taylor de cos
_
h
L
_
em torno de h = 0
cos
_
h
L
_
= 1 +
h
2
2
2 L
2

h
4
4
24 L
4
+ (7.26)
Substituindo (7.26) na primeira expressao do lado direito de (7.25), obtemos
min
(h) =
_

2
L
2
O(h
2
)
_
+
_

2
4
+ O(h
2
)
_
cos
_
h
L
_
(7.27)
Portanto, temos que
lim
h0
min
(h) =

2
L
2
+

2
4
(7.28)
mostrando que o raio espectral ( (A
h
)
1
) =
1
min
(h)
e limitado para todo h.
Logo, pelo Teorema 3.5 temos que existe uma norma matricial ||| ||| de modo que ||| (A
h
)
1
|||
e limitada quando h 0, cando demonstrada a estabilidade do Esquema de Diferen cas
Finitas Centrada para o n umero de Reynolds R
e
< 2 e > 0. De modo analogo,
podemos fazer a demonstra cao da estabilidade para o caso < 0.
Finalmente, vamos analisar o caso em que R
e
> 2, isto e, ( 2 R
e
) < 0.

E facil ver
que neste caso os autovalores da matriz A
h
sao todos complexos, e sao dados por
j
=

h
2
_
2 +
_
|4 R
2
e
| cos
_
j
n + 1
_
i
_
; j = 1, , n (7.29)
onde i =
1 . Desse modo, temos que o modulo dos autovalores sao dados por
|
j
|
2
=

2
h
4
_
4 +
4 R
2
e
cos
2
_
j
n + 1
_ _
; j = 1, , n (7.30)
Por simplicidade, considerando que (n + 1) seja par, tem-se que
min
= min
1jn
{ |
j
| } =
2
h
2
(7.31)
neste caso o mnimo e alcan cado para j =
(n + 1)
2
. Mostramos que o raio espectral da
matriz (A
h
)
1
e dado por
( (A
h
)
1
) =
1
min
=
h
2
2
(7.32)
Assim, nao podemos garantir a estabilidade para o Esquema de Diferen cas Finitas Centrada
quando R
e
> 2. Na se cao 7.3.1 apresentamos uma analise dos Esquemas de Diferen cas
Finitas com rela cao à oscila cao da solu cao numerica em fun cao do N umero de Reynolds da
Celula, observando a existencia de uma regiao onde a solu cao tem uma varia cao abrupta.
Essa situa cao ca bem ilustrada nos exemplos que apresentamos a seguir.
Exemplo 7.1 Nas simula coes numericas para a analise do desempenho dos esquemas numericos
vamos utilizar o seguinte conjunto de valores
= 1 10
2
= 1.0 f
0
= 1.0 h =
1
128
que fornece um n umero de Reynolds R
e
= 0.78125.
= 3 10
3
= 2.0 f
0
= 1.0 h =
1
64
e
= 10.4167.
Na Figura 7.4 podemos observar que a solu cao numerica obtida pelo Esquema de Diferen cas
Finitas Centrada apresenta oscila coes no caso R
e
> 2.
= 10
3
= 2.0 f
0
= 1.0 h =
1
64
e
= 31.25.
= 10
3
= 1.0 f
0
= 1.0 h =
1
512
e
= 1.953125.
Na Figura 7.5 podemos observar que a solu cao numerica obtida pelo Esquema de Diferen cas
Finitas Centrada apresenta grandes oscila coes no caso R
e
= 31.25 2. Note que, para
R
e
= 1.953125 que esta muito proximo de 2.0 a solu cao numerica nao apresenta as
oscila coes.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Soluo Exata
Soluo Numrica
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Soluo Exata
Soluo Numrica
Figura 7.4: Solu cao numerica obtida pelo Esquema de Diferen cas Finitas Centrada, com
n umero de Reynolds R
e
= 0.78125, à esquerda, e R
e
= 10.4167, à direita.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Figura 7.5: Solu cao numerica obtida pelo Esquema de Diferen cas Finitas Centrada, com
n umero de Reynolds R
e
= 31.25, à esquerda, e R
e
= 1.953125, à direita.
O Esquema de Diferen cas Finitas Centrada para ser estavel necessita que R
e
< 2 para a
solu cao do Problema Teste (7.4)(7.5). Porem, para o problema
u
(x) + u
(x) = f
0
; x (0, 1)
u(0) = 0 e u
(1) = 1.0
(7.33)
que tem condi cao de fronteira de Neumann nao-homogenea no ponto x = 1.0, a solu cao
numerica dada pelo Esquema de Diferen cas Finitas Centrada e estavel mesmo para Re > 2,
como podemos ver na Figura 7.6. A solu cao numerica foi obtida utilizando o conjunto de
dados do Exemplo 7.2.
Com isso, vemos que a instabilidade do metodo se deve em grande parte às condi coes de
fronteira que estao sendo impostas. A condi cao de fronteira de Dirichlet for ca um choque na
solu cao do problema em x = 1, o que causa oscila coes na solu cao numerica. Essa instabili-
dade aparece quando e muito pequeno, fazendo com que o termo de difusao praticamente
desapare ca tornando a equa cao diferencial ordinaria de primeira ordem com duas condi coes
de fronteira de Dirichlet.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
x
u
(
x
)
Soluo Numrica
Figura 7.6: Solu cao do problema (7.33) pelo Esquema de Diferen cas Finitas Centrada.
7.4 Esquema de Diferencas Finitas Upwind
Utilizando a Formula de Diferen cas Finitas Centrada dada em (4.33) para aproximar o valor
de u
no ponto x (0, L), e utilizando as Formulas de Diferen cas Finitas Atrasada e

Avan cada dadas em (4.4) e (4.13) para aproximar o valor de u
no ponto x (0, L), temos

que a discretiza cao do operador L[u] e dada por
L
h
[u](x) = (x)
u(x h) 2 u(x) + u(x + h)
h
2
+
_
_
(x)
u(x + h) u(x)
h
; (x) < 0
(x)
u(x) u(x h)
h
; (x) > 0
(7.34)
Para toda fun cao u C
4
([0, L]), tem-se que o erro de truncamento local (x) e dado por
(x) = L
h
[u](x) L[u](x) =
h
2
12
(x) u
(iv)
(x)
+
_
_
h
2
(x) u
(x) +
h
2
6
(x) u
(x) ; (x) < 0
h
2
(x) u
(x) +
h
2
6
(x) u
(x) ; (x) > 0

(7.35)
Podemos escrever o erro de trucamento local da seguinte forma
(x) = L
h
[u](x) L[u](x)
=
|(x)| h
2
u
(x) +
h
2
12
_
(x) u
(iv)
(x) + 2 (x) u
(x)
_
(7.36)
Note que, o primeiro termo do erro de trucamento local pode ser visto como uma difusao
numerica. Desse modo, vamos denir um novo Operador de Advec caoDifusao L
[u] da
seguinte forma
L
[u](x) =
|(x)| h
2
u
(x) + L[u](x) ; x [0, L] (7.37)

Utilizando o operador L
[u] denido em (7.37) podemos mostrar que o Esquema de Dife-

ren cas Finitas Upwind para o operador L[u] e equivalente ao Esquema de Diferen cas Finitas
Centrada para o operador L
[u], que vamos denotar pelo operador L
h
[u], que e escrito da
seguinte forma
L
h
[u](x) =
(x)
u(x h) 2 u(x) + u(x + h)
h
2
+ (x)
u(x + h) u(x h)
2 h
(7.38)
com um novo coeciente de difusao
(x) = (x) +
|(x)| h
2
(7.39)
que apresenta uma difusao numerica. Para toda fun cao u C
4
([0, L]), tem-se que o erro
de truncamento local
(x) e dado por
(x) = L
h
[u](x) L
[u](x)
=
h
2
12
_
(x) u
(iv)
(x) + 2 (x) u
(x)
_
(7.40)
que e da ordem de h
2
. Desse modo, mostramos a consistencia do Esquema de Diferen cas
Finitas Upwind. Temos que o N umero de Reynolds para o novo operador de advec caodifusao
L
[u] denido em (7.37), para uma parti cao regular, e dado por
R
e
=
|(x)| h
(x)
=
2 |(x)| h
2 (x) + |(x)| h
< 2 (7.41)
o que mostra a estabilidade do Esquema de Diferen cas Finitas Centrada denida em (7.38).
Assim, demonstramos a estabilidade do Esquema de Diferen cas Finitas Upwind, pela equi-
valencia entre os esquemas.
A seguir, vamos apresentar uma analise de estabilidade para o Esquema de Diferen cas Finitas
Upwind para a discretiza cao do operador de advec caodifusao L[u] para uma parti cao
regular e coecientes constantes.
Para facilitar uma analise da estabilidade do Esquema de Diferen cas Finitas Upwind para
o Problema de Advec caoDifusao vamos considerar que o coeciente de difusao e o
coeciente de advec cao sejam constantes positivas. Procedendo com a discretiza cao,
obtemos o seguinte conjunto de equa coes lineares
h
2
( ( U
i1
+ 2 U
i
U
i+1
) + R
e
( U
i
U
i1
) ) = f
i
(7.42)
para i = 1, , n. Organizando os termos, obtemos
h
2
( (1 + R
e
) U
i1
+ (2 + R
e
) U
i
U
i+1
) = f
i
(7.43)
para i = 1, , n.
Vamos escrever o sistema linear acima na forma matricial A
h

U =

F
h
, onde a matriz A
h
e dada por
A
h
=

h
2
_
_
(2 + R
e
) 1
(1 + R
e
) (2 + R
e
) 1
(1 + R
e
) (2 + R
e
)
1
(1 + R
e
) (2 + R
e
)
_
_
(7.44)
impondo as condi coes de contorno U
0
= u
0
e U
n+1
= u
L
, o vetor

F
h
e dado por
F
h
=
_
_
f
1
+
(1 + R
e
)
h
2
u
0
.
.
.
f
i
.
.
.
f
n
+ u
L
_
_
(7.45)
Vamos proceder com a analise de estabilidade de acordo com a Deni cao 5.1, atraves do es-
tudo do raio espectral da matriz (A
h
)
1
, que pode ser analisado pelos autovalores da matriz
A
h
, e em seguida aplicar o Teorema 3.5. Sabemos que os autovalores da matriz A
h
sao
dados por (ver exerccio 3.14)
j
=

h
2
_
(2 + R
e
) 2
_
1 + R
e
cos
_
j
n + 1
_ _
; j = 1, , n (7.46)
E facil ver que (2 + R

e
) > 2
1 + R
e
, assim todos os autovalores sao positivos. Desse
modo, temos que o menor autovalor e dado por
min
(h) =

h
2
_
(2 + R
e
) 2
_
1 + R
e
cos
_
h
L
_ _
(7.47)
Vamos mostrar que
min
(h) e limitado quando h 0. Para isso, inicialmente vamos tomar
a expansao em serie de Taylor da fun cao
1 + R
e
em torno de R
e
= 0, isto e, em torno
de h = 0, para facilitar esta analise. Assim, temos que
_
1 + R
e
= 1 +
R
e
2

R
2
e
8
+
3 R
3
e
48
+ (7.48)
Substituindo (7.48) em (7.47), obtemos
min
(h) =

h
2
_
(2 + R
e
) (2 + R
e
) cos
_
h
L
_ _
+
_

4 h
2
R
2
e
+ O(h)
_
cos
_
h
L
_
(7.49)
Agora, vamos fazer uma expansao em serie de Taylor de cos
_
h
L
_
em torno de h = 0
cos
_
h
L
_
= 1 +
h
2
2
2 L
2

h
4
4
24 L
4
+ (7.50)
Substituindo (7.50) na primeira expressao do lado direito de (7.49), obtemos
min
(h) = (2 + R
e
)
_

2
2 L
2
+ O(h
2
)
_
+
_

2
4
+ O(h)
_
cos
_
h
L
_
(7.51)
Portanto, temos que
lim
h0
min
(h) =

2
L
2
+

2
4
(7.52)
mostrando que o raio espectral ( (A
h
)
1
) =
1
min
(h)
e limitado para todo h.
Logo, pelo Teorema 3.5 temos que existe uma norma matricial ||| ||| de modo que ||| (A
h
)
1
|||
e limitada quando h 0, cando demonstrada a estabilidade do Esquema de Diferen cas
Finitas Upwind para todo n umero de Reynolds R
e
, para > 0. De modo analogo,
podemos fazer a demonstra cao da estabilidade para o caso < 0.
7.5 Esquema Upstream & Downstream
Este e um esquema descentralizado, no qual vamos discretizar o termo de advec cao no ponto
x (0, L) por uma combina cao convexa entre o Esquema de Diferen cas Finitas Atrasada
para (x) > 0 e o Esquema de Diferen cas Finitas Avan cada para (x) < 0. Utilizamos
o Esquema de Diferen cas Finitas Centrada para discretizar o termo de difusao no ponto
x (0, L) . Desse modo, temos que a discretiza cao do operador L[u] dada por
L
h
[u](x) = (x)
u(x h) 2 u(x) + u(x + h)
h
2
+ (x)
_
(x)
u(x) u(x h)
h
_
+ ( 1 (x) )
_
(x)
u(x + h) u(x)
h
_
(7.53)
onde (x) [0, 1]. Note que, se (x) = 0.5 a discretiza cao (7.53) coincide com o Esquema
de Diferen cas Finitas Centrada dado em (7.7). E se (x) = 1 para (x) > 0 ou (x) = 0
para (x) < 0 a discretiza cao (7.53) coincide com o Esquema Upwind dado em (7.34).
Para toda fun cao u C
4
([0, L]), tem-se que o erro de truncamento local (x) e dado por
(x) = L
h
[u](x) L[u](x) =
h
2
12
(x) u
(iv)
(x)
+ (x)
_
h
2
(x) u
(x) +
h
2
6
(x) u
(x)
_
+ ( 1 (x) )
_
h
2
(x) u
(x) +
h
2
6
(x) u
(x)
_
(7.54)
Podemos escrever o erro de trucamento local da seguinte forma
(x) =
h
2
12
_
(x) u
(iv)
(x) + 2 (x) u
(x)
_
(x) h
_
(x)
1
2
_
u
(x)
(7.55)
Note que o segundo termo do erro de trucamento local pode ser visto como uma difusao
numerica, considerando (0.5, 1) para > 0, e (0, 0.5) para < 0 . Desse
modo, vamos denir um novo Operador de Advec caoDifusao L
[u] da seguinte forma

L
[u](x) = (x) h
_
(x)
1
2
_
u
(x) + L[u](x) ; x [0, L] (7.56)

Utilizando o operador L
[u] denido em (7.56) podemos mostrar que o Esquema de Dife-

ren cas Finitas Upstream & Downstream para o operador L[u] e equivalente ao Esquema de
Diferen cas Finitas Centrada para o operador L
[u], denotado pelo operador L
h
[u], que e
escrito da seguinte forma
L
h
[u](x) =
(x)
u(x h) 2 u(x) + u(x + h)
h
2
+ (x)
u(x + h) u(x h)
2 h
(7.57)
com um novo coeciente de difusao
(x) = (x) + (x) h

_
(x)
1
2
_
(7.58)
que apresenta uma difusao numerica. Para toda fun cao u C
4
([0, L]), tem-se que o erro
de truncamento local
(x) e dado por
(x) = L
h
[u](x) L
[u](x)
=
h
2
12
_
(x) u
(iv)
(x) + 2 (x) u
(x)
_
(7.59)
que e da ordem de h
2
. Desse modo, mostramos a consistencia do Esquema de Diferen cas
Finitas Upstream & Downstream. A seguir, vamos apresentar uma an alise de estabilidade
para o Esquema de Diferen cas Finitas Upstream & Downstream para uma parti cao regular.
Temos que o N umero de Reynolds para o novo operador de advec caodifusao L
[u] denido
em (7.56), para uma parti cao regular, e dado por
R
e
=
|(x)| h
(x)
=
2 |(x)| h
2 (x) + (x) h(2 (x) 1)
< 2 (7.60)
para o valor de (x) de acordo com o sinal de (x), o que mostra a estabilidade
do Esquema de Diferen cas Finitas Centrada denida em (7.57). Assim, demonstramos a
estabilidade do Esquema Upstream & Downstream, pela equivalencia entre os esquemas.
7.5.2 Calculo do Parametro

Otimo
Vamos encontrar o parametro otimo para o Esquema Upstream & Downstream, conside-
rando que o coeciente de difusao e o coeciente de advec cao sejam constantes, com
f(x) = f
0
e [0, 1].
Seja : 0 = x
0
< < x
n
< x
n+1
= 1 uma parti cao regular de [0, 1], com espa camento
h. Assim, de (7.53) temos a discretiza cao para o Problema Teste (7.4)(7.5)
U
i1
+ 2 U
i
U
i+1
+ ( (U
i
U
i1
) + (1 ) (U
i+1
U
i
) ) =
h
2
f
0
(7.61)
para i = 1, . . . , n, com U
0
= U
n+1
= 0 e =
h
.
Considerando que a solu cao u(x) do Problema Teste, denida em (7.6), coincida com a
solu cao numerica U
i
nos pontos da parti cao regular , isto e, U
i
= u(x
i
), onde
u(x
i
) =
f
0
_
x
i

1 exp ( x
i
)
1 exp ()
_
, i = 0, 1, . . . , (n + 1) (7.62)
onde =

. Podemos vericar facilmente que

U
i1
+ 2 U
i
U
i+1
+ ( (U
i
U
i1
) + (1 ) (U
i+1
U
i
) )
=
f
0
_
((1 + ) (2 e
) + (e
1)) e
x
i
1 exp (/)
+ h
_
Se escolhermos o parametro tal que
( 1 + ) ( 2 e
) + ( e
1 ) = 0 (7.63)
Teremos
U
i1
+ 2 U
i
U
i+1
+ ( (U
i
U
i1
) + ( 1 ) (U
i+1
U
i
) )
=
f
0
h =
h
2
f
0
Desse modo, os valores U

1
, . . . , U
n
satisfazem o esquema (7.61), e com isso
U
i
= u(x
i
) , i = 1, . . . , n
Se (7.63) e satisfeita, a solu cao exata do Problema Teste coincide nos pontos x
1
, . . . , x
n
com a solu cao do esquema (7.61). Da condi cao (7.63) temos
=
1 exp()
2 exp() exp()

1
Com algumas manipula coes, obtemos

=
1
1
2
e
1
2
e
+
1
2
(e
)
2 e
=
1
2
+
1
2
e
+ e
2

1
=
1
2
+
1
2
(e
/2
+ e
/2
) (e
/2
e
/2
)
(e
/2
e
/2
)
2

1
Com isso, obtemos o parametro otimo

=
1
2
+
1
2
coth

2

1
(7.64)
Finalmente, o parametro otimo considerando , e f nao constantes pode ser
escrito da seguinte forma
(x) =
1
2
+
1
2
coth
_
(x)
2
_

1
(x)
(7.65)
com (x) =
(x)
(x)
h e x (0, L). Na Figura 7.7 apresentamos o graco de ().
0 10 20 30 40 50 60 70 80 90 100
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
100 90 80 70 60 50 40 30 20 10 0
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Figura 7.7: Graco da fun cao ().
`
A esquerda, temos > 0 e à direita temos < 0.
As Figuras 7.8 e 7.9 apresentam uma compara cao entre a solu c ao exata e as solu coes numericas
obtidas atraves do Esquema de Diferen cas Finitas Upwind e do Esquema Upstream & Downs-
tream, para o Problema Teste (7.4)(7.5). A solu cao exata e dada pela equa cao (7.6). Nas
simula coes numericas utilizamos os conjuntos de valores sugeridos nos Exemplos 7.1 e 7.2,
para analisar o desempenho dos esquemas numericos.
As solu coes numericas obtidas pelos Esquemas Upwind e Upstream & Downstream, nao
apresentam as oscila coes numericas devido a difusao numerica, como podemos observar nas
Figuras 7.8 e 7.9.
Para esses esquemas, se (x) for muito menor que a difusao numerica, a estabilidade na
solu cao numerica e obtida pela difusao numerica. No caso em que (x) for muito maior que
a difusao numerica, entao a difusao numerica sera desprezvel. Comparando as Figuras 7.8
e 7.9, vemos que o Esquema Upwind apresenta uma difusao numerica maior que o Esquema
Upstream & Downstream. Portanto, este ultimo e prefervel por apresentar uma menor di-
fusao numerica.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Soluo Exata
Soluo Numrica
.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
x
u
(
x
)
Soluo Exata
Soluo Numrica
Figura 7.8: Solu cao numerica obtida pelo Esquema de Diferen cas Finitas Upwind, com uma
difusao numerica de 3.9063 10
2
e R
e
= 0.78125, à esquerda, e uma difusao numerica
de 15.625 10
3
e R
e
= 10.4167, à direita.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
Soluo Exata
Soluo Numrica
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
x
u
(
x
)
Soluo Exata
Soluo Numrica
Figura 7.9: Solu cao numerica obtida com o Esquema Upstream & Downstream, para o valor
de = 0.5645, uma difusao numerica de 5.039 10
4
e R
e
= 0.78125, à esquerda, e
= 0.9040, uma difusao numerica de 12.625 10
3
e R
e
= 10.4167, à direita.
Na Figura 7.10, temos à esquerda, a solu cao numerica obtida pelo Esquema de Diferen cas
Finitas Centrada para o n umero de Reynolds R
e
= 31.25, apresentando as oscila coes de-
vido a instabilidade do esquema. Na Figura 7.10, temos à direita, a solu cao numerica obtida
pelo Esquema Upstream & Downstream para o n umero de Reynolds R
e
= 31.25 com o
parametro = 0.968 e uma difusao numerica de 1.46 10
2
. Note que, o parametro
foi escolhido de modo que o Esquema Upstream & Downstream seja muito proximo do
Esquema de Diferen cas Finitas Upwind. As simula coes numericas foram feitas com os valores
do Exemplo 7.3. Para esse exemplo, a condi cao de estabilidade do Esquema de Diferen cas
Finitas Centrada sera respeitada utilizando h =
1
1024
com isso teramos o n umero de
Reynolds R
e
= 1.953125.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
u
(
x
)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
x
u
(
x
)
Figura 7.10:
`
A esquerda, temos a solu cao numerica obtida pelo Esquema de Diferen cas Finitas
Centrada para o n umero de Reynolds R
e
= 31.25.
`
A direita, temos a solu cao numerica
obtida pelo Esquema Upstream & Downstream para o n umero de Reynolds R
e
= 31.25
com o parametro = 0.968.
7.6 Esquema Compacto de Quarta Ordem
Considere a Equa cao de Advec caoDifusao Estacionaria
u
(x) + u
(x) + u(x) = f(x) ; x (0, L) (7.66)

u(0) = u
0
e u(L) = u
L
(7.67)
com coecientes constantes , e . Estamos considerando as constantes e
estritamente positivas, para que a equa cao (7.66) tenha um signicado fsico.
Consideramos as fun coes u e f com uma regularidade suciente para construirmos
um Esquema de Diferen cas Finitas de Quarta Ordem. Durante o processo de constru cao
do esquema descobriremos a regularidade necessaria. Por simplicidade, vamos escrever o
operador de Advec caoDifusao da seguinte forma
L[u](x) = u
(x) + u
(x) + u(x) f(x) (7.68)

Seja : 0 = x
0
< x
1
< < x
n
< x
n+1
= L uma parti cao regular de [0, L]. Vamos
obter uma solu cao aproximada para o problema (7.66) (7.67) atraves de um Esquema de
Diferen cas Finitas de Quarta Ordem. Inicialmente, construmos uma Formula de Diferen cas
Finitas Centrada para aproximar u
em um ponto x
i
. Tomando a Formula de Taylor
com Resto da fun cao u em torno do ponto x
i
i+1
) , obtemos
u(x
i+1
) = u(x
i
) + hu
(x
i
) +
h
2
2
u
(x
i
) +
h
3
3!
u
(x
i
) +
h
4
4!
u
(iv)
(x
i
) +
h
5
5!
u
(v)
(
1
) (7.69)
para x
i
<
1
< x
i+1
. Tomando a Formula de Taylor com Resto da fun cao u em torno
do ponto x
i
i1
) , obtemos
u(x
i1
) = u(x
i
) hu
(x
i
) +
h
2
2
u
(x
i
)
h
3
3!
u
(x
i
) +
h
4
4!
u
(iv)
(x
i
)
h
5
5!
u
(v)
(
2
) (7.70)
para x
i1
<
2
< x
i
. Subtraindo a equa cao (7.70) da equa cao (7.69), temos que
u(x
i+1
) u(x
i1
)
2 h
= u
(x
i
) +
h
2
6
u
(x
i
) +
h
4
240
( u
(v)
(
1
) + u
(v)
(
2
) ) (7.71)
Aplicando o Teorema 1.5 da se cao 1.2 na expressao do erro, obtemos uma aproxima cao para
o valor u
(x
i
) por uma Formula de Diferen cas Finitas Centrada, apresentando o erro de
truncamento local com termos ate a ordem de h
4
,
u
(x
i
) =
u(x
i+1
) u(x
i1
)
2 h
h
2
6
u
(x
i
)
h
4
120
u
(v)
() (7.72)
para x
i1
< < x
i+1
.
Na se cao 5.6, obtemos uma aproxima cao para o valor u
(x
i
Finitas Centrada dada pela equa cao (5.54), apresentando o erro de truncamento local com
termos ate a ordem de h
4
,
u
(x
i
) =
u(x
i1
) 2u(x
i
) + u(x
i+1
)
h
2

h
2
12
u
(iv)
(x
i
)
h
4
360
u
(vi)
() (7.73)
para x
i1
< < x
i+1
.
Utilizando as Formulas de Diferen cas Finitas Centrada dadas em (7.72) e (7.73), para apro-
ximar os valores de u
e u
no ponto x
i
, respectivamente, obtemos a discretiza cao do
operador de Advec caoDifusao L[u]
L
h
[u](x
i
) =
u(x
i1
) 2 u(x
i
) + u(x
i+1
)
h
2
+
u(x
i+1
) u(x
i1
)
2 h
+ u(x
i
) f(x
i
)
(7.74)
Para toda u C
6
([0, L]) o erro de truncamento local (x
i
) e dado por
(x
i
) = L
h
[u](x
i
) L[u](x
i
) =
h
2
12
_
u
(iv)
(x
i
) + 2 u
(x
i
)
_
+
h
4
360
_
u
(vi)
() + 3 u
(v)
()
_
(7.75)
para x
i1
< < x
i+1
e x
i1
< < x
i+1
.
Da equa cao de Advec caoDifusao (7.66), obtemos uma expressao para u
e para u
(iv)
da
seguinte forma
u
(x) =

(x) +

(x)
1
(x) (7.76)
u
(iv)
(x) =

(x) +

(x)
1
(x) (7.77)
Substituindo a expressao de u
dada em (7.76) em (7.77), obtemos

u
(iv)
(x) =
_

2
+
2
_
u
(x) +

2
u
(x)
_

2
f
(x) +
1
(x)
_
(7.78)
Substituindo (7.76) e (7.78) na expressao do erro de truncamento local dado em (7.75),
obtemos
(x
i
) =
h
2
12
_
_

2
_
u
(x
i
) +

(x
i
) +
_
f
(x
i
)
(x
i
)
_ _
+
h
4
360
_
u
(vi)
() + 3 u
(v)
()
_
(7.79)
Podemos interpretar os tres primeiros termos do erro de truncamento local dado em (7.79)
como sendo uma difusao numerica, uma advec cao numerica, em dire cao oposta à advec cao
natural, e uma fonte, respectivamente.
Vamos denir um novo Operador de AdveccaoDifusao L
[u; h], que depende do espa camento

h, da seguinte forma
L
[u; h](x) =
(x) +
(x) + u(x) f
(x) (7.80)
onde
= +
h
2
12
_
_
,
=
h
2
12

e (7.81)
f
(x) = f(x) +
h
2
12
_
f
(x)
(x)
_
(7.82)
E importante observar que o operador L
[u; h] e consistente com o operador do problema

de valor de contorno original, isto e,
lim
h 0
L
[u; h](x) = L[u](x) ; x (0, L) (7.83)

Discretizando o operador de Advec caoDifusao dado em (7.80) atraves do Esquema de
Diferen cas Finitas Centrada, obtemos o Esquema Compacto de Quarta Ordem para
o problema de valor de contorno (7.66)(7.67). De fato, neste caso, temos que para toda
u C
6
([0, L]) o erro de trucamento local e dado por
(x
i
) = L
h
[u](x
i
) L
[u; h](x
i
) =
h
4
360
_
u
(vi)
() + 3 u
(v)
()
_
(7.84)
para x
i1
< < x
i+1
e x
i1
< < x
i+1
, que e da ordem de h
4
.
Os valores f
(x
i
) e f
(x
i
), em L
h
[u](x
i
), podem ser calculados analiticamente ou por uma
Formula de Diferen cas Finitas Centrada, o que nao prejudica os resultados desejados.
Considerando a constante = 0, o N umero de Reynolds da Celula para o operador de
Advec caoDifusao L
[u; h] denido em (7.80), para uma parti cao regular, e dado por
R
e
=
|| h
= 2
_
6 h||
12
2
+ h
2
2
_
= 2
_
6 R
e
12 + ( R
e
)
2
_
< 2 (7.85)
Portanto, temos a estabilidade do Esquema Compacto de Quarta Ordem, para o problema
de valor de contorno (7.66)(7.67), de acordo com os resultados da se cao 7.3.2.
7.6.2 Ordem de Convergencia
De modo analogo ao estudo numerico feito na se cao 5.6.2 para analise da ordem de con-
vergencia dos Esquemas de Diferen cas Finitas para o Problema de Poisson, vamos proceder
para o estudo da ordem de convergencia dos Esquemas de Diferen cas Finitas para Problemas
de Advec caoDifusao. Para as simula coes numericas consideramos o seguinte Problema de
Advec caoDifusao
u
(x) + u
(x) = 0 ; x (0, 1) (7.86)

sujeita à condi cao de contorno
u(0) = 0 e u(1) = 1 (7.87)
A solu cao exata do problema (7.86)(7.87) e dada por
u(x) =
exp( x) 1
exp() 1
(7.88)
onde a constante =

. Nas simula coes consideramos = 1 e = 0.1, que fornece um

valor para = 10.
Considerando o Problema de Advec caoDifusao (7.86)(7.87), vamos realizar simula coes
numericas utilizando o Esquema de Diferen cas Finitas Centrada (EDFC), Esquema de Di-
feren cas Finitas Upwind (EUPW) e o Esquema Compacto de Quarta Ordem (ECQO), para
uma parti cao regular, obtendo as solu coes numericas para varios valores do espa camento h.
Os resultados sao apresentados na Tabela 7.1.
O ajuste dos resultados obtidos com o Esquema de Diferen cas Finitas Upwind e dado por
Obtemos uma constante assintotica C = exp(a) = 1.7957. Na Figura 7.11, temos o
graco de dispersao para o ajuste dos dados da Tabela 7.1 (linha tracejada).
O ajuste dos resultados obtidos com o Esquema de Diferen cas Finitas Centrada e dado por
2
graco de dispersao para o ajuste dos dados da Tabela 7.1 (linha pontilhada).
O ajuste dos resultados obtidos com o Esquema Compacto de Quarta Ordem e dado por
4
graco de dispersao para o ajuste dos dados da Tabela 7.1 (linha solida).
Tabela 7.1: Simula coes Numericas para o problema (7.86)(7.87)
Espa camento Erro EUPW Erro EDFC Erro ECQO
h =
1
4
1.9888 10
1
1.9332 10
1
1.3279 10
3
h =
1
8
1.5712 10
1
5.5709 10
2
1.3279 10
3
h =
1
16
9.1963 10
2
1.2119 10
2
7.7605 10
5
h =
1
32
5.0614 10
2
3.0185 10
3
4.8877 10
6
h =
1
64
2.6954 10
2
7.4843 10
4
3.0415 10
7
h =
1
128
1.3910 10
2
1.8708 10
4
1.9025 10
8
h =
1
256
7.0650 10
3
4.6746 10
5
1.1887 10
9
h =
1
512
3.5608 10
3
1.1686 10
5
7.4299 10
11
h =
1
1024
1.7877 10
3
2.9215 10
6
4.6507 10
12
h =
1
2048
8.9566 10
4
7.3037 10
7
3.0531 10
13
h =
1
4096
4.4828 10
4
1.8259 10
7
h =
1
8192
2.2426 10
4
4.5648 10
8
10
4
10
3
10
2
10
1
10
0
10
14
10
12
10
10
10
8
10
6
10
4
10
2
10
0
h
E
r
r
o
Figura 7.11: Graco de dispersao para o ajuste do modelo para o calculo da ordem de
convergencia do Esquema de Diferen cas Finitas Upwind (linha tracejada), Esquema de Dife-
ren cas Finitas Centrada (linha pontilhas) e do Esquema Compacto de Quarta Ordem (linha
solida). Resultados obtidos considerando = 1 e = 0.1. Para os ajustes utilizamos
sempre os resultados dos cinco ultimos valores de h.
7.7 Projetos
7.7.1 Problema de AdveccaoDifusao Estacionario
Considere o seguinte Problema de Advec caoDifusao
( (x) u
(x) )
+ (x)u
(x) + (x)u(x) = f(x) ; x (0, L) (7.89)

A
0
u
(0) + B
0
u(0) = C
0
(7.90)
A
L
u
(L) + B
L
u(L) = C
L
(7.91)
onde as fun coes , e f sao pelo menos contnuas, com e estritamente positivas.
Os parametros A
0
, B
0
, C
0
, A
L
, B
L
e C
L
sao conhecidos. Obter o sistema
linear proveniente da discretiza cao do problema (7.89)(7.91) pelo Metodo de Diferen cas
Finitas, para uma parti cao regular de [0, L], com espa camento h. Discretizar o termo de
difusao de acordo com o esquema descrito em (4.41) e para o transporte advectivo utilizar as
discretiza coes
1. Esquema de Diferen cas Finitas Centrada
2. Esquema de Diferen cas Finitas Upwind
3. Esquema de Diferen cas Finitas Upstream & Downstream
Discretizar a condi cao de contorno em x = 0 atraves de uma Formula de Diferen cas
Finitas Avan cada e em x = L atraves de uma Formula de Diferen cas Finitas Atrasada,
com uma aproxima cao da ordem de h
2
.
Como exemplo, considere as condi coes de contorno u(0) = 0.8 e u
(1) = 0 e os
seguintes coecientes
f(x) = 0.8 exp( 32 x
2
)
(x) = 2.0 10
3
exp( 4.0 x )
(x) = 1.031
(x) = 0.05
Escolha outras situa coes para os parametros A
0
, B
0
, C
0
, A
L
, B
L
e C
L
, para
representar as condi coes de contorno de Dirichlet, Neumann e Robin.
Na Figura 7.12 temos o graco da fonte f(x) (linha pontilhada) e a solu cao numerica obtida
pelo Esquema de Diferen cas Finitas Centrada (linha solida). Na Figura 7.13 temos o graco
da fonte f(x) (linha pontilhada) e a solu cao numerica obtida pelo Esquema de Diferen cas
Finitas Centrada (linha solida) para os valores de = 0.05, 0.25, e 0.5, com L = 2.0.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
x
u
(
x
)
Figura 7.12: Graco da fonte f(x) (linha pontilhada) e a solu cao numerica obtida pelo
Esquema de Diferen cas Finitas Centrada (linha solida)
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
x
u
(
x
)
= 0.5
= 0.25
= 0.05
Figura 7.13: Graco da fonte f(x) (linha pontilhada) e a solu cao numerica obtida pelo
Esquema de Diferen cas Finitas Centrada (linha solida) para varios valores de
7.8 Programas em Matlab
7.8.1 Esquema Compacto de Quarta Ordem
em Matlab com a discretiza cao pelos Esquemas de Diferen cas Finitas Centrada, Upwind,
Upstream & Downstream e pelo Esquema Compacto de Quarta Ordem, do seguinte Problema
de Advec caoDifusao com Dissipa cao
u
(x) + u
(x) + u(x) = f(x) ; x [0, L]

A
0
u
(0) + B
0
u(0) = C
0
A
L
u
(L) + B
L
u(L) = C
L
com coecientes constantes , e . Estamos considerando as constantes e
estritamente positivas, para que o problema tenha um signicado fsico. A fun cao f deve
ser pelo menos quatro vezes continuamente diferenciavel. Os parametros A
0
, B
0
, C
0
,
A
L
, B
L
e C
L
sao conhecidos.
Script File
testfocs Problemas de Advec cao-Difusao com Dissipa cao
Function File
centrada Sistema Linear para o MDF Centrada
fonte Fonte Externa
visconum Viscosidade Numerica
solucao Solu cao do Problema Teste
7.8.2 Problemas de AdveccaoDifusao com Dissipacao
Os programas em Matlab com a discretiza cao de Problemas de Advec cao-Difusao descritos
pelas equa coes (7.89)(7.91), pelos Esquemas de Diferen cas Finitas Centrada, Upwind e
Upstream & Downstream, estao disponveis na pagina
AsTeCA/
Script File
testpade Problemas de Advec cao-Difusao com Dissipa cao
Function File
centrada Sistema Linear para o MDF Centrada
alfa Coeciente de Difus ao
beta Coeciente de Advec cao
sigma Coeciente de Dissipa cao
fonte Fonte Externa
visconum Viscosidade Numerica
solucao Solu cao do Problema Teste
Captulo 8
Problemas de Advec c aoDifus ao de
Evolu c ao
8.1 Introducao
Neste captulo estudamos os Esquemas de Diferen cas Finitas para a semidiscretiza cao no
tempo de Problemas Advec caoDifusao de Evolu cao, apresentados no Captulo 6. Para a
semidiscretiza cao no espa co utilizamos os Esquemas de Diferen cas Finitas estudados no
Captulo 7. Apresentamos tambem uma analise de estabilidade para a discretiza cao espa co
tempo, bem como o estudo da consistencia e da ordem de convergencia do erro de truncamento
local. Como aplica cao vamos apresentar varios exemplos que ilustram o transporte advectivo
de pesticidas em coluna de solo saturado.
8.2 Equacao de AdveccaoDifusao de Evolucao
Considere a seguinte Equa cao Diferencial Parcial
R
f
u(x, t)
t
(x)

2
u(x, t)
x
2
+ (x)
u(x, t)
x
+ (x) u(x, t) = f(x) (8.1)
sujeita à condi cao de contorno de Dirichlet
u(0, t) = u
0
e u(L, t) = u
L
; t > 0 (8.2)
e com a condi cao inicial
u(x, 0) = g(x) ; x (0, L) (8.3)
onde as fun coes , , g e f sao contnuas, com e estritamente positivas em [0, L].
275
Este modelo matematico pode representar, por exemplo, um Problema de Advec caoDifusao
de Evolu cao com Dissipa cao de solutos em meios porosos. A fun cao u representa a con-
centra cao de um determinado soluto, R
f
e o fator de retardo, (x) u
xx
(x, t) e a difusao,
(x) u
x
(x, t) e o transporte advectivo, (x) u(x, t) e o desaparecimento aparente e f(x)
uma fonte externa. Temos que (x) = R
f
(x), onde (x) e o termo de dissipa cao. Por
simplicidade vamos representar a equa cao (8.1) como
R
f
u(x, t)
t
+ L[u](x, t) = f(x) (8.4)
onde L[u](x, t) e o Operador de Advec caoDifusao
L[u](x, t) = (x)

2
u(x, t)
x
2
+ (x)
u(x, t)
x
+ (x) u(x, t) (8.5)
A seguir apresentamos alguns esquemas para a discretiza cao espa cotempo e uma analise de
estabilidade.
8.3 Esquema Explcito de Euler Progressivo
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Avan cada dada
em (4.13) para aproximar o valor de u
t
(x, t
j
j
= t
0
+ j . Assim, obtemos a semidiscretiza cao no
tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j
) = f(x) (8.6)
j
) e da ordem de , de acordo com
o erro local dado em (4.14), isto e,
(x, t
j
) =
2
u
t
2
(x, t
j
)
2
6
3
u
t
3
(x, t
j
) + O(
3
)
Desse modo, temos a consistencia do Esquema de Euler Progressivo, desde que a solu cao
u seja pelo menos duas vezes continuamente diferenciavel com rela cao à variavel de tempo.
Captulo 8. Problemas de Advec caoDifusao de Evolu cao 277
8.3.2 SemiDiscretizacao no Espaco
Na semidiscretiza cao no espa co do operador de advec caodifusao utilizamos o Esquema de
Diferen cas Finitas Centrada tanto para o termo de difusao, quanto para o termo de advec cao,
para um parti cao regular : 0 = x
0
< . . . < x
n
< x
n+1
= L com espa camento h. Desse
modo, o Esquema de Diferen cas Finitas Centrada para o operador L[u], que vamos denotar
por L
h
[u], e descrito da seguinte forma
i
u(x
i1
, t) 2u(x
i
, t) + u(x
i+1
, t)
h
2
+
i
u(x
i+1
, t) u(x
i+1
, t)
2 h
+
i
u(x
i
, t) (8.7)
(x
i
, t) = L
h
[u](x
i
, t) L[u](x
i
, t) (8.8)
para todo i = 1, 2, , n. Neste caso temos que o erro de truncamento local (x
i
, t) e
da ordem de h
2
, de acordo com o erro local dado em (4.34), isto e,
(x
i
, t) =
h
2
12
_
4
u
x
4
(x
i
, t) + 2
i
3
u
x
3
(x
i
, t)
_
Assim, temos a consistencia do Esquema de Diferen cas Finitas Centrada, desde que a
solu cao u seja pelo menos quatro vezes continuamente diferenciavel com rela cao à variavel
espacial. Para isso necessitamos que a fun cao f seja pelo menos duas vezes continuamente
diferenciavel com rela cao à variavel espacial.
Desse modo, temos a semidiscretiza cao no espa co
R
f
u(x
i
, t)
t
+ L
h
[u](x
i
, t) = f(x
i
) ; t > 0 (8.9)
para todo i = 1, 2, , n. Vamos denotar por U
i
(t) um aproxima cao para u(x
i
, t).
Utilizando (8.7) em (8.9) obtemos o seguinte Problema de Valor Inicial
d

U(t)
dt
= A

U(t) +

F ; t > 0 (8.10)
com a condi cao inicial
U(0) =
_
_
g(x
1
)
.
.
.
g(x
n
)
_
_
(8.11)
Em (8.10) a matriz A e dada por
A =
1
R
f
h
2
_
_
d
1
b
1
c
2
d
2
b
2
c
3
d
3

b
n1
c
n
d
n
_
_
com os elementos da diagonal principal dados por
d
i
= 2
i
+
i
h
2
; i = 1, 2, , n
os elementos das subdiagonais sao dados por
b
i
=
i

i
h
2
; i = 1, , (n 1)
c
i
=
i
+

i
h
2
; i = 2, , n
e o vetor

F e dado por
F =
1
R
f
_
_
f
1
.
.
.
f
i
.
.
.
f
n
_
_
onde f
1
e f
n
sao dados por
f
1
= f
1
+
_

1
h
2
+

1
2 h
_
u
0
e f
n
= f
n
+
_

n
h
2

n
2 h
_
Estamos denotando por
i
,
i
,
i
e f
i
os valores de (x
i
) , (x
i
) , (x
i
) e f(x
i
) para
x
i
, respectivamente.
Podemos obter um solu cao numerica para o Problema de Valor Inicial (8.10)(8.11) pelos
metodos tradicionais de RungeKutta, determinando assim uma solu cao aproximada para
o Problema de Valor Inicial e de Contorno (8.1)(8.3). Esse procedimento de discretiza cao
e denominado Metodo das Linhas, que e muito interessante para problema de advec cao
difusao nao linear.
Finalmente apresentamos a discretiza cao espa cotempo. Por simplicidade, denotamos por
U
(j)
i
i
, t
j
(8.4) dada por
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+ L
h
[u](x
i
, t
j
) = f(x
i
)
R
f
U
(j+1)
i
U
(j)
i

i
U
(j)
i1
2 U
(j)
i
+ U
(j)
i+1
h
2
+
i
U
(j)
i+1
U
(j)
i1
2 h
+
i
U
(j)
i
= f
i
para i = 1, 2, . . . , n . Vamos reescrever as equa coes anteriores da seguinte forma
U
(j+1)
i
=

R
f
f
i
+ c
i
U
(j)
i1
d
i
U
(j)
i
+ b
i
U
(j)
i+1
; i = 1, , n (8.12)
d
i
=

R
f
_
2
i
h
2
+
i
_
1
b
i
=

R
f
_

i
h
2

i
2 h
_
c
i
=

R
f
_

i
h
2
+

i
2 h
_
(8.13)
Note que devemos impor a condi cao de contorno de Dirichlet. Isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
, para todo j. A condi cao inicial e imposta da seguinte forma U
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n. O esquema de discretiza cao espa cotempo apresentado tem um
erro de truncamento local (x
i
, t
j
) = O( + h
2
), o que mostra a sua consistencia.
Vamos fazer a analise de estabilidade do Esquema de Diferen cas Finitas apresentado em
(8.12)(8.13) para o problema de Advec caoDifusao de evolu cao. Por simplicidade, con-
sideramos que nao temos fonte externa e tomamos uma condi c ao inicial positiva, isto e,
f(x) = 0 e g(x) > 0 para x [0, L]. Desse modo, como sicamente temos somente
difusao e advec cao, a solu cao deve ser positiva para todo t > 0. Vamos escrever (8.12) da
seguinte forma
U
(j+1)
i
= c
i
U
(j)
i1
d
i
U
(j)
i
+ b
i
U
(j)
i+1
; i = 1, , n (8.14)
e para j = 1, 2, .
Pelas hipoteses consideradas, devemos ter U
(j+1)
i
> 0 para i = 1, , n e
j = 1, 2, . Assim, devemos impor as seguintes condi coes
1. d
i
< 0, como segue
R
f
_
2
i
h
2
+
i
_
1 < 0 =
R
f
_
2
i
h
2
+
i
_
< 1 (8.15)
2. b
i
> 0 para
i
> 0 e c
i
> 0 para
i
< 0, como segue
_
_
_

i
h
2

i
2 h
_
> 0 para (x
i
) > 0
_

i
h
2
+

i
2 h
_
> 0 para (x
i
) < 0
(8.16)
Note que, podemos escrever a condi cao (8.16) da seguinte forma
_

i
h
2

|
i
|
2 h
_
=

i
2 h
2
_
2
|
i
| h
i
_
> 0 (8.17)
Utilizando a deni cao do N umero de Reynolds da celula para uma parti cao regular com
espa camento h, isto e,
R
e
(x
i
) =
|(x
i
)| h
(x
i
)
; x
i

a condi cao (8.17) pode ser escrita da seguinte forma
R
e
(x
i
) < 2 (8.18)
Portanto, considerando a analise de estabilidade descrita acima, o esquema de discretiza cao
espa cotempo e condicionalmente estavel, onde as rela coes (8.15) e (8.18) fornecem as
condi coes de estabilidade para o esquema.
E importante observar que se utilizamos o Esquema de Diferen cas Finitas Upwind para a
discretiza cao do transporte advectivo a condi cao (8.18) e sempre satisfeita, de acordo com
(7.41). De modo analogo, temos a mesma situa cao para o esquema upstream & downstream,
de acordo com (7.60). A condi cao de estabilidade (8.15) e mais facil de ser satisfeita.
Exerccio 8.3.1 Escrevendo o Esquema de Euler Explcito apresentado em 8.128.13 na
forma matricial

U
(j+1)
= A
h

U
(j)
+

F
h
, fazer a analise de estabilidade do Esquema de
Euler Explcito atraves do estudo do raio espectral da matriz A
h
.
8.4 Esquema Implcito de Euler Regressivo
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Atrasada dada
em (4.4) para aproximar o valor u
t
(x, t
j+1
j
= t
0
+j . Assim, obtemos a semidiscretiza cao no tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j+1
) = f(x) (8.19)
j+1
) e da ordem de , de acordo
(x, t
j+1
) =

2
2
u
t
2
(x, t
j+1
)
2
6
3
u
t
3
(x, t
j+1
) + O(
3
)
Desse modo, temos a consistencia do Esquema de Euler Regressivo, desde que a solu cao u
seja pelo menos duas vezes continuamente diferenciavel com rela cao à variavel de tempo.
Finalmente, apresentamos a discretiza cao espa cotempo, onde o transporte advectivo sera
discretizado pelo Esquema de Diferen cas Finitas Centrada. Por simplicidade, denotamos por
U
(j)
i
i
, t
j
(8.4) dada por
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+ L
h
[u](x
i
, t
j+1
) = f(x
i
)
R
f
U
(j+1)
i
U
(j)
i

i
U
(j+1)
i1
2 U
(j+1)
i
+ U
(j+1)
i+1
h
2
+
i
U
(j+1)
i+1
U
(j+1)
i1
2 h
+
i
U
(j+1)
i
= f
i
para i = 1, 2, . . . , n. Vamos reescrever as equa coes anteriores da seguinte forma
c
i
U
(j+1)
i1
+ d
i
U
(j+1)
i
b
i
U
(j+1)
i+1
=

R
f
f
i
+ U
(j)
i
; i = 1, 2, , n (8.20)
d
i
=

R
f
_
2
i
h
2
+
i
_
+ 1
b
i
=

R
f
_

i
h
2

i
2 h
_
c
i
=

R
f
_

i
h
2
+

i
2 h
_
(8.21)
Note que, devemos impor as condi coes de contorno de Dirichlet, isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n . Assim, a cada nvel de tempo, temos que resolver um sistema linear
i
, t
j+1
) = O( + h
2
).
Finalmente, vamos analisar a estabilidade do Esquema de Euler Regressivo, que e um metodo
que as fun coes e sejam constantes positivas e = 0. Assim, temse que
A
h
U
(j+1)
=

U
(j)
+

F
h
para j = 0, 1, 2, . . . (8.22)
onde

U
(0)
e a condi cao inicial. A matriz A
h
e dada por
A
h
=
_
_
(4 + 1) (2 R
e
)
(2 + R
e
) (4 + 1) (2 R
e
)
(2 + R
e
) (4 + 1)
(2 R
e
)
(2 + R
e
) (4 + 1)
_
_
(8.23)
onde o parametro e n umero de Reynolds da celula R
e
sao dado por
=

2 h
2
R
f
, R
e
=
|| h

Impondo as condi coes de contorno U
0
= u
0
e U
n+1
= u
L
, o vetor

F
h
e dado por
F
h
=
_
R
f
f
1
+ (2 + R
e
) u
0
.
.
.
R
f
f
i
.
.
.
R
f
f
n
+ (2 R
e
) u
L
_
_
(8.24)
Vamos proceder com a analise de estabilidade de acordo com os procedimentos realizados
anteriormente, atraves do estudo do raio espectral da matriz (A
h
)
1
, que pode ser analisado
pelos autovalores da matriz A
h
. Sabemos que os autovalores da matriz A
h
sao dados por
(ver exerccio 3.14)
j
= (4 + 1) 2 (2 R
e
)
_
2 + R
e
2 R
e
cos
_
j
n + 1
_
; j = 1, , n (8.25)
e
< 2, isto e, ( 2 R
e
) > 0. Assim, temos
j
da forma
j
= 1 + 4 2
_
4 R
2
e
cos
_
j
n + 1
_
; j = 1, , n (8.26)
E facil ver que 4 > 2

_
4 R
2
e
, assim todos os autovalores sao positivos e maiores que
1. Desse modo, temos que o menor autovalor e dado por
min
= 1 + 4 2
_
4 R
2
e
cos
_
h
L
_
> 1 (8.27)
Portanto, temos que o raio espectral da matriz (A
h
)
1
e sempre menor que 1, isto e,
(A
h
)
1
e uma matriz convergente. Desse modo, mostramos que o esquema de discretiza cao
espa cotempo e estavel para R
e
< 2.
E importante observar que se utilizamos o Esquema de Diferen cas Finitas Upwind para a
discretiza cao do transporte advectivo a condi cao R
e
< 2 e sempre satisfeita, de acordo com
(7.41). De modo analogo, temos a mesma situa cao para o Esquema Upstream & Downstream,
de acordo com (7.60). Ficando demonstrada a estabilidade do Esquema Implcito de Euler
Regressivo. Como ja observamos anteriormente, a condi cao R
e
< 2 e uma condi cao fsica
para a estabilidade e tambem evitando as oscila coes das solu coes numericas obtidas pelos
Esquemas de Diferen cas Finitas para a discretiza cao dos Problemas de Advec caoDifusao de
Evolu cao.
Finalmente, vamos analisar o caso em que R
e
> 2, isto e, ( 2 R
e
) < 0.

E facil ver
que neste caso os autovalores da matriz A
h
sao todos complexos, e sao dados por
j
= (1 + 4 ) + 2
_
|4 R
2
e
| cos
_
j
n + 1
_
i ; j = 1, , n (8.28)
onde i =
1 . Desse modo, temos que o modulo dos autovalores sao dados por
|
j
|
2
= (1 + 4 )
2
+ 4
2

4 R
2
e
cos
2
_
j
n + 1
_
; j = 1, , n (8.29)
Por simplicidade, considerando que (n + 1) seja par, tem-se que
min
= min
1jn
{ |
j
| } = (1 + 4 ) > 1 (8.30)
neste caso o mnimo e alcan cado para j =
(n + 1)
2
. Mostramos que o raio espectral da
matriz (A
h
)
1
e dado por
( (A
h
)
1
) =
1
min
=
1
(1 + 4 )
< 1 (8.31)
Portanto, temos que a matriz (A
h
)
1
e convergente, cando demonstrado que o esquema
de discretiza cao espa cotempo e incondicionalmente estavel.
8.5 Esquema Implcito de CrankNicolson
Para a discretiza cao no tempo utilizamos a Formula de Diferen cas Finitas Centrada dada em
(4.23) para aproximar o valor de u
t
(x, t
j
), onde t
j
e o ponto medio do intervalo [t
j
, t
j+1
],
tomando uma passo no tempo de . Assim, obtemos a semidiscretiza cao no tempo
R
f
u(x, t
j+1
) u(x, t
j
)
+ L[u](x, t
j
) = f(x) (8.32)
Como nao conhecemos o valor L[u](x, t
j
) temos que fazer uma aproxima cao utilizando as
informa coes nos pontos t
j
e t
j+1
, atraves de uma interpola cao linear, da seguinte forma
L[u](x, t
j
) =
L[u](x, t
j
) + L[u](x, t
j+1
)
2
+ O(
2
) (8.33)
j
) e da ordem de
2
, de acordo
(x, t
j
) =
2
24
3
u
t
3
(x, t
j
) + O(
4
)
Desse modo, temos a consistencia do Esquema de CrankNicolson, desde que a solu cao u
seja pelo menos tres vezes continuamente diferenciavel com rela cao à variavel de tempo.
Utilizando a discretiza cao do operador de difusao dada em (8.7), obtemos a discretiza cao
espa cotempo atraves da equa cao (8.32), da seguinte forma
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+
L
h
[u](x
i
, t
j
) + L
h
[u](x
i
, t
j+1
)
2
= f(x
i
)
Fazendo uso da aproxima cao (8.33) obtemos
R
f
u(x
i
, t
j+1
) u(x
i
, t
j
)
+
1
2
L
h
[u](x
i
, t
j+1
) = f(x
i
)
1
2
L
h
[u](x
i
, t
j
)
que para cada nvel de tempo j = 0, 1, . . . , temos as seguintes equa coes
c
i
U
(j+1)
i1
+ d
i
U
(j+1)
i
b
i
U
(j+1)
i+1
=

R
f
f
i
+
_
c
i
U
(j)
i1
e
i
U
(j)
i
+ b
i
U
(j)
i+1
_
(8.34)
onde
d
i
=

2 R
f
_
2
i
h
2
+
i
_
+ 1
e
i
=

2 R
f
_
2
i
h
2
+
i
_
1
b
i
=

2 R
f
_

i
h
2

i
2 h
_
c
i
=

2 R
f
_

i
h
2
+

i
2 h
_
(8.35)
para i = 1, 2, . . . , n.
Note que devemos impor a condi cao de contorno de Dirichlet. Isto e, U
(j)
0
= u
0
e
U
(j)
n+1
= u
L
(0)
i
= g(x
i
)
para i = 1, 2, . . . , n. Assim, a cada nvel de tempo, temos que resolver um sistema linear
i
, t
j
) = O(
2
+ h
2
).
Finalmente, vamos analisar a estabilidade do Esquema de CrankNicolson, que e um metodo
que as fun coes e sejam constantes positivas e = 0. Assim, temse que
A
h
U
(j+1)
= B
h
U
(j)
+

F
h
para j = 0, 1, 2, . . . (8.36)
onde

U
(0)
e a condi cao inicial. A matriz A
h
e dada por
A
h
=
_
_
(4 + 1) (2 R
e
)
(2 + R
e
) (4 + 1) (2 R
e
)
(2 + R
e
) (4 + 1)
(2 R
e
)
(2 + R
e
) (4 + 1)
_
_
(8.37)
e a matriz B
h
e dada por
B
h
=
_
_
(4 1) (2 R
e
)
(2 + R
e
) (4 1) (2 R
e
)
(2 + R
e
) (4 1)
(2 R
e
)
(2 + R
e
) (4 1)
_
_
(8.38)
onde o parametro e n umero de Reynolds da celula R
e
sao dado por
=

2 h
2
R
f
, R
e
=
|| h
Impondo as condi coes de contorno U

0
= u
0
e U
n+1
= u
L
, o vetor

F
h
e dado por
F
h
=
_
R
f
f
1
+ (2 + R
e
) u
0
.
.
.
R
f
f
i
.
.
.
R
f
f
n
+ (2 R
e
) u
L
_
_
(8.39)
Para analisar a estabilidade do esquema de CrankNicolson, vamos escrever o sistema (8.36)
da seguinte forma
U
(j+1)
= ( (A
h
)
1
B
h
)
U
(j)
+ (A
h
)
1
F
h
para j = 0, 1, 2, . . . (8.40)
De modo analogo, devemos encontrar a condi cao para a qual a matriz C
h
= (A
h
)
1
B
h
seja convergente, isto e, (C
h
) < 1. Note que a matriz B
h
= 2 I A
h
. Assim, se (
j
, v
j
)
e um autopar da matriz A
h
, entao
_
1
j
, v
j
_
e um autopar da matriz (A
h
)
1
e (
j
, v
j
) e
um autopar da matriz B
h
com
j
= 2
j
.

E facil ver, que
_
j
, v
j
_
e um autopar
da matriz C
h
.
Sabemos que os autovalores da matriz A
h
sao dados por (ver exerccio 3.14)
k
= (4 + 1) 2 (2 R
e
)
_
2 + R
e
2 R
e
cos
_
j
n + 1
_
; k = 1, , n (8.41)
e
< 2, isto e, ( 2 R
e
) > 0. Assim, temos
j
da forma
k
= 1 + 4 2
_
4 R
2
e
cos
_
j
n + 1
_
; k = 1, , n (8.42)
E facil ver que 4 > 2

_
4 R
2
e
, assim todos os autovalores sao positivos e maiores que
1. Desse modo, temos que o menor autovalor e dado por
min
= 1 + 4 2
_
4 R
2
e
cos
_
h
L
_
> 1 (8.43)
Portanto, temos que o raio espectral da matriz (A
h
)
1
e sempre menor que 1, isto e,
(A
h
)
1
e uma matriz convergente.
A Figura 8.1 mostra o graco da fun cao racional
() =
2
; > 1 (8.44)
que facilita o calculo do raio espectral da matriz C
h
, pois seus autovalores sao dados por
k
=
2
k
k
; k = 1, , n
Finalmente, temos que o raio espectral da matriz C
h
e dado por
(C
h
) = max
_
|2
k
|
k
; k = 1, , n
_
< 1 (8.45)
portanto C
h
= (A
h
)
1
B
h
e uma matriz convergente. Desse modo, mostramos que o
esquema de discretiza cao espa cotempo e estavel para R
e
< 2.
Vamos analisar o caso em que R
e
> 2, isto e, ( 2 R
e
) < 0. Neste caso os autovalores
da matriz A
h
sao todos complexos com |
k
| > 1 e Re(
k
) > 1, de acordo com (8.29)
e (8.28). Para facilitar a analise vamos estudar o mapeamento da fun cao complexa
f(z) =
2 z
z
(8.46)
denominada transforma cao linear fracionaria, que transforma crculos e retas em crculos
e retas (Churchill (1975)). Vamos mostrar que a fun cao w = f(z) denida em (8.46)
transforma as retas x = c, com c > 1, em crculos interiores ao crculo unitario |z| = 1,
como mostra a Figura 8.2. Considerando z = c + i y, com c > 1, temos que
lim
z
f(z) = 1 , f(c) < 1 e f(z) = f(z)
Portanto, temos que a fun cao f leva a reta c + i y em um crculo que passa nos pontos
w = 1 e f(c). Como o crculo e simetrico, f(c + i y) = f(c i y), e a semireta
x > c e levada no segmento [1, f(c)]. Concluindo-se que o crculo esta centrado na reta
real e portanto esta dentro do crculo unitario. Desse modo, provamos que o raio espectral
da matriz C
h
e menor que 1.
De um outro modo, vamos mostrar que |f(z)| < 1 Re(z) > 1, provando que o raio
espectral da matriz C
h
e menor que 1. De fato,
2 z
z
< 1
|2 z|
2
|z|
2
< 1
(2 z) (2 z)
|z|
2
< 1
4 4 Re(z) + |z|
2
|z|
2
< 1 4 4 Re(z) < 0 Re(z) > 1
(8.47)
Desse modo, temos que raio espectral da matriz C
h
e dado por
(C
h
) = max
_
2
k
; k = 1, , n
_
< 1 (8.48)
obtendo que C
h
= (A
h
)
1
B
h
e uma matriz convergente. Portanto, mostramos que o
esquema de discretiza cao espa cotempo e incondicionalmente estavel.
0 5 10 15 20 25 30 35
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
)
Figura 8.1: Graco da fun cao racional () denida em (8.44).
1 0.5 0 0.5 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Figura 8.2: Graco do crculo unitario (linha pontilhada) e a imagem da reta x = c, com
c > 1, pela transforma cao linear fracionaria denida em (8.46) (linha solida).
8.6 Projetos
8.6.1 Problemas de AdveccaoDifusao de Evolucao
Considere a equa cao de Advec caoDifusao de evolu cao, para x [0, L] e t > 0,
R
f
u(x, t)
t

2
u(x, t)
x
2
+
u(x, t)
x
+ R
f
u(x, t) = f(x, t) (8.49)
Considere a condi cao de contorno de Dirichlet e a condi cao inicial, respectivamente,
u(0, t) = u
0
e u(L, t) = u
L
para t > 0 (8.50)
u(x, 0) = g(x) para x [0, L] (8.51)
O modelo matematico (8.49)(8.51) pode representar, por exemplo, a inltra cao de um de-
terminado soluto (pesticida) no solo. Estamos denotando por x (m) a variavel espacial,
que consideramos positiva no sentido da profundidade do solo, e por t (dia) a variavel de
tempo. A grandeza u(x, t) (kg m
3
) representa a concentra cao no ponto x no instante de
tempo t, R
f
e o fator de retardo (adimensional), (m
2
d
1
) e a difusibilidade , (md
1
)
e a velocidade do uxo de agua no solo saturado, (d
1
) e o fator de dissipa cao do so-
luto, e f(x, t) (kg m
3
d
1
) uma fonte externa. A difusao do soluto e modelada pelo termo
u
xx
(x, t), o transporte advectivo e modelado pelo termo u
x
(x, t), e o termo R
f
u(x, t)
representa o desaparecimento aparente do soluto. A fun cao g fornece a distribui cao inicial
de concentra cao de soluto. A profundidade do solo que desejamos fazer a simula cao e dada
pelo parametro L (m) , que deve ser escolhido de acordo com os valores do conjunto de
parametros do problema de modo a representar um domnio semiinnito.
Obter o sistema linear proveniente da discretiza cao do problema (8.49)(8.51) pelo Metodo
de Diferen cas Finitas, para uma parti cao regular de [0, L], com espa camento h. Para a
semidiscretiza cao no espa co utilizar uma Formula de Diferen cas Finitas Centrada para o
termo de difusao e para o transporte advectivo utilizar as discretiza coes
1. Esquema de Diferen cas Finitas Centrada
2. Esquema de Diferen cas Finitas Upwind
3. Esquema de Diferen cas Finitas Upstream & Downstream
Na semidiscretiza cao no tempo utilizar os Esquemas de Euler Implcito e CrankNicolson.
Como exemplo, consideramos o seguinte conjunto de valores para os parametros do problema
Profundidade do Solo L = 2.0 m
f
= 16.0 dias
Fator de Retardo R
f
= 3.1
Difusibilidade = 1.0 10
4
m
2
d
1
Velocidade do Fluxo da

Agua = 0.25 md
1
Fator de Dissipac~ao = 0.0 d
1
(8.52)
Vamos tomar uma distribui cao inicial de concentra cao de soluto, como mostra a Figura 8.3,
g(x) = 0.8 exp( 32 x
2
) kg m
3
e a condi cao de contorno
u(0, t) = 0.8 kg m
3
e u(L, t) = 0 para todo t > 0
Consideramos que nao exista uma fonte externa de soluto.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
x [m]
u
(
x
,
0
)

[
k
g

m
3
]
Figura 8.3: Condi cao inicial u(x, 0) (kg m
3
).
No captulo 9, vamos fazer um estudo mais detalhado de um modelo para advec cao de
pesticidas em coluna de solo saturado.
Na Figura 8.4 temos a solu cao numerica obtida pelo Esquema de Diferen cas Finitas Cen-
trada para uma parti cao regular com espa camento h = L/256 para a semi-discretiza cao no
espa co, e o esquema de Euler Implcito para a semi-discretiza cao no tempo com um passo
= t
f
/256. Na Figura 8.5 temos a solu cao numerica obtida pelo mesmo esquema de discre-
tiza cao espa cotempo, considerando um fator de degrada cao = 0.01 d
1
.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
x [m]
u
(
x
,
t
)

[
k
g

m
3
]
Figura 8.4: Solu cao numerica para os tempos t = 0, 2, , 16 dias.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
x [m]
u
(
x
,
t
)

[
k
g

m
3
]
Figura 8.5: Solu cao numerica para os tempos t = 0, 2, , 16 dias, considerando um
fator de degrada cao = 0.01 d
1
.
A seguir, apresentamos um Problema Teste que vamos utilizar para avalia cao do Esquema
CrankNicolson, para a discretiza cao no tempo, associado com o Esquema de Diferen cas Fi-
nitas Upstream & Downstream, para a discretiza cao do transporte advectivo, e o Esquema
de Diferen cas Finitas Centrada para a discretiza cao do termo de difusao. Esta e a melhor
escolha para a discretiza cao espa cotempo para um problema de advec cao dominate.
Para tanto, considere o modelo composto pela equa cao (8.49), com a condi cao de contorno
u(0, t) = 1.0 e
u(L, t)
x
= 0 para t > 0
e pela condi cao inicial u(x, 0) = 0. Para a simula cao, consideramos o seguinte conjunto de
valores para os parametros do problema
Profundidade do Solo L = 3.0 m
f
= 3.0 dias
Fator de Retardo R
f
= 1.0
Difusibilidade = 2.0 10
3
m
2
d
1
Velocidade do Fluxo da

Agua = 0.5 md
1
Fator de Dissipac~ao = 0.0 d
1
(8.53)
A solu cao analtica deste problema e dada por
u(x, t) =
1
2
_
erfc
_
x t
2
_
R
f
t
_
exp
_
x
_
erfc
_
x + t
2
_
R
f
t
_ _
(8.54)
onde erfc e a fun cao erro complementar que e denida da seguinte forma
erfc(z) =
2
_

z
e
2
d
Inicialmente, vamos analisar uma situa cao em que a solu cao exata tem uma regiao de va-
ria cao abrupta, desse modo a solu cao numerica obtida pelo Esquema de Diferen cas Finitas
Centrada para discretizar o termo de advec cao vai apresentar oscila coes. Na Figura 8.6 temos
a solu cao numerica do Problema Teste obtida pela Esquema de Diferen cas Finitas Centrada
(linha solida) e pelo Esquema Upstream & Downstream (linha pontilhada), considerando uma
difusibilidade = 10
4
m
2
d
1
, uma parti cao regular com o espa camento h = L/128, e
o passo no tempo = t
f
/256, para t = 3.0 dias. O Esquema Upstream & Downstream
escolheu o parametro otimo = 0.9915 e apresentou uma difusao numerica de 5.010
3
.
Na Figura 8.7 temos o graco da solu cao exata dada pela equa cao (8.54) e o graco da
solu cao numerica obtida com a discretiza cao espa cotempo descrita acima, e considerando
uma parti cao regular com o espa camento h = L/512, e o passo no tempo = t
f
/256.
Assim, temos que = 0.6179, calculado como em (7.65), e a difusao numerica igual a
3.478 10
4
, menor que a difusao fsica do problema.
Na Figura 8.8 temos o resultado da simula cao numerica com h = L/128, e o passo no
tempo = t
f
/256. Desse modo, temos = 0.8322, calculado como em (7.65), e a difusao
numerica igual a 3.887 10
3
, maior que a difusao fsica do problema.
Na primeira situa cao, temos o valor de proximo de 0.5, assim o Esquema Upstream &
Downstream se aproxima do Esquema de Diferen cas Finitas Centrada. Na segunda situa cao,
temos o valor de proximo de 1.0, assim o Esquema Upstream & Downstream se aproxima
do Esquema de Diferen cas Finitas Upwind. Com os valores dos parametros fsicos dados em
(8.53), a solu cao exata come ca apresentar uma regiao de varia cao abrupta, a solu cao numerica
obtida pelo Esquema de Diferen cas Finitas Centrada para discretizar o termo de advec cao vai
apresentar pequenas oscila coes. Portanto, podemos concluir que o esquema de discretiza cao
espa cotempo utilizado se aplica muito bem ao problema de advec cao dominante, e sera tanto
melhor quanto maior for o renamento da discretiza cao no espa co, devido à diminui cao da
difusao numerica.
0 0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
1.2
x [m]
u
(
x
,
t
)

[
k
g

m
3
]
Figura 8.6: Solu cao numerica do Problema Teste, obtida pela Esquema de Diferen cas Fi-
nitas Centrada (linha solida) e pelo Esquema Upstream & Downstream (linha pontilhada)
considerando uma difusibilidade = 10
4
m
2
d
1
, para t = 3.0 dias.
0 0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
x [m]
u
(
x
,
t
)

[
k
g

m
3
]
Soluo Numrica
Soluo Exata
Figura 8.7: Solu cao numerica do Problema Teste, com uma difusao numerica de 3.5 10
4
,
menor que a difusao fsica, comparada com a solu cao exata para o tempo t = 3.0 dias.
0 0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
x [m]
u
(
x
,
t
)

[
k
g

m
3
]
Soluo Numrica
Soluo Exata
Figura 8.8: Solu cao numerica do Problema Teste, com uma difusao numerica de 3.9 10
3
,
maior que a difusao fsica, comparada com a solu cao exata para o tempo t = 3.0 dias.
Captulo 9
Advec c ao de Pesticidas em Solo
Saturado
9.1 Introducao
A aplica cao de agrotoxicos nos solos e nas culturas e pratica comum na agricultura, mas
quando mal utilizada, pode causar o ac umulo de elementos e/ou de compostos nocivos nos
solos, em nveis indesejaveis. O contato do pesticida com o solo e a agua pode desencadear
varios processos como a adsor cao pelo solo, degrada coes biotica e abiotica, volatiliza cao, den-
tre outros. E quando o pesticida encontra um ciclo hidrologico, esse pode sofrer lixivia cao
e arraste supercial pela enxurrada e sedimentos, contaminando as aguas superciais e do
len col freatico.
Sabemos que, o solo e a primeira linha de defesa para evitar que resduos de pesticidas atin-
jam as aguas mais profundas, pois funciona como ltro qumico e biologico que diminuem
o impacto ambiental dos produtos nocivos introduzidos na biosfera. O solo reduz a mobi-
lidade de produtos qumicos organicos de duas maneiras: pela adsor cao (reten cao) ou pela
degrada cao biologica ou qumica. A reten cao dos pesticidas e afetada por varios atributos
fsico-qumicos do solo, incluindo o teor e o tipo de argila e o teor de materia organica.
Os pesticidas tem anidade pela materia organica do solo, a qual tem um efeito importante
na bioatividade, na persistencia, na biodegradabilidade, no potencial de lixivia cao e na vola-
tilidade dos pesticidas. De fato, talvez a materia organica seja o componente isolado do solo
mais importante na reten cao desses compostos. Assim, a capacidade do solo de atuar como
ltro e afetada fortemente pela quantidade de materia org anica presente.
299
Tendo em vista o objetivo de auxiliar no estudo a respeito da lixivia cao de pesticidas no solo,
vamos apresentar um modelo de advec caodifusao de pesticidas em uma coluna de solo satu-
rado (Ferreira et al. (2001), Freijer et al. (1998), Paraba & Pulino (2003)), que e modelado
por um Problema de Valor Inicial e de Fronteira (PVIF).
Para a obten cao de solu coes numericas para o PVIF, apresentamos alguns Esquemas de
Diferen cas Finitas para a discretiza cao espa cotempo (Pozrikidis (1997), Rappaz & Picasso
(1998)). Os esquemas utilizados para a semidiscretiza cao no espa co, foram o Esquema
de Diferen cas Finitas Centrada e os Esquemas Upwind e Upstream & Downstream para
a discreti cao do transporte advectivo e Esquema de Diferen cas Finitas Centrada para a
discretiza cao do transporte difusivo. Como veremos mais adiante, o Esquema de Diferen cas
Finitas Centrada e condicionalmente estavel, pois depende do n umero de Reynolds da celula,
enquanto que os outros dois esquemas sao incondicionalmente estaveis devido a introdu cao
da difusao numerica. Os esquemas utilizados para a discretiza cao no tempo foram o esquema
de CrankNicolson e o de Euler Regressivo. Ambos sao incodicionalmente estaveis, sendo o
primeiro prefervel por apresentar um erro local de maior ordem.
9.2 Transporte de Solutos em Coluna de Solo Saturado
Neste trabalho estudamos um problema que esta relacionado ao processo de lixivia cao de
pesticidas em solos agricultaveis saturados, ricos em nutrientes ou relativamente salinizados.
Temos a seguir, o modelo de um problema de advec caodifusao com degrada cao de pestici-
das em uma coluna de solo saturado, em condi coes nas quais todas as propriedades fsicas
do solo e de temperatura podem ser controladas em laboratorio. Neste caso nao temos os
efeitos do arraste supercial do pesticida por enxurrada ou por sedimentos, e nem o efeito
de transpira cao da planta.
Este modelo se refere a um experimento onde uma mistura de solo e pesticida e preparada com
uma concentra cao conhecida de pesticida. Uma camada dessa mistura e colocada no topo de
uma coluna de solo ja saturado com agua. Depois e adicionado agua, a uma taxa constante,
no topo da coluna de solo, o que induz o transporte do pesticida a partir da camada superior.
Iremos estudar um modelo tipo advec caodifusao com degrada cao de evolu cao descrito como
R
f
C(x, t)
t
D
2
C(x, t)
x
2
+ V
C(x, t)
x
+ R
f
k C(x, t) = 0 (9.1)
onde
Captulo 9. Advec cao de Pesticidas em Solo Saturado 301
C - concentra cao do soluto, kg m
3
;
t - tempo, dias , (d) ;
x - coordenada espacial (m) , considerada positiva no sentido da profundidade do solo;
R
f
- fator de retardo, adimensional;
D - coeciente de difusao (m
2
d
1
) ;
V - velocidade do uxo de agua (m d
1
) ;
k - fator de degrada cao, (d
1
) ;
O fator de retardo e denido da seguinte forma
R
f
= 1 +
K
D
(9.2)
onde (kg m
3
) e a densidade do solo seco, K
D
= f
oc
K
oc
(m
3
kg
1
) e o coeciente de
sor cao do pesticida no solo, f
oc
e o conte udo de carbono organico no solo, K
oc
(m
3
kg
1
) e
o coeciente de sor cao do pesticida ao carbono organico do solo e e o conte udo volumetrico
de agua no solo (Paraba & Pulino, 2003). O coeciente de difus ao e denido como
D = D
0
+ V (9.3)
onde D
0
(m
2
d
1
) e o coeciente de difusao na agua, e fator do solo e (m) e o
comprimento de dispersao (Ferreira et al. (2001)).
Para a condi cao de fronteira em x = 0 , assumimos que a agua adicionada no topo da coluna
e livre de pesticida. Assim, temos que
V C(0, t) D
C(0, t)
x
= 0 , t > 0 (9.4)
Para a condi cao inicial e para a outra condi cao de fronteira existem duas possibilidades, de-
pendendo do domnio em que iremos trabalhar.
Domnio semi-innito
A camada no topo da coluna de solo que inicialmente contem o pesticida e considerada como
parte do perl do solo, e a sua presen ca e incorporada no domnio pela condi cao inicial
C(x, 0) =
C
0
, 0 < x
0 , < x <
(9.5)
onde C
0
e a concentra cao inicial e (m) e a espessura da camada que inicialmente contem
o pesticida.
Para a condi cao de fronteira em x = , e assumido que nao existe um gradiente de
concentra cao na camada do solo de profundidade innita. Entao
C(, t)
x
= 0 , t > 0 (9.6)
Sob certas condi coes fsicas, a condi cao de fronteira dada em (9.6) e equivalente à condi cao
C(, t) = 0 , isto e, a solu cao nao sofre mais inuencia da condi cao de fronteira.
Domnio nito
A condi cao inicial de concentra cao de soluto tem a mesma deni cao descrita no domnio
semi-innito, e e dada por
C(x, 0) =
C
0
, 0 < x
0 , < x < L
(9.7)
onde C
0
e a conentra cao inicial, (m) e a espessura da camada que inicialmente contem
o pesticida e L e o comprimento da coluna de solo.
A condi cao de fronteira em x = L pode ser dada por
C(L, t)
x
= 0 , t > 0 (9.8)
para indicar que nao existe um gradiente de concentra cao na parte inferior da coluna de solo,
ou por
V C(L, t) D
C(L, t)
x
= 0 , t > 0 (9.9)
caso tambem se queira representar uma situa cao de equilbrio entre o solo e o ar no fundo da
coluna de solo.
Note que, o domnio pode ser considerado nito ou semi-innito dependendo das condi coes
fsico-qumicas do solo e do pesticida utilizado. Por exemplo, uma coluna de solo de 80 cm
pode ser considerada como sendo um domnio semi-innito. Foram adotadas as seguintes
hipoteses simplicadoras
A concentra cao de soluto e pequena e nao afeta o escoamento ou as propriedades fsicas
do solo e da agua nele contida;
A intera cao qumica entre o soluto, o escoamento e o meio poroso e descrita adequada-
mente pela hipotese de sor cao linear;
O soluto absorvido no solo e em solu cao encontra-se em equilbrio local de concentra cao;
A pressao de ar no solo permanece constante ao longo do domnio em estudo e nao
exerce resistencia ao escoamento.
9.3 Simulacao Numerica e Resultados
Nesta se cao apresentamos a analise do modelo de transporte de solutos em coluna de solo
saturado para um domnio nito. Sao vericadas as vantagens de se utilizar determinados
esquemas de diferen cas nitas. Analisamos a eciencia do modelo proposto e apresentamos
o calculo da meia vida do pesticida. Consideremos o modelo a seguir
R
f
C(x, t)
t
D
2
C(x, t)
x
2
+ V
C(x, t)
x
+ R
f
k C(x, t) = 0
V C(0, t) D
C(0, t)
x
= 0 ,
C(L, t)
x
= 0
C(x, 0) =
C
0
, 0 < x
0 , < x < L
(9.10)
Para as simula coes numericas, utilizamos os Esquemas de Euler Regressivo e CrankNicolson,
associados aos Esquemas de Diferen cas Finitas Centrada, Upwind e Upstream & Downs-
tream para a discretiza cao do transporte advectivo. A seguir, mostraremos as discretiza coes
para o PVIF (9.10).
Seja : 0 = x
0
< . . . < x
n
< x
n+1
= L uma parti cao regular de [0, L] , com h = x
i+1
x
i
o
comprimento de cada subintervalo [x
i
, x
i+1
] para i = 0, 1, . . . , n . Vamos denotar por C
(j)
i
a aproxima cao para o valor C(x
i
, t
j
) , fornecida pelo esquema de discretiza cao utilizado,
onde C e a solu cao exata do PVIF descrito em (9.10).
Discretizando a primeira equa cao do problema (9.10) usando o Esquema de Euler Regressivo
associado ao Esquema de Diferen cas Finitas Centrada dado em (7.7), ou a um esquema
equivalente dado em (7.38) ou em (7.57), temos
C
(j+1)
i1
, + C
(j+1)
i
+ C
(j+1)
i+1
=
R
f
h
2
t
C
(j)
i
(9.11)
para i = 1, 2, . . . , n e para j = 0, 1, . . . Temos que, D
e o novo coeciente de difusao,

que depende do esquema utilizado para a discretiza cao do termo advectivo,
=
V h
2
, =
2 D
+ R
f
k h
2
+
R
f
h
2
t
, =
+
V h
2
Discretizando as condi coes de contorno utilizando as Formulas de Diferen cas Finitas Avan cada
e Atrasada com uma aproxima cao da ordem de h
2
, corrigimos a equa cao (9.11) para i = 1
+
4 D
3 D + 2 hV
C
(j+1)
1
+

D
3 D + 2 hV
C
(j+1)
2
=
R
f
h
2
t
C
(j)
1
(9.12)
e para i = n
C
(j+1)
n1
+
+
4
3
C
(j+1)
n
=
R
f
h
2
t
C
(j)
n
(9.13)
Discretizando o problema (9.10), usando o Esquema de CrankNicolson associado ao Es-
quema de Diferen cas Finitas Centrada dado em (7.7), ou a um esquema equivalente dado
em (7.38) ou em (7.57), temos
C
(j+1)
i1
+ C
(j+1)
i
+ C
(j+1)
i+1
= C
(j)
i1
C
(j)
i
C
(j)
i+1
(9.14)
para i = 1, 2, . . . , n e para j = 0, 1, . . . Temos que, D
e o novo coeciente de difusao,

que depende do esquema utilizado para a discretiza cao do termo advectivo,
=
V h
2
, =
+
V h
2
2 D
+ R
f
k h
2
+
2 R
f
h
2
t
, =
2 D
+ R
f
k h
2
2 R
f
h
2
t
Discretizando a condi cao de contorno utilizando as Formulas de Diferen cas Finitas Avan cada
e Atrasada com uma aproxima cao da ordem de h
2
, corrigimos a equa cao (9.14) para i = 1
+
4 D
3 D + 2 hV
C
(j+1)
1
+

D
3 D + 2 hV
C
(j+1)
2
= C
(j)
0
C
(j)
1
C
(j)
2
(9.15)
para j = 0, 1, . . . em que C
(j)
0
e dado por
C
(j)
0
=
D(4 C
(j)
1
C
(j)
2
)
3 D + 2 hV
Para i = n
C
(j+1)
n1
+
+
4
3
C
(j+1)
n
= C
(j)
n1
C
(j)
n
C
(j)
n+1
(9.16)
para j = 0, 1, . . . em que C
(j)
n+1
e dado por
C
(j)
n+1
=
4 C
(j)
n
C
(j)
n1
3
Desse modo, as solu coes numericas sao obtidas atraves da resolu cao dos sistemas dado em
(9.11)(9.12)(9.13), para o caso do Esquema Euler Regressivo e dos sistemas (9.14)(9.15)
(9.16), para o caso do Esquema CrankNicolson.
Consideramos os seguintes parametros para a simula cao do problema (9.10)
L = 0.4 m D = 1.0 10
4
m
2
d
1
T
f
= 16.0 d V = 0.04 md
1
C
0
= 0.8 kg m
3
k = 0.01 d
1
f
oc
= 0.01 K
oc
= 0.06 m
3
kg
1
= 0.4 = 14.0 10
2
kg m
3
R
f
= 3.1 = 0.05 m
(9.17)
onde T
f
e o tempo de evolu cao. Esses dados representam sicamente um solo do tipo
Neossolo quartzarenico e para um pesticida com princpio ativo atrazina (Paraba & Pulino
(2003)).
Usando o Esquema de CrankNicolson associado ao Esquema Upstream & Downstream com
h = 0.4/512 e t = 16/256 , obtivemos a solu cao numerica desse problema. A Figura 9.5
contem o graco de C(x, t) para t = 0, 2, 4, 6, 8, 10, 12, 14, 16 dias e o graco de C(x, t)
para x = 0.1 m .
A seguir analisamos o desempenho do Esquema Upstream & Downstream, para a discre-
tiza cao do transporte advectivo e o Esquema CrankNicolson, para a semidiscretiza cao no
tempo.
Analise de Desempenho do Esquema Upstream & Downstream
Para avaliar o Esquema Upstream & Downstream, utilizamos o problema (9.10) com os
parametros dados em (9.17) e h = 0.4/128 e t = 16/256 . Fixamos o Esquema Crank
Nicolson e resolvemos o problema pelo Esquema de Diferen cas Finitas Centrada, pelo Es-
quema Upwind e pelo Esquema Upstream & Downstream. A Figura 9.5 contem as solu coes
numericas desse problema. Como ja era esperado, o Esquema Upstream & Downstream e o
que apresenta menor difusao numerica, 1.2710
5
; enquanto o Esquema Upwind apresenta
difusao numerica igual a 6.25 10
5
. Note que, o Esquema de Diferen cas Finitas Centrada
nao possui difusao numerica. Porem, para que seja estavel, necessita que o n umero de Rey-
nolds, R
e
= (|V |h)/D , seja menor que 2.
O problema anterior foi resolvido com h = 0.4/128 . Sendo R
e
= 1, 25 o Esquema de
Diferen cas Finitas Centrada permaneceu estavel. Mas se resolvermos o mesmo problema
alterando o coeciente de dispersao para D = 5 10
6
md
1
e mantendo h = 0.4/128 ,
temos que R
e
= 25 > 2 . Os gracos das solu coes numericas desse problema estao na Fi-
gura 9.5, e vemos que a solu cao obtida atraves do Esquema de Diferen cas Finitas Centrada
apresenta oscila coes, mas as solu coes obtidas atraves dos Esquemas Upwind e Upstream &
Downstream sao estaveis, embora apresentem uma grande difusao numerica, 6.25 10
5
e 5.75 10
5
, respectivamente. Mas, ainda assim, e possvel ter uma ideia da solu cao do
problema.
Para que o Esquema de Diferen cas Finitas Centrada deja estavel temos que ter h < 0.4/1600 ,
o que aumenta consideravelmente o custo computacional. Os gr acos das solu coes obtidas
para h = 0.4/1650 estao na Figura 9.5. Neste caso, o Esquema de Diferen cas Finitas
Centrada apresenta estabilidade, pois R
e
= 1.94 , e a difusao numerica dos Esquemas
Upwind e Upstream & Downstream e bem pequena, 4.85 10
6
e 1.48 10
6
, respecti-
vamente.
Analise de Desempenho do Esquema Crank-Nicolson
Para avaliar o Esquema CrankNicolson, usamos o problema (9.10) com os parametros da-
dos em (9.17), mas agora xando o Esquema de Diferen cas Finitas Centrada e resolvendo-o
pelos Esquemas numericos de Euler Regressivo e CrankNicolson. O Esquema de Diferen cas
Finitas Centrada foi escolhido por nao apresentar difusao numerica. Usamos h = 0.4/512 e
t = 16/128 . A Figura 9.5 contem as solu coes numericas obtidas para esse problema. Como
o Esquema de Euler Regressivo apresenta difusao numerica, ca claro a escolha do Esquema
de CrankNicolson para a solu cao dos problemas.
Analise dos parametros
Iniciaremos agora, uma analise dos parametros do problema (9.10). Todas as solu coes
numericas citadas, a seguir, foram obtidas atraves do Esquema de Diferen cas Finitas Centrada
associado ao Esquema numerico de CrankNicolson, usando h = 0.4/512 e t = 16/256 .
Como os dados utilizados nos conduzem a um valor de R
e
< 2 , podemos utilizar o Es-
quema de Diferen cas Finitas Centrada, pois nao apresenta difusao numerica. Os valores dos
parametros usados sao dados em (9.17), com exce cao do valor de um parametro, o qual estara
sendo analisado. Resolvendo o problema para dois valores do uxo de agua (V ) , podemos
ver na Figura 9.5, que diminuindo o uxo de agua, o pesticida demora mais a lixiviar.
Aumentando o fator de degrada cao ( k ), vemos na Figura 9.5, que o pesticida tera, para um
mesmo instante de tempo, uma menor concentra cao. E tambem, na Figura 9.5, vemos as
solu coes obtidas para dois valores do coeciente de difusao ( D ). Como era esperado, para
um menor valor de D temos uma concentra cao maior de pesticida, para um mesmo instante
de tempo.
Para vericar o efeito da materia organica no solo, vamos analisar o comportamento do
modelo com a varia cao do parametro K
D
(coeciente de sor cao do pesticida no solo). Au-
mentando os parametros f
oc
e K
oc
, pela equa cao (9.2), o fator de retardo R
f
aumenta
fazendo com que o pesticida demore mais para lixiviar, o que pode ser observado na Fi-
gura 9.5. Com isso vemos que dependendo das caractersticas do solo e do pesticida, este
pode ter maior ou menor potencial de lixivia cao. Se o solo contem pouco carbono organico
( f
oc
e pequeno) ou a capacidade de sor cao do pesticida no carbono organico e reduzida
( K
oc
e pequeno), entao o pesticida ira lixiviar, atingindo profundidades maiores. Pois,
nessas condi coes, a capacidade de ltragem do solo e reduzida.
O fator de retardo ( R
f
) tambem sera alterado, se modicarmos os valores do conte udo
volumetrico de agua no solo ( ) e da densidade do solo seco ( ). Aumentando , vemos,
na Figura 9.5, que o fator de retardo diminui. Aumentando , o fator de retardo aumenta,
o que ja era previsto pela equa cao (9.2).
Tempo de Meia Vida do Pesticida
Uma caracterstica importante do pesticida e a sua meia vida, que pode ser calculada a partir
da sua curva de degrada cao. Para fazer esse estudo, usaremos o modelo a seguir
R
f
C(x, t)
t
D
2
C(x, t)
x
2
+ V
C(x, t)
x
+ R
f
k C(x, t) = 0
V C(0, t) D
C(0, t)
x
= 0 ,
C(L, t)
x
= 0 , t > 0
(9.18)
C(x, 0) =
C
0
, |x 0.5| /2
0 , caso contrario
(9.19)
onde C
0
e a concentra cao inicial, (m) e a espessura da camada que inicialmente contem
o pesticida e L e o comprimento da coluna de solo.
Para que as condi coes de fronteira nao tenham inuencia na solu cao do problema (9.10),
alteramos a sua condi cao inicial, obtendo assim o problema (9.18)(9.19). E tambem por
esse motivo, alteramos o comprimento da coluna para L = 1.6 m , o tempo de evolu cao para
T
f
= 32 dias e o valor do fator de degrada cao ( k ).
Em primeiro lugar, vamos encontrar a curva de degrada cao analiticamente e depois atraves
das simula coes numericas. Consideremos o seguinte modelo
R
f
C(x, t)
t
D
2
C(x, t)
x
2
+ V
C(x, t)
x
+ R
f
k C(x, t) = 0
C(0, t)
x
= 0 ,
C(L, t)
x
= 0
(9.20)
com a condi cao inicial dada em (9.19). Devido essa condi cao inicial estar longe da fronteira, e
o comprimento da coluna ser grande, temos que a solu cao desse problema nao tem inuencia
das condi coes de contorno, e com isso podemos assumir que C(0, t) = 0 e C(L, t) = 0 .
Para obter a curva de degrada cao, integramos a primeira equa cao do problema (9.20) sobre
o domnio [0, L]
R
f
L
0
C(x, t) dx D
L
0
2
C(x, t)
x
2
dx + V
L
0
C(x, t)
x
dx + R
f
k
L
0
C(x, t) dx = 0
o que obtemos
R
f
M(t)
t
+
D
C(x, t)
x
+ V C(x, t)
x=L
x=0
+ R
f
k M(t) = 0
Pelas condi coes de fronteira e por C(0, t) = 0 e C(L, t) = 0 , temos
M(t)
t
+ k M(t) = 0
Resolvendo a equa cao diferencial ordinaria acima, obtemos
M(t) = M
0
e
k t
(9.21)
onde M
0
=
L
0
C(x, 0) dx = C
0
(kg m
2
).
Para encontrar a curva de degrada cao simulada, integramos a solu cao numerica do problema
(9.18)(9.19) atraves das regras dos trapezios e utilizamos a regra do retangulo do ponto
medio para integrar a condi cao inicial, pois esta pode apresentar descontinuidade.
Note que podemos considerar as condi coes de fronteira do problema (9.18)(9.19) equiva-
lentes às condi coes de fronteira do problema (9.20)(9.19), pois, devido à condi cao inicial,
a solu cao de ambos os problemas nao sofre inuencia da fronteira. Nas Figuras 9.5 e 9.5
sao apresentadas as solu coes numericas do problema (9.18)(9.19) para k = 0.08 d
1
e
k = 0.0346574 d
1
, respectivamente.
As Figuras 9.5 e 9.13 contem os gracos das curvas de degrada cao obtidas numericamente
e analiticamente para o problema anterior com k = 0.08 d
1
e k = 0.0346574 d
1
,
respectivamente. Com isso, encontramos o valor de 8.6 dias para a meia vida do pesticida
com k = 0.08 d
1
e 20 dias para a meia vida do pesticida com k = 0.0346574 d
1
.
Note que, nas Figuras 9.5 e 9.13, as curvas degrada cao calculadas numericamente e analitica-
mente coincidem. O valor de k = 0.0346574 d
1
usado anteriormente foi calculado atraves
da equa cao (9.21) para que tivessemos uma meia vida igual a 20 dias . Vericamos entao,
que aumentando o coeciente de degrada cao, diminumos a meia vida do pesticida, como ja
era esperado.
9.4 Conclusao
Atraves das analises realizadas, conclumos que os Esquemas de Diferen cas Finitas aplica-
dos sao ecientes para problemas de advec cao dominante, e que o modelo proposto para a
simula cao da inltra cao de soluto em solo saturado e consistente, pois apresenta resultados
fsicos coerentes.
Para a solu cao numerica do modelo apresentado, o esquema numerico mais eciente para a
discretiza cao no tempo e o Esquema de CrankNicolson, e para a discretiza cao no espa co usa-
mos sempre o Esquema de Diferen cas Finitas Centrada para a discretiza cao do transporte di-
fusivo, e o Esquema de Diferen cas Finitas Centrada ou o Esquema Upstream & Downstream
para a discretiza cao do transporte advectivo, dependendo do n umero de Reynolds e se existe
alguma regiao de transi cao muito rapida da concentra c ao. O Esquema de Diferen cas Finitas
Centrada e eciente quando R
e
< 2 e o Esquema Upstream & Downstream conduz a uma
solu cao tanto mais proxima da solu cao exata quanto menor for a difusao numerica em rela cao
a difusao fsica.
Assim, podemos utilizar este modelo e os Metodos de Diferen cas Finitas para fazer simula coes
numericas e delinear experimentos praticos, como por exemplo: escolher pontos e instantes
de tempos apropriados para se coletar os dados da coluna de solo, com o objetivo de estudar
o comportamento de um determinado pesticida em condi cao de laboratorio.
9.5 Gracos das Simulacoes Numericas
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Figura 9.1: Graco de C(x, t)
Solu cao numerica do problema (9.10) com os valores dos parametros dado em (9.17), uti-
lizando o Esquema de CrankNicolson associado ao Esquema Upstream & Downstream
com h = 0.4/512 e t = 16/256.
`
A esquerda, temos o graco de C(x, t) para
t = 0, 2, 4, 6, 8, 10, 12, 14, 16 dias.
`
A direita, temos o graco de C(x, t) para x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
Upstream & Downstream
0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
Figura 9.2: Compara cao dos esquemas de discretiza cao no espa co
Solu cao numerica do problema (9.10) com os valores dos parametros dado em (9.17), uti-
lizando o Esquema de CrankNicolson com h = 0.4/128 e t = 16/256. Com isso,
R
e
= 1.25.
`
A esquerda, temos o graco de C(x, t) para t = 16 dias.
`
A direita, temos o
graco de C(x, t) para x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
0 2 4 6 8 10 12 14 16
0.2
0.1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
Figura 9.3: Condi cao de estabilidade
Solu cao numerica do problema (9.10) com os valores dos parametros dado em (9.17), utili-
zando o Esquema de CrankNicolson com h = 0.4/128, t = 16/256 e D = 5 10
6
md
1
.
Assim, temos R
e
= 25.
`
`
A direita,
temos o graco de C(x, t) para x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Centrada
Upwind
Figura 9.4: Condi cao de estabilidade
zando o Esquema de CrankNicolson com h = 0.4/1650, t = 16/256 e D = 510
6
m, d
1
.
Assim temos R
e
= 1.94.
`
`
A
direita, temos o graco de C(x, t) para x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Crank Nicolson
Euler Regressivo
0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Crank Nicolson
Euler Regressivo
Figura 9.5: Compara cao dos esquemas de discretiza cao no tempo
zando o Esquema de Diferen cas Finitas Centrada e h = 0.4/512 e t = 16/128.
`
A esquerda,
temos o graco de C(x, t) para t = 16 dias.
`
A direita, temos o graco de C(x, t) para
x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
V = 0.04 m/d
V = 0.03 m/d
0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
V = 0.04 m/d
V = 0.03 m/d
Figura 9.6: Concentra coes para duas velocidades do uxo
zando o Esquema de CrankNicolson associado ao Esquema de Diferen cas Finitas Centrada
com h = 0.4/512 e t = 16/256.
`
`
A direita, temos o graco de C(x, t) para x = 0.1 m.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
k = 0.01 d
1
k = 0.04 d
1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
D = 1x10
4
m
2
/d
D = 5x10
5
m
2
/d
Figura 9.7: Efeito da degrada cao e difusao, concentra c ao em t = 16 dias
com h = 0.4/512 e t = 16/256.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
foc = 0.01
foc = 0.03
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Koc = 0.06 m
3
/kg
Koc = 0.08 m
3
/kg
Figura 9.8: Efeito do conte udo de carbono organico e do coeciente de sor cao
com h = 0.4/512 e t = 16/256.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
= 0.4
= 0.6
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
= 1400 kg/m
3
= 2500 kg/m
3
Figura 9.9: Efeito do conte udo volumetrico de agua no solo e da densidade do solo seco
com h = 0.4/512 e t = 16/256.
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Solu cao numerica do problema (9.18)(9.19) com os valores dos parametros dado em (9.17) e
k = 0.08 d
1
, utilizando o Esquema de CrankNicolson associado ao Esquema de Diferen cas
Finitas Centrada com h = 1.6/512 e t = 32/256.
`
A esquerda, temos o graco de
C(x, t) para t = 0, 4, 8, 12, 16, 20, 24, 28, 32 dias.
`
A direita, temos o graco de C(x, t) para
x = 0.8 m. A Curva de degrada cao e apresentada na Figura (9.5). O tempo de meia vida do
pesticida e de 8.6 dias.
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
M
(
t
)
/
M
o

[
k
g
/
m
2
]
Soluao Numrica
Soluao Analtica
Figura 9.11: Curvas de degrada cao, simulada e analtica.
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Profundidade [m]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
C
o
n
c
e
n
t
r
a
o

[
k
g
/
m
3
]
Solu cao numerica do problema (9.18)(9.19) com os valores dos parametros dado em (9.17)
e k = 0.0346574 d
1
; utilizando o Esquema de CrankNicolson associado ao Esquema de
Diferen cas Finitas Centrada com h = 1.6/512 e t = 32/256.
`
A esquerda, temos o graco
de C(x, t) para t = 0, 4, 8, 12, 16, 20, 24, 28, 32 dias.
`
A direita, temos o graco de C(x, t)
para x = 0.8 m. A Curva de degrada cao e apresentada na Figura (9.13). O tempo de meia
vida do pesticida e de 20 dias.
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo [dia]
M
(
t
)
/
M
o

[
k
g
/
m
2
]
Soluao Numrica
Soluao Analtica
Figura 9.13: Curvas de degrada cao, simulada e analtica.
Bibliograa
[1] Aoki, M. (1971), Introduction to Optimization Techniques, The Macmillian Com-
pany.
[2] Arfken, G. B. & Weber, H. J. (1995), Mathematical Methods for Physicists,
Academic Press.
[3] Apostol, Tom M. (1967), Calculus, Volume I , John Wiley & Sons.
[4] Blyth, C. A., Triggs, C. M. & Small, J. P. (2000), The Hodrick-Prescott
Filter. a Generalization, and a New Procedure for Extracting an Empirical Cycle from
a Series, Quarterly Journal, Vol. 4, No. 1, April.
[5] Boyce, W. E. & DiPrima, R. C. (1998), Equa coes Diferenciais Elementares e
Problemas de Valores de Contorno, Editora Guanabara Dois.
[6] Burden, R. L. & Faires, J. D. (2003), Analise Numerica, Thomson.
[7] Churchill, Ruel V. (1978), Serie de Fourier e Problemas de Valores de Contorno,
Guanabara Dois.
[8] Churchill, Ruel V. (1975), Variaveis Complexas e suas Aplica coes, McGrawHill
do Brasil e Editora da USP.
[9] Ciarlet, Philippe G. (1991), Introduction to Numerical Linear Algebra and Opti-
misation, Cambridge University Press.
[10] Conte, S. D. & de Boor, C. (1980), Elementary Numerical Analysis, MacGraw-
Hill.
[11] Ferreira, W. R., Fortes, M. & Junho, R. A. C. (2001), Inltra cao de So-
lutos em Solos Agrigultaveis Irrigados - Solu cao Numerica pelo Metodo Difusional,
Engenharia Agrcola, Jaboticabal, v.21, n.3, p.247255.
319
[12] Figueiredo, D. G. (2000), Analise de Fourier e Equa coes Diferenciais Parciais,
Projeto Euclides, IMPA, Quarta Edi cao.
[13] Forsythe, G. E. & Moler, C. B. (1967), Computer Solution of Linear Algebraic
Systems, PrenticeHall.
[14] Freijer, J. I., Veling, E. J. M. & Hassanizadeh, S. M. (1998), Analytical
Solution of the ConvectionDispersion Equation Applied to Transport of Pesticides in
Soil Columns, Environmental Modelling & Software, 13, 139149.
[15] Goldberg, Jack L. (1991), Matrix Theory with Applications, McGrawHill.
[16] Golub, G. H. & Van Loan, C. F. (1996), Matrix Computations, John Hopkins.
[17] Hestenes, M. R. & Stiefel, E. (1952), Methods of Conjugate Gradients for
Solving Linear Systems, J. Res. Nat. Bur. Stand, Vol. 49, 409436.
[18] Horn, R. & Johnson, C. R. (1985), Matrix Analysis, Cambridge University.
[19] Incropera, F. P. & DeWitt, D. P. (1998), Fundamentos de Transferencia de
Calor e de Massa, Editora LTC, Quarta Edi cao.
[20] Isaacson, E. & Keller, H. B. (1994), Analysis of Numerical Methods, Dover.
[21] LeVeque, R. J. (1990), Numerical Methods for Conservation Laws, Birkhauser.
[22] Luenberger, D. D. (1973), Introduction to Linear and Nonlinear Programming,
AddisonWesley.
[23] Morton, K. W. & Mayers, D. F. (2001), Numerical Solution of Partial Dieren-
tial Equations, Cambridge University Press.
[24] Morton, K. W. (1996), Numerical Solution of ConvectionDiusion Problems,
Chapman & Hall.
[25] Paraba, L. C. & Pulino, P. (2003), Simula cao Numerica da Dispers ao-Advec cao
de Pesticidas sob o Efeito da Temperatura do solo: o Modelo DAPESTE, Relatorio
de Pesquisa 04/2003, IMECC, UNICAMP.
[26] Pozrikidis, C. (1997), Introduction to Theoretical and Computational Fluid Dyna-
mics, Oxford University Press, New York.
Bibliograa 321
[27] Pulino, P. & Torres, M.H.C. (2006), Esquemas Compactos de Diferen cas Finitas
de Alta Ordem para Problemas de Poisson: Aplicativos para WEB, VII Simposio de
Mecanica Computacional, CD ROM, ISBN: 85-99872-02-8, 16 p aginas, AraxaMG,
Brasil, 31 de Maio a 02 de Junho de 2006.
[28] Rappaz, J. & Picasso, M. (1998), Introduction à lanalyse numerique, Presses
polytechniques et universitaires romandes.
[29] Shames, I. H. (1973), Mecanica dos Fluidos, Volume 2, Editora Edgard Bl ucher
LTDA.
[30] Stephenson, G. (1975), Uma Introdu cao às Equa coes Diferenciais Parciais, Editora
da USP.
[31] Strang, G. (1980), Linear Algebra and its Applications, Harcourt Brace.
[32] Tijonov, A. N. & Samarsky, A. A. (1980), Ecuaciones de la Fisica Matematica,
Editorial Mir, Moscu, Segunda Edicion.
[33] Thomas, J. W. (1995), Numerical Partial Dierential Equations: Finite Dierence
Methods, Springer.
[34] Trefethen, Lloyd N. & Bau, David (1997), Numerical Linear Algebra, SIAM.
[35] Vargas, R. S. (2000), Matrix Iterative Analysis, Second Edition, Springer.
[36] Wang, S., Tang, J. & Cavalieri, R. P. (2001), Modeling Fruit Internal Heating
Rates for Hot Air and Hot Water Treatments, Postharvest Biology and Technology,
v.22, p.257270.
[37] Watkins, D. W. (1991), Fundamentals of Matrix Computations, John Wiley & Sons.

Algebra Linear e MDF

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algebra Linear e MDF

Transféré par

Droits d'auteur :

Formats disponibles

Metodos de Diferencas Finitas

Aspectos Teoricos, Computacionais e Aplica c oes

AsTeCA/ a implementa cao computacional em Matlab

. Se existem constantes positivas C e p tais que

Algebra Matricial Computacional

E facil mostrar que as aplica coes | |

20 Metodos de Diferen cas Finitas

satisfaz as propriedades de norma matricial consistente

Demonstracao Note que, as propriedades 13 sao obtidas pelas propriedades 13 de

o que completa a demonstra cao.

Assim, mostramos que

= 1, O que completa a demonstra cao.

(A) = [[[ A[[[

temse que [[[ I [[[

e a solu cao do sistema

e a solu cao do sistema linear

e a solu cao do sistema linear (2.5), temos que

do sistema linear (2.5) esteja

esta na dire cao de maxima amplia cao

e a solu cao do sistema linear perturbado

do sistema linear perturbado

do sistema linear perturbado

a solu cao do sistema linear perturbado (2.25).

e obtido da seguinte forma

e a solu cao exata do sistema linear (2.5), temos que

e a solu cao do sistema linear perturbado (A + A) (x + x) = b.

e um Ponto Crtico do funcional J se, e somente se,

)(v) = 0 para todo v IR

(x + tw)(v) = Ax , v ) + t Aw, v ) b , v ) ; t IR (3.10)

(x; v)(w) = Aw, v ) (3.11)

; v)(v) > 0 para

do sistema linear 3.1.

como ilustra a Figura 3.3, conforme o resultado do Teorema 2.15. Algebricamente,

A) bem menor que /

e construir uma seq uencia

+ d. Desse modo, temos que

= ( 1 ) D U. Assim a matriz de itera cao

, desde que a matriz M

seja nao singular. Temos que, se a

for convergente, isto e, (G

) < 1, o processo iterativo (3.60) converge para a

em fun cao do parametro de relaxa cao . Para = 1.0 temos

) (G). Este resultado e devido ao fato da matriz A ser

em fun cao do parametro .

em fun cao do parametro de relaxa cao . Para

) = 0.9082, que e a matriz de itera cao de GaussSeidel. Para

) = 0.6991, que e o melhor parametro para o Metodo da Relaxa cao

em fun cao do parametro .

, como sendo a solu cao do sistema linear perturbado. Desse

E facil vericar que, como cada transforma cao de Gauss M

E importante observar a forma como foi feita o armazenamento da matriz A, considerando

(x) + u(x) = f(x) ; x (0, L)

2. Calcular a matriz de Itera cao do

(x) = f(x) ; x (0, 1) (3.98)

(x) por uma Formula de Diferen cas Finitas

(x) , temse que

(x) dada por uma Formula de Diferen cas

(x) por uma Formula de Diferen cas Finitas

no ponto x , utilizando as informa coes dos pontos x , x + h e x + 2 h . Para tanto,

(x) , temos que

(x) dada por uma Formula de Diferen cas

(x) , temse que

(x) por uma Formula de Diferen cas Finitas

(x) , temse que