Académique Documents
Professionnel Documents
Culture Documents
Métodos Numéricos
com Aplicações em
Modelagem
Computacional
1. Motivação
1.1. Motivação 1: Solução de Sistemas de Equações Algébricas Lineares 1
1.2. Motivação 2: Solução de Equações Não-Lineares 5
1.3. Motivação 3: Erro de Truncamento 8
1.4. Motivação 4: Erros de Arredondamento 1 (round-off) 9
1.5. Motivação 5: Erros de Arredondamento 2 (round-off) 11
1.6. Motivação 6: Solução de Equações Diferenciais Ordinárias 11
1.7. Motivação 7: Integração Numérica 14
1.8. Motivação 8: Interpolação e Ajuste de Curvas 16
1.9. Exercícios 18
2. Erros
2.1. Representação de Números em Computadores 24
2.2. Aritmética de Ponto Flutuante 29
2.3. Fontes e Propagação de Erros 36
2.4. Exercícios 41
5. Integração Numérica
5.1. Introdução 120
5.2. Regra do Trapézio 121
5.3. Regra de Simpson 124
5.4. Quadratura Gaussiana 126
5.5. Integração em Duas Dimensões 132
5.6. Exercícios 134
6. Solução Numérica de Sistemas de Equações Algébricas Lineares
1.1 – Motivação 1:
Solução de Sistemas
de Equações Algébricas
Lineares
d 2T (x ) 1
+ g ( x ) = 0, 0< x<L (1.1a)
dx 2 k
T (0) = T (L ) = 0 (1.1b)
T (0) = 0 T (L ) = 0
g (x)
x
X
x = 0 x=L
X =0 X =1
1
• MOTIVAÇÃO •
T
u= (1.2a)
TR
x
X = , 0 < X <1 (1.2b)
L
L2
f (x ) = g (x ) (1.2c)
kTR
dx = L dX (1.3)
d 2u
− = f ( X ), 0 < X <1 (1.4a)
dX 2
u (0 ) = u (1) = 0 (1.4b)
0 1 2 3 4 5 6
X =0 X =1
∆X
2 3 4
du d 2u (∆X) d 3u (∆X) d 4u (∆X)
u( X0 + ∆X) = u( X0 ) + ∆X+ 2 + + +L (1.5a)
dX X0 dX X 2! dX3 X 3! dX 4 X 4!
0 0 0
2 3
u( X0 −∆X) = u ( X0 ) −
du d 2u (∆X) d 3u (∆X) d 4u
∆X+ 2 − +
(∆X)4 +L (1.5b)
dX X0 dX X 2! dX3 X 3! dX 4 X0
4!
0 0
2
• MOTIVAÇÃO •
d 2u 2 d 4u
u( X 0 + ∆X ) + u( X 0 − ∆X ) = 2u( X 0 )+ (∆X )2 + (∆X )4 + L
dX 2 X0
4! dX 4 X0
(1.6)
Logo,
d 2u u ( X 0 + ∆X ) − 2u ( X 0 ) + u ( X 0 − ∆X ) 2
2
= 2
+ O (∆X ) (1.7)
dX (∆X )
2 2
Os termos desprezados, de ordem (∆X ) , ou seja O (∆X ) , constituem o
erro de truncamento devido à impossibilidade de se considerar um número
infinito de termos.
Será feita uma mudança de notação visando escrever as equações da
forma mais simples possível. Observando a Fig. 1.3 escreve-se:
u ( X 0 + ∆X ) = ui +1 (1.8a)
u ( X 0 ) = ui (1.8b)
u ( X 0 − ∆X ) = ui −1 (1.8c)
X 0 − ∆X X0 X 0 + ∆X
∆X ∆X
X i −1 Xi X i +1
Figura 1.3 – Mudança de notação para a representação dos nós da malha computacional.
d 2u ui +1 − 2ui + ui −1
= (1.9)
dX 2 Xi
(∆X )2
3
• MOTIVAÇÃO •
onde
fi = f ( X i ) (1.11)
u0 = u6 = 0 (1.12 a,b)
obtém-se
2
i = 1 → −u2 + 2u1 = f1 ⋅ (∆X )
2
i = 2 → −u3 + 2u2 − u1 = f 2 ⋅ (∆X )
2
i = 3 → −u4 + 2u3 − u2 = f3 ⋅ (∆X ) (1.13)
2
i = 4 → −u5 + 2u4 − u3 = f 4 ⋅ (∆X )
2
i = 5 → 2u5 − u4 = f5 ⋅ (∆X )
Em forma matricial,
u1 f1 ⋅ (∆X )
2
2 −1 0 0 0
− 1 2 −1 0 0 u f ⋅ (∆X ) 2
2 2
2
0 −1 2 −1 0 u3 = f 3 ⋅ (∆X ) (1.14)
u 2
0 0 −1 2 − 1
4 f 4 ⋅ (∆X )
0 0 0 −1 2 u5 f ⋅ (∆X ) 2
5
4
• MOTIVAÇÃO •
d 2u u − 2ui + ui −1 2 d 4u (1.16)
2
+ f ( X ) = i +1 2
+ f (Xi ) + 4
(∆X )2 + L
dX
1424 43 4 1444424444 (∆X ) 3 144
4! dX 42444 3
ED EDF ET
ou seja,
ED = EDF + ET (1.17)
2
onde ET é de ordem (∆X ) .
1.2 – Motivação 2:
Solução de Equações
Não-Lineares
F (x ) = 0 (1.19)
x = f (x ) (1.20a)
x = F (x ) + x = f (x ) (1.20b)
5
• MOTIVAÇÃO •
Na Fig. 1.5 são representadas quatro situações possíveis: (a) 0 < f ′( x ) < 1 ;
(b) − 1 < f ′( x ) < 0 ; (c) f ′( x ) > 1 ; e (d) f ′(x ) < −1 . Partindo-se de uma
estimativa inicial x0 são mostradas as estimativas xk obtidas a cada passo do
procedimento iterativo, com k = 1,2,K Nos dois primeiros casos, o método
converge para a solução x * . Nos casos (c) e (d) o método não converge.
Antes de se empregar um método numérico para resolver um problema,
deve-se tentar conhecê-lo o suficiente para evitar situações como aquelas
representadas nas Figs. 1.5(c) e (d), ou como acontece em alguns casos, até
mesmo a obtenção de resultados incorretos.
F (x) F (x)
F0
F0
0 x0 x 0 x0 x* x
x*
(a) (b)
Figura 1.4 – Raízes de equações não-lineares. x0 representa uma estimativa inicial para o
procedimento numérico e x * representa o valor que se deseja determinar
6
• MOTIVAÇÃO •
y y
y=x y=x
0 < f ′( x) < 1 − 1 < f ′( x) < 0
y = f ( x)
y = f (x )
x0 x1 x2 x * x x0 x2 x * x1 x
(a) (b)
y=x
y y
y = f ( x)
x * x0 x1 x2 x x4 x2 x0 x* x1 x3 x5 x
(c ) (d )
7
• MOTIVAÇÃO •
1.3 – Motivação 3:
Erro de Truncamento
∂ 2T (x, t ) 1 ∂T ( x, t )
= , em 0 < x < L, para t >0 (1.21a)
∂x 2 α ∂t
∂T ( x, t )
= 0 em x = 0 , para t > 0 (Neumann) (1.21b)
∂x
∂T ( x, t )
+ H 2T ( x, t ) = 0 em x = L , para t > 0 (Robin) (1.21c)
∂x
k
onde α = , sendo α a difusividade térmica do material, k a condutividade
ρc p
térmica, ρ a densidade, c p o calor específico, e H 2 está relacionado com a
condutividade térmica k e com o coeficiente de troca térmica por convecção da
superfície do meio para um fluido na temperatura T = 0 , fluido este que se
encontra em contato com a superfície em x = L .
Neumann Robin
∂T ∂T
=0 + H 2T x=L
=0
∂x x=0 ∂x x=L
isolamento
térmico troca de calor
por convecção
x=0 x=L
8
• MOTIVAÇÃO •
2 2
βm+ H2
∞ 2
−α β
T ( x , t ) = 2∑ e
t L
cos (β m x )∫ F ( y ) cos(β m y )dy (1.22)
( )
m
2 2 y =0
m =1 L β m + H 2 + H2
( )
β m tan β m L = H 2 (1.23)
cos(β m x )
∞ 2
−α β
T ( x, t ) = 2T0 ∑ e
t
m H2 (1.24)
m =1 ( 2
2
m )
L β + H 2 + H 2 cos(β m L )
9
• MOTIVAÇÃO •
( x1 , y1 ) em t 1
v y0 v0
( x 2 , y 2 ) em t 2
g
y0
( x0 , y 0 ) em t = 0
v x0
x
x0 x1 x2
Figura 1.7 – Representação esquemática da trajetória de um projétil.
{ }
Dadas as condições iniciais x0 , y0 , vx0 , v y 0 , toda a trajetória do projétil
representado na Fig. 1.7 pode ser calculada em função do tempo empregando as
equações
vx0 t1 + x0 = x1 (1.26a)
g 2
v y0 t1 + y0 − t1 = y1 (1.26b)
2
v x0 t 2 + x 0 = x 2 (1.26c)
g 2
v y0 t 2 + y 0 − t 2 = y2 (1.26d)
2
x2 − x1
v x0 = (1.27)
t2 − t1
10
• MOTIVAÇÃO •
x0 = x1 − vx0 t1 (1.28)
ax 2 + bx + c = 0 (1.29)
dadas por
− b ± b 2 − 4ac
x= (1.30)
2a
1.6 – Motivação 6:
Solução de Equações
Diferenciais Ordinárias
11
• MOTIVAÇÃO •
como o próprio UF4 não reagido. O UF6 gerado prossegue no processo para
outras etapas de transformação.
Na reação química do UF4 com o F2 há um déficit de energia (reação
endotérmica) sendo necessário o contínuo aquecimento do reator. Este
aquecimento é feito por um circuito a ar.
No início do processo todas as tubulações, bem como o reator,
encontram-se frios, i.e. na temperatura ambiente Tamb.
Em um dado instante de tempo, por exemplo, t = 0 , o soprador do
circuito a ar e o aquecedor elétrico, existente no interior do mesmo, são ligados.
A potência do aquecedor é conhecida em qualquer instante de tempo, sendo aqui
•
representada por Q(t ) .
UF4 sólido
Ambiente na
Camisa de Aquecimento
temperatura Tamb
•
Q conv
Aquecedor
•
Q (t )
UF6 gasoso
Soprador
Coletor de Cinzas e
de UF4 não reagido
12
• MOTIVAÇÃO •
dT (t ) •
ρVc p = Q(t ) − hA[T (t ) − Tamb ] (1.33a)
dt
T (0 ) = Tamb (1.33b)
•
dT (t ) Q (t ) hA
= − [T (t ) − Tamb ] (1.34a)
dt ρVc p ρVc p
T (0 ) = Tamb (1.34b)
ou mudando a notação,
dy ( x )
= f ( x, y ) (1.35a)
dx
y ( x0 ) = y0 (1.35b)
13
• MOTIVAÇÃO •
onde
x=t (1.36a)
y =T (1.36b)
x0 = 0 (1.36c)
y 0 = Tamb (1.36d)
• •
Q(t )
f (x, y ) ≡ f (t , T ) = −
hA
[T (t ) − Tamb ] = Q(t ) − hA [y(x) − y0 ]
ρVcp ρVcp ρVcp ρVcp
(1.36e)
1.7 – Motivação 7:
Integração Numérica
∂I (τ , µ ) ω 1
µ + I (τ , µ ) = S (τ , µ ) + ∫ p (µ, µ′) I (τ , µ′) dµ′ , 0 < τ < τ 0 , −1 ≤ µ ≤ 1
∂τ 2 -1
(1.37a)
1
I (0, µ ) = A1 + 2 ρ1 ∫ 0 I (0, − µ ′) µ ′dµ ′, µ > 0 (1.37b)
1
I (τ 0 , − µ ) = A2 + 2 ρ 2 ∫ 0 I (τ 0 , µ ′) µ ′dµ ′, µ > 0 (1.37c)
14
• MOTIVAÇÃO •
onde µ é o cosseno do ângulo polar, i.e. cosseno do ângulo formado pelo feixe
de radiação com o eixo τ positivo, I é a intensidade da radiação, τ é a variável
óptica, S representa uma fonte interna distribuída no meio, ω é o albedo de
espalhamento simples, p é a função de fase de espalhamento anisotrópico,
sendo p = 1 para o caso particular de espalhamento isotrópico, τ0 é a espessura
óptica do meio, A1 e A2 representam as intensidades da radiação isotrópica
incidente nas superfícies de contorno τ = 0 e τ = τ 0 , respectivamente, e ρ1 e ρ 2
representam as reflectividades difusas na parte interna destas superfícies.
A1 A2
ρ1 ρ2
µ<0 µ >0
µ = −1 µ =1
θ
µ =0
τ
x
τ =0 τ = τ0
x=0 x=L
1 N
15
• MOTIVAÇÃO •
∂I (τ , µ m ) ω N
µm + I (τ , µ m ) = S (τ , µ m ) + ∑ an p(µ m , µ n ) I (τ , µ n ) m = 1, 2,K, N
∂τ 2 n =1
(1.39)
µ = −1 µ =1
µN µN
+1
2 2
µ N −1 µ2
µ<0 µ >0
µN µ1
µ =0
1.8 – Motivação 8:
Interpolação e Ajuste
de Curvas
16
• MOTIVAÇÃO •
N 2
S = ∑ [x(t i ) − y i ] (1.40)
i =1
x (t )
(t N , x N ) x (t ) = v x0 t + x 0
ou então
(t 3 , x 3 )
x ( t ) = at + b
(t 4 , x 4 )
(t1 , x1 ) dados experim entais
(t 2 , x 2 )
x0
t
Figura 1.11 – Ajuste de uma reta a dados experimentais reais.
17
• MOTIVAÇÃO •
1.9 – Exercícios
x1 = f ( x0 )
x2 = f ( x1 )
M
i.e., xk +1 = f ( xk ), k = 0, 1, 2,K, N
*
xk = f ( xk −1 )
M
(
xN * = f xN * −1 )
f ′(x ) < −1
− 1 < f ′( x ) < 0
0 < f ′( x ) < 1
f ′(x ) > 1
du u −u
= i +1 i + O (∆X )
dX i ∆X
du u − ui −1
= i + O (∆X )
dX i ∆X
18
• MOTIVAÇÃO •
du
diferenças finitas para a derivada primeira, , com erro de truncamento
dX
de O (∆X 2 ) :
du − 3ui + 4ui +1 − ui + 2
= + O (∆X ) 2
dX i 2∆X
du 3u − 4ui −1 + ui − 2
= i + O (∆X ) 2
dX i 2∆X
d 2u u − 2ui +1 + ui + 2
2
= i + O (∆X )
dX i (∆X ) 2
d 2u u − 2ui −1 + ui − 2
2
= i + O (∆X )
dX i (∆X ) 2
1
a) ∫ −1
sen2 µ dµ
1
b) ∫ −1
e µ dµ
1 µ
c) ∫ (aµ + b )
−1 3
dµ
1
d) ∫ −1
µ 2 e aµ dµ
19
• MOTIVAÇÃO •
1
a) ∫ 0
sen2η dη
1
b) ∫ 0
eη dη
1 η
c) ∫ (aη + b)
0 3
dη
1
d) ∫ 0
η 2e aη dη
0
η
1
−1
Figura 1.12 – Mudança de variáveis. η no intervalo [0, 1] e µ no intervalo [− 1, 1] .
(1.9.6.b) Empregue quadraturas para o domínio [0, 1] . Tanto neste caso quanto
no caso anterior, (1.9.6.a), experimente diferentes ordens de quadratura, N .
Faça uma tabela comparando os resultados analíticos com as aproximações
numéricas obtidas com as quadraturas no intervalo [− 1, 1] e com a quadratura
Gaussiana no intervalo [0, 1] . Comente os resultados obtidos.
20
• MOTIVAÇÃO •
T3
y =b
T4 Termo fonte : g ( x, y, t ) T2
y=0
x=0 T1 x=a x
∂ 2 T ( x, y , t ) ∂ 2 T ( x, y , t ) 1 1 ∂T (x, y, t )
2
+ 2
+ g ( x, y , t ) = (1.41a)
∂x ∂y k a ∂t
T ( x, y, t ) = T0 em 0 ≤ x ≤ a, 0 ≤ y ≤ b, para t = 0 (1.41f)
1.9.7a – Escreva uma aproximação por diferenças finitas para o problema (1.41)
com erro de truncamento O (∆x 2 , ∆y 2 , ∆t ) . Mostre todos os passos do
desenvolvimento.
21
• MOTIVAÇÃO •
∂T
(x, 0, t ) = 0 em y = 0, para t > 0 (1.41b’)
∂y
∂T
(a, y, t ) = 0 em x = a, para t > 0 (1.41c’)
∂x
d 2T ( x )
− m 2 (T − Tamb ) = 0 (1.42)
dx 2
onde
hP
m2 = (1.43)
kA
π D2
A= (1.44a)
4
P =π D (1.44b)
Tamb
Seção Transversal
x=0 x=L
Figura 1.14 – Representação esquemática de uma aleta com seção transversal circular.
22
• MOTIVAÇÃO •
T (x ) x =0
= T0 (1.45a)
T (x ) x=L
= TN (1.45b)
1.9.8a – Escreva uma aproximação por diferenças finitas para o problema dado
pela EDO (1.42) com as condições de contorno (1.45), para uma malha espacial
com N nós (veja a Motivação 1). Mostre todos os passos da dedução;
T0 = 100º C
TN = 25º C
Tamb = 20º C
W
h = 50
m2 K
D = 5 × 10− 2 m
L = 0,1m
W
k = 200
mK
23
22
CAPÍTULO
CAPÍTULO
ERROS
A grande maioria dos métodos numéricos proporciona respostas
que são aproximações da solução exata, sendo, portanto fundamental
conhecer os limites para os erros que são cometidos.
2.1 – Representação
de Números em
Computadores
E x = fl ( x ) − x (2.1)
e do erro relativo
Ex
ε= , com x ≠ 0 (2.2)
x
24
• ERROS •
sina mantissa
} l 644744 8
fl ( x ) = σ (0, a1 a 2 L at )β β e (2.3)
onde
σ = +1 ou − 1
0 ≤ ai ≤ β − 1, i = 1, 2,K , t ,
a1 a2 at
(0, a1 a 2 L a t )β = 1
+ 2
+L (2.4)
β β βt
a a a
fl ( x ) = ±(0, a1 a 2 L at )10 10 e = ± 11 + 22 + L + t t 10 e (2.5)
10 10 10
onde
ai = 0,1,2,...9 com a1 ≠ 0 (normalizado)
e = inteiro
x = σ (0, a1 a 2 L at at +1 L )β β e (2.6)
fl ( x ) = σ (0, a1 a 2 L at )β β e (2.7)
0,21454 L → 0,2145
(corte)
0,369298L → 0,3692
25
• ERROS •
β
σ (0, a1 a 2 L at )β β se 0 ≤ at +1 < 2
e
fl ( x ) = (2.8)
[ σ (0, a a L a ) + 0,00L1↵dígito t β e se β ≤ a ≤ β − 1
( )]
1 2 t β β
2
t +1
0,21454 L → 0,2145
(arredondamento)
0,369298L → 0,3693
Ponto
Flutuante
Racionais
Reais
Complexos
26
• ERROS •
Da Fig. 2.1 conclui-se que existe um conjunto de números reais que não
podem ser representados exatamente empregando a representação por ponto
flutuante, sendo possível apenas utilizar uma aproximação para os mesmos.
Duas observações importantes devem ser feitas: (i) o expoente e é
limitado, L ≤ e ≤ U , o que faz com que hajam limites (inferior e superior) para
os possíveis valores de x , sendo identificados como underflow e overflow
aqueles que estiverem respectivamente abaixo ou acima destes limites; (ii) o
número zero é representado com a mantissa igual a zero e o expoente e = L .
Para a representação com corte (chopped) o erro relativo é limitado por
− β − t +1 ≤ ε ≤ 0 (2.9)
a a a a a a a
− Ex = x − fl (x) = 11 + 22 +L+ tt + tt++11 +Lβ e − 11 + 22 +L+ tt β e
β β β β β β β β
(2.10)
Logo,
a a
− E x = x − fl ( x ) = tt++11 + tt++22 + L β e (2.11)
β β
ou,
1 a a a a
− E x = x − fl (x ) = t +1 + t + 2 + L β e = t +11 + t +22 + L β −t + e (2.12)
β t β 1 β 2 β β
O erro relativo dado pela Eq. (2.2) pode ser reescrito como
− Ex
−ε = (2.13)
x
at +1 at + 2
1 + 2 + L β −t +e
x − fl ( x ) β β
−ε = = (2.14)
x a1 a2 a a
1 + 2 + L + tt + tt++11 + L β e
β β β β
27
• ERROS •
−ε ≥ 0 →ε ≤ 0 (2.15)
β −1 β −1
− E x = x − fl (x ) ≤ 1
+ 2
+ L β −t + e
( )
≤ (β − 1) β −1 + β − 2 + L β −t + e
β β
(2.16)
∞
ξ
∑
i =0
r 1 = 1 + ξ −1 + ξ − 2 + L =
ξ −1
(2.17)
ou então,
ξ 1
ξ −1 + ξ −2 + L = −1 = (2.18)
ξ −1 ξ −1
1
β −1 + β −2 + L = (2.19)
β −1
− E x = x − fl ( x ) ≤ β − t + e (2.20)
Levando o resultado dado pela Eq. (2.20) e as Eqs. (2.6) e (2.4) na Eq.
(2.13) obtém-se
x − fl ( x ) β − t +e
−ε = ≤ (2.21)
x a1 a2 at at +1 e
β 1 + β 2 + L + β t + β t +1 + L β
28
• ERROS •
Definindo
a a a a
m = 11 + 22 + L + tt + tt++11 + L (2.22)
β β β β
e fazendo a1 = 1 e a 2 = a 3 = L = 0 obtém-se
1 0 0
m ≥ 1 + 2 + L + 3 + L (2.23)
β β β
ou seja,
1 1
m≥ 1
→ ≤β (2.24)
β m
β −t β e
−ε ≤ (2.25)
mβ e
ou
β −t
−ε ≤ (2.26)
m
− ε ≤ β −t β (2.27)
ou
− t +1
−ε ≤ β (2.28)
1 − t +1 1 −t +1
− β ≤ε ≤ β (2.29)
2 2
2.2 – Aritmética de
Ponto Flutuante
29
• ERROS •
quatro passos: (i) comparação dos expoentes (CE); (ii) alinhamento da mantissa
(AE); (iii) adição/subtração da mantissa (AD), (iv) normalização (NR).
Vamos considerar um exemplo onde a aritmética finita permite a
manipulação de apenas 4 dígitos, ou seja t = 4 .
x = 165,2 = 0,1652 × 10 3
Exemplo 1: 1
x 2 = 21,00 = 0,2100 × 10 2
Podemos escrever,
x i = mi × β e i = 1, 2 (2.30)
x1 = 0,1652 × 10 3
x 2 = 0,0210 × 10 3
• AD – adição/subtração da mantissa.
0,1652 + 0,0210 = 0,1862
x1 + x 2 = 0,1862 × 10 3
30
• ERROS •
x1 = 0,1246 × 101
Exemplo 2:
x 2 = 0,3290 × 10 −2
• CE e1 = 1 e e2 = – 2, e 1 > e2
x1 = 0,1246 × 101
• AE
x 2 = 0,0003290 × 101
x1 + x 2 = 0,1249 × 101
x1 = 0,1246 × 101
Exemplo 3: x 2 = 0,5333 × 10 − 2
−2
x3 = 0,4999 × 10
• CE e1 = 1 e e2 = – 2, e 1 > e2
x1 = 0,1246 × 101
• AE
x 2 = 0,0005333 × 101
x1 + x 2 = 0,1251 × 101
31
• ERROS •
(ii) x1 + ( x 2 + x3 )
• CE e2 = −2 e e3 = −2, e1 = e2
• AE x1 = 0,1246 × 101
(x 2 + x3 ) = 0,001033 × 101
• AD 0,1246 + 0,0010 = 0,1256
x1 + ( x 2 + x3 ) = 0,1256 × 101
32
• ERROS •
x1 = 0,2631 × 10 2
Exemplo 4:
x 2 = −0,1976 × 10 2
• CE e1 = 2 e e2 = 2 , e1 = e2
x = 0,3472 × 10 5
Exemplo 5: 1
x 2 = − 0,3471 × 10 5
• CE e1 = e2 = 5
• NR x1 + x 2 = 0,1000 × 10 2
33
• ERROS •
input
e1 e2 m1 m2 CE
Adder 1
Shifter 1
AE
Adder 2
AD
Adder 3 digit
checker
Shifter 2
NR
e3 m3
output
34
• ERROS •
d1 = x1 + y1 d 2 = x2 + y 2 d 3 = x3 + y 3 ...
CE d1 d2 d3
AE d1 d2 d3
AD d1 d2 d3
NR d1 d2 d3 tempo
d 1 = x1 + y1
d 2 = x2 + y 2
d 3 = x3 + y 3 ...
CE d1 d2 d3
AE d1 d2 d3
AD d1 d2 d3
NR d1 d2 d3 tempo
1 ciclo
3º Resultado ...
Processador 2º Resultado
(clock cycle) 1º Resultado
35
• ERROS •
2.3 – Fontes e
Propagação de Erros
Medidas
Experimentais
Enganos,
Enganos,Erros
Errosde
de Programação
Programação
Truncamento
Truncamento Referem-se aos erros que
são introduzidos pelos
procedimentos numéricos
Arredondamento
Arredondamento
36
• ERROS •
E ( x A ) = xT − x A (2.31)
e o erro relativo,
xT − x A
Re l ( x A ) = com xT ≠ 0 (2.32)
xT
xT − x A = 0,00033K
m +1 = 4 → m = 3
primeiro dígito diferente de 0
x = 23,496
Exemplo 2 T
x A = 23,494
quinto dígito possui magnitude menor que 5
xT − x A = 0,002K
m +1 = 5 → m = 4
primeiro dígito diferente de 0
x = 0,02138
Exemplo 3 T
x A = 0,02144
dígito possui magnitude maior que 5
xT − x A = 0,00006
m +1 = 3 → m = 2
37
• ERROS •
xT = x A + ε (2.33)
yT = y A + η (2.34)
6447 erro
448 64erro 7448
4propagado
xT ω yT − x Aωˆ y A = xT ω yT − x Aωˆ y A + xT ω yT − x Aωˆ y A
(2.35)
1erro
442443
de arredondameto
Caso 1 – Multiplicação x A y A
xT yT − x A y A = xT yT − ( xT − ε )( xT − η ) (2.36)
xT y T − x A y A = η xT + ε y T − ε η (2.37)
ηxT + εyT − εη η ε ε η
R e l (x A y A ) = = + − (2.39)
xT y T yT xT xT y T
Como
ε
R e l (x A ) (2.40a)
xT
38
• ERROS •
η
R e l(y A ) = (2.40b)
yT
R e l ( x A y A ) = R e l (x A ) + R e l ( y A ) − R e l ( x A )R e l ( y A ) (2.41)
R e l (x A y A ) ≈ R e l (x A ) + R e l ( y A ) (2.42)
xA
Caso 2 – Divisão
yA
xT x A xT (xT − ε ) xT ( yT − η ) − yT (xT − ε ) − xT η + yT ε
− = − = = (2.43)
yT y A yT ( yT − η ) yT ( yT − η ) yT ( yT − η )
x R el ( x A ) − R el ( y A )
R e l A = (2.46)
yA 1 − R el ( y A )
Para R el ( y A ) << 1 ,
x
R e l A = R el (x A ) − R el ( y A ) (2.47)
yA
39
• ERROS •
( xT ± yT ) − ( x A ± y A )
R e l (x A ± y A ) = (2.49)
( xT ± y T )
Das Eqs. (2.48) e (2.49) obtém-se
ε ±η
R e l (x A ± y A ) = (2.50)
(xT ± yT )
xT = π = 3,141592653K , x A = 3,1416
22
yT = = 3,142857143K , y A = 3,1429
7
ε = xT − x A ≈ −7,35 × 10 −6
ε
R e l (x A ) = ≈ −2,34 × 10 − 6
xT
η = yT − y A ≈ − 4,29 × 10 −5
η
R e l(y A ) = −5
≈ −1,36 × 10
yT
( xT − yT ) − (x A − y A ) ≈ − 0,0012645 − (− 0,0013) ≈ 3,55 × 10 −5
(xT − yT ) − ( x A − y A ) 3,55 × 10 −5
R e l (x A − y A ) = ≈ ≈ − 0,028
xT − yT − 0,0012645
40
• ERROS •
2.4 – Exercícios
xˆ L = β L −1
xˆ L = (1 − β − t ) β U
a a a
Lembrete: (0, a1 a 2 L a t )β = 11 + 22 + L + tt
β β β
2.4.2 – Para realizar a soma de dois números xˆ1 e xˆ2 representados em ponto
flutuante em base decimal com t = 4 ,
0,000K 0 × 10 L
dígito na posição t
xˆ1 = 0,0000 × 10 4
xˆ 2 = 0,1234 × 10 2
41
• ERROS •
x3 x5 x7
senx = x − + + +L
3! 5! 7!
2.4.4a – x3 = x1 + x2 onde
x1 = 15.000,00
x 2 = 25,0012
x3 = ?
2.4.4b – x3 = x1 + x2 onde
x1 = 3
x 2 = 1,73200
x3 = ?
42
• ERROS •
2.4.4c – x3 = x1 + x2 onde
x1 = 3
x 2 = −1,73200
x3 = ?
5 x − 331 y = 3,5
6 x − 397 y = 5,2
5 x − 331 y = 3,5
6 x − 397 y = 5,1
43
3
CAPÍTULO
SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES
3.1 – Introdução
y = f ( x)
0 x
x1 x2 x3
y = f (x ) = 0 (3.1)
44
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
N
p (x ) = ∑ ai x i com aN ≠ 0 (3.2)
i =0
y = f (x)
f ( x0 ) ≈ ε
0 x0
x
x*
(a ) f '( x) ≈ 0
y = f (x)
0 x* x
x0
( b ) | f ' ( x ) | >> 1
1
f (x ) = a − = 0, para x > 0 (3.3)
x
45
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
1 1
a− =0 → x= (3.4)
x a
1
y = f ( x) = a −
x
y=a
x0 x1
x
1
a
f ( x0 )
−∞
1
Figura 3.3 – Representação esquemática da função f (x ) = a − .
x
0 − f (x0 )
f ′( x 0 ) = (3.5)
x1 − x 0
Logo,
f ( x0 ) f ( x0 )
x0 − x1 = → x1 = x0 − (3.6)
f ′( x0 ) f ′( x0 )
Generalizando escrevemos,
f ( xk −1 )
xk = xk −1 − , k = 1, 2, K (3.7)
f ′( xk −1 )
46
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
1
f ′( x ) = (3.8)
x2
1
a−
x0
x1 = x 0 − (3.9)
1
x 02
x1 = x0 (2 − ax0 ) (3.10)
x k = x k −1 (2 − ax k −1 ), k = 1, 2,K (3.11)
1 − ax = 0 (3.12)
xk −1 = 1 − axk −1 (3.13)
xk = xk −1 (1 + rk −1 ), k = 1, 2,K (3.14)
1
O erro ek −1 é calculado como a diferença entre a solução exata e a
a
estimativa xk −1 ,
1 1 − axk −1 rk −1
ek −1 = − xk −1 = = (3.15)
a a a
rk = 1 − axk (3.16)
rk = 1 − axk −1 (1 + rk −1 ) (3.17)
47
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Da Eq. (3.13),
axk −1 = 1 − rk −1 (3.18)
(
rk = 1 − (1 − rk −1 )(1 + rk −1 ) = 1 − 1 − rk2−1 ) (3.19)
Logo,
rk = rk2−1 (3.20)
ou seja,
k = 1 ∴ r1 = r02
k = 2 ∴ r2 = r12 = r02 ( ) =r 2
0
4
k = 3 ∴ r3 = r22 = (r ) = r
0
4 2
0
8
(3.21)
M
k = n ∴ rn = rn2−1 = r02 ( ) =r
n −1 2
0
2n
2
Da primeira desigualdade, 1 − ax0 > −1 , obtém-se x0 < , e da segunda
a
desigualdade, 1 − ax0 < 1 , obtém-se x0 > 0 . Obtemos então o seguinte intervalo de
convergência
2
0 < x0 < (3.26)
a
48
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
rk rk2−1
ek = = (3.27)
a a
rk −1
ek −1 = (3.28)
a
ek = aek2−1 (3.29)
2
e
2
= k −1
e k ae k −1
= (3.30)
1 1 1
a a a
onde conforme visto na Eq. (3.4), 1 a é a solução exata. Da Eq. (3.30) escreve-
se então
R el (xk ) = [R el ( xk −1 )] , k = 1, 2, K
2
(3.31)
p
x* − xk ≤ c x* − xk −1 , k ≥ 1 (3.32)
49
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
3.2 – Método da
Bisseção
f (a ) f (b ) < 0 (3.33)
existe então pelo menos uma raiz no intervalo [a, b] . Usualmente o intervalo
[a, b] é escolhido de forma a conter apenas uma raiz x* . Esta escolha é feita a
partir de uma representação gráfica simplificada da função y = f (x ) , ou
numericamente: (i) escolha o ponto xk = a , com k = 0 ; (ii) faça pequenos
incrementos ∆x , de forma que xk +1 = xk + ∆x, k = 0, 1, 2,K , enquanto
f (xk +1 ) f (xk ) > 0 ; (iii) pare quando o sinal de f ( x k +1 ) for diferente do sinal de
f (x = a ) ; (iv) faça b = xk +1 . Conforme estabelecido pelo teorema, há uma raiz no
intervalo [a, b] . Este procedimento para a escolha do intervalo [a, b] pode ser
melhorado simplesmente fazendo a = xk entre os passos (ii) e (iii) desde que o
sinal de f (xk +1 ) seja igual ao sinal de f ( xk ) .
O intervalo de busca será menor desta forma.
y = f ( x)
f (b )
f (c )
l
a
c b x
f (a)
Figura 3.4 – Representação esquemática para o teorema usado como base para o método
de bisseção.
50
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
ak + bk
2) Calcule ck = ;
2
y = f (x)
f (b0 )
c1 = a2 = a3
a0 = a1 x *
[ [ ] ] ] x
b0
f ( a0 ) c0 = b1 = b2
c2 = b3
c k - x * ≤ bk − ck = ck − ak (3.34)
51
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
1
∆ ck = k +1
(b0 − a0 ), k = 0, 1, 2K (3.35)
2
b0 − a0 b0 − a0
k = 0 → ∆ c0 = =
2 21
∆c b − a0 b0 − a0
k = 1 → ∆ c1 = 0 = 0 =
2 4 22
∆ c b − a0 b0 − a0 (3.36)
k = 2 → ∆ c2 = 1 = 0 =
2 8 23
M
∆ cn −1 b0 − a0
k = n → ∆ cn = =
2 2 n +1
k +1
1
c* − ck ≤ (b0 − a0 ), k = 0, 1, 2,K (3.37)
2
∆ ck −1
ek = x * − c k ≤ ∆ c k = (3.38)
2
ek −1 = x* − ck −1 ≤ ∆ ck −1 (3.39)
1 *
x * − ck ≤ x − ck −1 (3.40)
2
52
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
3.3 – Método
de Newton
f (x k )
x k +1 = x k − , k = 0, 1, 2, K (3.41)
f ′(x k )
f (x ) = f (xk + ∆xk ) = f ( xk ) + (x − xk ) f ′( xk ) +
(x − xk )2 ( )
f ′′( xk ) + O ∆xk3
2
(3.42)
(x − x k )2
f ( x ) = f ( x k ) + ( x − x k ) f ′( x k ) + f ′′(ξ ) (3.43)
2
( )
0 = f ( xk ) + x * − xk f ′( xk ) +
(x *
− xk )
2
f ′′(ξ k ) (3.44)
2
com ξ k entre xk e x* .
(x − x ) f ′(x ) = − f (x ) − (x ) f ′′(ξ )
* 2
* − xk
k k k k (3.45)
2
Logo,
*
x = xk −
f (xk ) x * − xk
−
( )2
f ′′(ξ k )
(3.46)
f ′( x k ) 2 f ′( x k )
53
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
*
x − x k +1 =−
(x *
− xk )
2
f ′′(ξ k )
(3.47)
2 f ′(x k )
1
x * − x0 < (3.48)
M
onde
máx f ′′( x )
M= (3.49)
2 mín f ′( x )
f ( x + ∆xl ) − f (x − ∆xl )
f l′( x ) ≈ (3.50)
2∆xl
usando o seguinte algoritmo:
1) Defina uma pequena variação ∆xl , inicialmente com l = 0 ;
2) Calcule f (x + ∆xl ) e f (x − ∆xl ) ;
3) Calcule f l′( x ) com a Eq. (3.50);
∆xl −1
4) Faça l = l + 1 e ∆xl = ;
2
5) Se l = 1 volte para o passo 2. Se l > 1 verifique se o critério de
f l′(x ) − f l′−1 (x )
convergência < ε , com f l′−1 ( x ) ≠ 0 , onde ε é uma tolerância
f l′−1 (x )
definida a priori, é satisfeito. Se o critério estiver satisfeito interrompa o
procedimento iterativo. Se não estiver satisfeito volte para o passo 2. Este
procedimento é representado graficamente na Fig. 3.6.
54
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
y = f (x) f ( x − ∆ x3 ) f ( x + ∆ x3 )
f ( x − ∆x2 ) f ( x + ∆x2 )
f ( x − ∆ x1 ) f ( x + ∆ x1 )
f ( x − ∆ x0 )
f ( x + ∆ x0 )
3
2
1
0
x − ∆x2 x + ∆x2
x + ∆ x1 x
x − ∆ x0 x − ∆ x1 x x + ∆ x0
∆ x3
∆x2
∆ x1
∆ x0
55
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
f (x k −1 )
x k = x k −1 − η , k = 1, 2, K (3.51)
f ′( x k −1 )
onde 0 < η < 1 , e varia com o problema que está sendo tratado.
3.4 – Método
da Secante
y = f (x)
( x1 , f ( x1 ))
x0 x 2 x3
0 x
x* x1
(x 2 , f (x 2 ))
( x0 , f ( x0 ))
f ( x1 ) − f (x 0 ) f ( x1 ) − 0
= (3.52)
x1 − x 0 x1 − x 2
56
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
x1 − x0
x2 = x1 − f (x1 ) (3.53)
f (x1 ) − f ( x0 )
f (x1 ) − f ( x2 ) f ( x1 ) − 0 0 − f ( x2 )
= = (3.54)
x1 − x2 x1 − x3 x3 − x 2
de onde se obtém
x2 − x1
x3 = x 2 − f ( x 2 ) (3.55)
f ( x2 ) − f ( x1 )
xk − x k −1
xk +1 = x k − f ( xk ) , k = 1, 2,K (3.56)
f ( xk ) − f (x k −1 )
(i) da Eq. (3.52) observa-se que o método necessita de duas estimativas iniciais:
x0 e x1 ; (ii) o método não possui garantia de convergência, mas quando ocorre
é mais rápida do que no método da bisseção, p = 1,62 , e mais lenta do que no
método de Newton; (iii) conforme mostrado na Fig. 3.8, dependendo das
estimativas iniciais consideradas, e da própria função f ( x ) , o método pode
apresentar um comportamento oscilatório antes de convergir.
57
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
y = f (x)
f ( x1 )
f ( x0 )
f ( x2 )
f ( x4 )
x3 x* x4 x2 x0 x1 x
f ( x3 )
bk − a k
ck = bk − f (bk ) (3.57)
f (bk ) − f (a k )
58
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
y = f (x ) y = f (x )
f (b0 ) = f (b1 )
f (b0 )
0 f (c0) = f (b1)
a0 = a1
x*
0 c
a0 c0 = a1 1
x 0 ca00 = a1
x
x* b0 = b1 c1 c0 = b1 b0
f (c0 ) = f ( a1 )
f ( a0 ) = f ( a1 )
f ( a0 )
y = f (x )
y = f (x )
f ( a0 )
c
f (c0 ) = f ( a1 )
f (a0 ) = f (a1 )
0 c1 c0 = b1 b0
x
0 x* b0 = b1
x
a0 = a1 * a0 c0 = a1 c1
x
f (b0 ) = f (b1 )
f (c0 ) = f (b1 )
f (b0 )
59
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
y = f (x )
f (b0 )
a0 c0 = a1 c1 = b1
x
x* b0
f ( c0 ) = f ( a1 )
f (a0 )
3.6 – Sistemas de
Equações Não-Lineares
F1 ( x1 , x2 , K , x N ) = 0
F2 ( x1 , x2 , K , x N ) = 0
(3.58)
M
FN ( x1 , x2 , K , x N ) = 0
60
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
TI (x ) = T −
(T − T )
1
cosh
αx 2
(3.60)
αL12 kA
cosh
kA
q = α (T − TI ) (3.61)
61
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Haste
Região II
Fole
Isolamento Térmico
Região I
Êmbolo
Sede Aquecimento
por Resistênci a
Elétrica
62
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Parede Aquecida
da Válvula
h AL (Τ − Τ∞ )
Região I
Região II
Haste da
ΤI x =L1 = Τ1
Válvula
Sensor de
x=0 x = L1 x = L1 + L2 x
Temperatura
dTII
Q(T1 ) = −kA (3.62)
dx x = L1
L1 dTII
∫ 0
qdx = −kA
dx x = L1
(3.63)
dTII αL12
− kA = kA α (T − T1 ) tanh (3.64)
dx x = L1 kA
αL12
(T − T )cosh
0 + T1 − T = 0 (3.65)
kA
onde T0 é a temperatura T1 ( x ) em x = 0 .
αL12
Q(T1 ) = kA α (T − T1 ) tanh (3.66)
kA
63
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
onde
hp
m= (3.68)
kA
αL12
F (α , T1 ) = kA α (T − T1 )tanh − Q(T1 ) = 0 (3.69)
kA
αL12
G (α , T1 ) = (T − T0 )cosh + T1 − T = 0 (3.70)
kA
onde usando
γ= α (3.71)
escreve-se
γL1
F (γ , T1 ) = kAγ (T − T1 ) tanh − Q(T1 ) = 0 (3.72)
kA
γL1
G (γ , T1 ) = (T − T1 )cosh + T1 − T = 0 (3.73)
kA
ou seja,
F (γ , T1 ) = 0
(3.74)
G (γ , T1 ) = 0
64
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
F (γ , T1 ) = F (γ 0 , T10 ) +
∂F
(γ − γ 0 ) + ∂F (T1 − T10 ) + O[(γ − γ 0 )2 , (T1 − T10 )2 ]
∂γ γ 0 ,T10 ∂T1 γ
0 ,T10
(3.75)
Levando as Eqs. (3.75) nas Eqs. (3.74), e mantendo apenas os termos até
a primeira ordem,
∂F ∂F
∂γ γ 0 ,T10 ∂T1 γ 0 ,T10 γ d1
T = d (3.76)
∂G ∂G 1 2
∂γ ∂T1 γ ,T
γ 0 ,T10 0 10
onde
∂F ∂F
d1 = γ 0 + T10 − F (γ 0 , T10 )
∂γ γ 0 ,T10
∂T1 γ
0 ,T10
(3.77)
∂G ∂G
d2 = γ 0 + T10 − G (γ 0 , T10 )
∂γ γ 0 ,T10 ∂T1 γ
0 ,T10
onde
∂F ∂F
∂γ γ 0 ,T10 ∂T1 γ 0 ,T10 r γ r d1
A= , z = T e d = d (3.79)
∂G ∂G 1 2
∂γ ∂T1 γ ,T
γ 0 ,T10 0 10
65
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
r r
A k z k +1 = d k (3.80)
γ k +1 − γ k T1k +1 − T1k
+ <ε (3.81)
γk T1k
onde ε é a tolerância.
Em algumas situações os elementos da matriz A podem ser obtidos
analiticamente. No exemplo aqui apresentado os termos da segunda linha podem
ser obtidos analiticamente a partir da Eq. (3.70). Porém, devido ao termo Q(T1 )
na Eq. (3.69) ser conhecido na forma de uma tabela cujos valores são obtidos
experimentalmente, deve ser usado um procedimento numérico para o cálculo
dos elementos da primeira linha da matriz A . Na seção 3.3 foi descrito um
procedimento numérico que pode ser utilizado para o cálculo destas derivadas.
Vamos agora considerar o método de Newton multivariável para uma
situação mais geral, com a notação usada nas Eqs. (3.58) e (3.59).
Primeiro é feita a expansão de Taylor
r r r r r N
∂F r
F (x 0 + ∆x ) = F (x 0 ) + ∑ [ ]
∆xi + O ∆x 2 (3.82)
i =1 ∂xi r
x0
r r N
∂F
F (x 0 ) + ∑ ∆xi = 0 (3.83)
i =1 ∂xi r
x0
ou seja,
∆x1
∂F ∂F2 ∂F2 ∆x
r r0 2 L 2
( )
F x + ∂x1 xr 0 ∂x2 r
x0
∂x N xr0 =0 (3.84)
M
M M M ∆x N
∂FN ∂FN
L
∂FN
∂x1 xr 0 ∂x2 r
x0
∂x N xr 0
66
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
∂Fm
J mn = , com m = 1, 2,K , N e n = 1, 2, K , N (3.86)
∂x n
r r r
x k +1 = x k + ∆x k , k = 0, 1, 2,K (3.88)
r
onde as correções ∆x k são calculadas a partir da Eq. (3.85), i.e.
r r
( ) F (xr )
∆x k = − J k
−1 k
(3.89)
xik +1 − xik
< ε , i = 1, 2,K, N (3.90)
xik
onde ε é a tolerância.
Na prática não se faz a inversão da matriz Jacobiana, J , principalmente
para sistemas com mais de duas equações. Ao invés disso é resolvido o sistema
de equações lineares resultante da Eq. (3.85),
r r r
J k ∆x k = − F (x k ) (3.91)
3.7 – Otimização
sem Restrições
r r
( )
x * para o qual S x * = máx S ( x1 , x2 ,K , xN ) (3.93)
67
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
r
∂S ( x )
r = 0 i.e. ∇S = 0 (3.94)
∂x
ou seja,
∂S (x1 , x2 , x3 , K , x N )
= 0 i = 1, 2, K , N (3.95)
∂xi
r
Após a obtenção do vetor x * para o qual a condição (3.94) é satisfeita,
verifica-se se a derivada segunda é positiva, o que garante que o ponto
estacionário seja realmente um ponto de mínimo.
A Eq. (3.95) pode ser reescrita como
r
∂S (x )
= 0 → F1 ( x1 , x2 , x3 , K , x N ) = 0
∂x1
r
∂S (x )
= 0 → F2 ( x1 , x2 , x3 , K , x N ) = 0
∂x2 (3.96)
M
r
∂S (x )
= 0 → FN ( x1 , x2 , x3 , K , x N ) = 0
∂x N
Observe que o sistema (3.96) é idêntico àquele dado pelas Eqs. (3.58), e
será resolvido, portanto, usando o método de Newton multivariável. O problema
(3.94) é reescrito então na mesma forma dada pela Eq. (3.59),
r r
F (x ) = 0 (3.97)
Usando a expansão de Taylor dada pela Eq. (3.82) e a Eq. (3.96) obtém-
se,
r
r r0 r r r0 N
∂F r
( )
F x + ∆x = F x + ∑ ( ) ∆x j + O ∆x 2 = [ ]
j =1 ∂x j r 0
x
(3.98)
r r0 N
∂ ∂S r2
= F x +∑( ) r ∆x j + O ∆x [ ]
j =1 ∂x j ∂x r 0
x
ou seja,
r r r N
∂2S r
F1 (x 0 + ∆x ) = F1 (x 0 ) + ∑ [ ]
∆x j + O ∆x 2
j =1 ∂x j ∂x1 r
x0
r r r N
∂2S r
F2 (x 0 + ∆x ) = F2 (x 0 ) + ∑ [ ]
∆x j + O ∆x 2
(3.99)
j =1 ∂x j ∂x2 r
x0
M
r r r N
∂ 2S r
FN (x 0 + ∆x ) = FN (x 0 ) + ∑ [ ]
∆x j + O ∆x 2
j =1 ∂x j ∂x N r
x0
68
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
r r r r T
∇S x =( ) r =
( )
r 0 ∂S x 0 ∂S ( x ) ∂S ( x )
, ,L,
∂S ( x )
(3.101)
∂x ∂x1 xr 0 ∂x2 xr 0 ∂x N xr 0
e a matriz Hessiana H cujos elementos são dados por
r
r 0 ∂ 2 S (x )
H i, j ( )
x =
∂xi ∂x j r 0
, i, j = 1, 2, K , N (3.102)
x
obtém-se
r r r
∇S (x 0 ) + H (x 0 )∆x = 0 (3.103)
Logo,
r r r
∆x = − H −1 (x 0 ) ∇S (x 0 ) (3.104)
r
com as correções ∆x k calculadas com a Eq. (3.104),
r r r
∆x k = − H −1 (x k ) ∇S (x k ) (3.106)
69
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Método da Máxima
Descida (Steepest Descent)
r r r
( )
∂S x k +1
=0→
(
∂S x k + β k P k )
=0 (3.108)
∂β k ∂β k
Iteração de
Landweber
70
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Método do Gradiente
Conjugado
2 2 2
∂S k ∂S k ∂S k
r 2 + + L
∇S (x k ) ∂x1 ∂x2 ∂x N
ζ = k
r 2
= 2 2 2
(3.112)
∇S (x k −1 ) ∂S k −1 ∂S k −1 ∂S k −1
+ + L
∂x1 ∂x2 ∂x N
∂I (τ , µ ) ω 1
µ + I (τ , µ ) = ∫ I (τ , µ ′) dµ ′ (3.113a)
∂τ 2 −1
71
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Radiação
Isotrópica
Incidente
µ <0 µ >0
µ = −1 µ =1
Medidas
Yi Experimentais
µ =0
I (0, µ ) = 1
τ
θ
τ =0 τ =τ0
Figura 3.13 – Transferência radiativa em um meio participante.
r τ
x = 0 (3.114)
ω
72
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
K
S (τ 0 , ω ) = ∑ [I i (τ 0 , ω ) − Yi ]
2
(3.115)
i =1
∂S (τ 0 , ω )
=0 (3.116a)
∂τ 0
∂S (τ 0 , ω )
=0 (3.116b)
∂ω
ou seja,
K
∂I i
2∑ [I i (τ 0 , ω ) − Yi ] (τ 0 , ω ) = 0 (3.117a)
i =1 ∂τ 0
K
∂I i
2∑ [I i (τ 0 , ω ) − Yi ] (τ 0 , ω ) = 0 (3.117b)
i =1 ∂ω
Definindo
r r r
R = I −Y (3.118)
onde
Ri = I i (τ 0 , ω ) − Yi , i = 1, 2,K, K (3.119)
∂I1 ∂I 2 ∂I K R1
∂τ ∂τ L ∂τ R
2
0 0 0
=0 (3.121)
∂I1 ∂I 2 ∂I K M
∂ω ∂ω L ∂ω RK
73
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
r r r ∂R ∂R
R1 ( x + ∆x ) = R1 ( x ) + 1 ∆τ 0 + 1 ∆ω
∂τ 0 xr ∂ω xr
r r r ∂R ∂R
R2 (x + ∆x ) = R2 ( x ) + 2 ∆τ 0 + 2 ∆ω
∂τ 0 xr ∂ω xr (3.122)
M
r r r ∂R ∂R
RK (x + ∆x ) = RK (x ) + K ∆τ 0 + K ∆ω
∂τ 0 xr ∂ω xr
onde
r ∆τ
∆x = 0 (3.123)
∆ω
e observando que
∂Ri ∂I i
= , i = 1, 2,K , K (3.124a)
∂τ 0 ∂τ 0
∂Ri ∂I i
= , i = 1, 2,K , K (3.124b)
∂ω ∂ω
∂I1 ∂I 1
∂τ ∂ω
0
∂I ∂I 2
r r r r r 2 ∆τ
R( x + ∆x ) = R( x ) + ∂τ 0 ∂ω 0 (3.125)
∆ω
M M
∂I K ∂I K
∂τ 0 ∂ω
∂I i
J ij = , i = 1, 2, K , K , j = 1, 2 (3.126)
∂x j
74
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
ou seja,
r r r
J T J∆x = − J T R( x ) (3.130)
Da Eq.(3.130) escreve-se
r r r
∆x = −(J T J ) J T R( x )
−1
(3.131)
r
onde ∆x k normalmente não é obtido a partir da Eq. (3.131) devido à necessidade
do cálculo da matriz inversa (J T J ) o que geralmente envolve um esforço
−1
r
computacional elevado. Normalmente as correções ∆x k são calculadas
resolvendo o sistema linear dado pela Eq. (3.130), i.e.
T r r
(J kT
) r
( )
J k ∆x k = − J k R x k (3.133)
75
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
Sk λk
se S k +1 ≤ → λk +1 = com c e d > 1 (3.135)
c d
Sk
se S k +1 ≤ → λk +1 = eλk com e > 1 (3.136)
c
∂I i
J ij = , i = 1, 2,K , K , j = 1, 2,K, N (3.137)
∂x j
r
3) Calcule x k +1 com a Eq. (3.132);
xik +1 − xik
<ε (3.138)
xik
76
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
3.8 – Exercícios
4
3.8.1 – O polinômio p (x ) = ∑ a i x i com a0 = 40; a1 = −19,5 ; a2 = −21,2 ;
i =0
Observações:
(i) escreva uma rotina computacional para o cálculo das seis primeiras raízes
da Eq.(3.139) usando o método da bisseção, para um valor H 2 qualquer;
(ii) escreva uma rotina para o cálculo das seis primeiras raízes da Eq. (3.139)
usando o método de Newton, para um valor H 2 qualquer;
(iii) preencha a tabela abaixo
77
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
H2 β1 β2 β3 β4 β5 β6
biss. Newton biss. Newton biss. Newton biss. Newton biss. Newton biss. Newton
0
0,5
1,0
10,0
100,0
Estimativa Estimativa
Iteração Diferença Diferença
Bisseção Newton
1
2
3
(...)
Dif = x k − β 6
Observação:
Todas as raízes que estamos procurando encontram-se no intervalo
[0,18).
N
ω= (3.140a)
D
~
~ N
ω= ~ (3.140b)
D
~
N*
ω~ = ~ * (3.140c)
D
onde
ω
ω~ = (3.141a)
1−ω
78
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
F1 (ω , ρ1 , ρ 2 ) = Dω − N = 0 (3.142a)
~ ~
F2 (ω , ρ1 , ρ 2 ) = Dω − N (1 − ω ) = 0 (3.142b)
~ ~
F3 (ω , ρ1 , ρ 2 ) = D *ω − N * (1 − ω ) = 0 (3.142c)
ou seja,
r r
F (x ) = 0 (3.143)
onde
r
x = (ω , ρ1 , ρ 2 )
T
(3.144)
79
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
β cot β = −c (3.145)
Autovalores Calculados com o Método da Bisseção (B) e com o Método de Newton (N)
β1 β2 β3 L β6
c
B N B N B N B N B N
1
2
M
9
10
xk − xk −1
Diferença absoluta= xk − xk −1 , Diferença Relativa=
xk −1
80
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
cada canal (valores de 0 a 1200). Este pesquisador sabe que o pulso observado
na Fig. 3.14 é na realidade composto pela combinação de dois pulsos menores.
y (contagem )
ymáx
x(canal )
0 x0 8000
1 C1
y(x ) = 2
+ 2
(3.146)
1 + α ( x − x0 ) 1 + α ( x − x0 − δ )
yi
xi yi y=
i ymáx
(canal) (contagem) (contagem normalizada)
1 1400
2 1600
3 1800
... ...
22 5600
N=23 5800
(b) Visando minimizar o funcional dado pela soma dos resíduos quadrados
N r r
S (α , δ ) = ∑ [ y ( xi ) − yi ] 2 = F T F (3.147)
i =1
81
• SOLUÇÕES DE EQUAÇÕES NÃO - LINEARES •
r
onde os elementos do vetor F são dados por Fi = y ( xi ) − y i , i = 1, 2, K , N ,
três equações não lineares são obtidas ao se escrever
N
∂S ∂y
= 0 → ∑ ( y (xi ) − yi ) =0 (3.148a)
∂α i =1 ∂α xi
N
∂S ∂y
= 0 → ∑ ( y ( xi ) − yi ) =0 (3.148b)
∂δ i =1 ∂δ xi
N
∂S ∂y
= 0 → ∑ ( y ( xi ) − yi ) =0 (3.148c)
∂C1 i =1 ∂C1 xi
r
a partir das quais pode ser determinado o vetor de incógnitas Z = {α , δ , C1} .
T
xi yi y ( xi ) Diferença
i
(canal) (contagem) (curva) (%)
1 1400
2 1600
3 1800
... ...
22 5600
N=23 5800
(e) Repita os passos (a)-(d) com dois outros conjuntos de pontos, por exemplo,
N = 10 e N = 35 .
(f) Compare os resultados obtidos empregando os diferentes conjuntos de dados
experimentais. Comente os resultados obtidos.
82
4
CAPÍTULO
4.1 – Introdução
INTERPOLAÇÃO E AJUSTE DE CURVAS
4.2 – Interpolação
Linear
83
Imagine agora que você precisa calcular o logaritmo natural de 1001,5.
Calculando a média aritmética de ln (1001) com ln (1002 ) obtém-se uma
aproximação para ln (1001,5) ,
ln (1001) + ln(1002 )
ln (1001,5) ≈ = 6,909254 (4.1)
2
ln (1) + ln(2 )
ln (1,5) ≈ = 0,346574 (4.2)
2
aproximação
y = ln( x) linear
7
aproximação
6 linear
5
aproximação
3
linear
2
0
1 2 3 4 5 100 101 102 1000 1001 1002
x
-1
-2
Como estamos aproximando uma função não linear por uma reta estamos
cometendo, portanto, um erro de truncamento.
Na Fig. 4.2 é representado o processo de interpolação linear genérico. Os
dois exemplos apresentados anteriormente correspondem ao caso particular em
84
que é tomado um ponto exatamente no meio do intervalo entre os dois pontos x1
e x2 que constam na tabela.
y = f ( x)
aproximação
linear
f ( x2 )
f (ξ )
f ( x1 ) f (ξ )
)
ξ
x
x1 x2
f ( x2 ) − f ( x1 ) f (ξ ) − f ( x1 )
= (4.3)
x2 − x1 ξ − x1
onde x1 ≤ ξ ≤ x 2 .
ξ − x1
f (ξ ) = f ( x1 ) + [ f (x2 ) − f (x1 )] (4.4)
x2 − x1
Definindo a fração
ξ − x1
γ= onde 0 ≤ γ ≤ 1 (4.5)
x2 − x1
f (ξ ) = (1 − γ ) f ( x1 ) + γ f ( x2 ) (4.6)
85
Para ξ = x2 → γ = 1 → f (ξ ) = f (x2 ) e para ξ = x1 → γ = 0 → f (ξ ) = f ( x1 ).
x1 + x2
Para ξ = → γ = 0,5
2
x + x f (x1 ) + f ( x2 )
f (ξ ) = f 1 2 = (4.7)
2 2
As Eqs. (4.1) e (4.2) podem ser obtidas diretamente da Eq. (4.7), fazendo
x1 + x2
ξ= .
2
4,2 − 4
γ = = 0,2 (4.8)
5−4
86
1
f ( x) =
x−2
+∞
1,0
1 2 3 4 x
•
– 1,0
−∞
1
Figura 4.3 – Gráfico da função f (x ) = .
x−2
1
Tabela 4.2 – Valores da função f (x ) = .
x−2
x f (x )
0,5 – 0,666666 ...
1,5 – 2,0
2,5 2,0
3,5 0,666666
4.3 – Dupla
Interpolação Linear
87
No dimensionamento da linha de descarga da válvula de segurança é
necessário o conhecimento das propriedades termodinâmicas da água. Conforme
o exemplo apresentado deseja-se conhecer o volume específico, v, da água para
a pressão de 3,12 bar e temperatura de 210 ºC. Na Tabela. 4.3 são apresentados
os valores obtidos em uma tabela de vapor (Grigull et al., 1989).
Como a Tabela. 4.3 é uma tabela de dupla entrada (temperatura, pressão)
será necessário fazer uma dupla interpolação. Nesta seção será apresentada uma
dupla interpolação linear.
Vapor
Linha de descarga
P = 68 bar
T = 284,8 ºC Água de
Vapor alimentação
Saturado
Perna quente
Reator
Perna fria
Bomba hidráulica
Figura 4.4 – Gerador de vapor. Componente do circuito secundário de uma central nuclear com
reator do tipo PWR
88
Tabela 4.3 – Volume específico da água v m 3 / kg [ ].
Temperatura Pressão (bar)
(ºC) 1,0 5,0
175,0 2,0547 0,39933
200,0 2,1723 0,42487
225,0 2,2893 0,44980
250,0 2,4061 0,47432
aproximação
linear
f (x1, z1)
aproximação
linear
f (ξ, z1)
f (ξ,η) aproximação
f (x2, z1) * z1
linear
x1
ξ η f (x1, z2)
x2
f (ξ, z2)
x z2
(Temperatura)
f (x2, z2)
z
(Pressão)
η
z1 z2
x1 f (x1 , z1 ) f (x1 , z 2 )
ξ x2 f ( x2 , z1 ) f (x 2 , z 2 )
89
Observe que de forma análoga àquela apresentada na seção 4.2, estamos
buscando o valor interpolado f (ξ ,η ) com x1 ≤ ξ ≤ x 2 e z1 ≤ η ≤ z 2 usando os
valores para f (xi , z i ) com i = 1, 2 , obtidos de uma tabela de dupla entrada tal
como a Tabela. 4.3.
Definindo as frações
ξ − x1
γ= onde 0 ≤ γ ≤ 1 (4.12)
x2 − x1
η − z1
α= onde 0 ≤ α ≤ 1 (4.13)
z 2 − z1
f (ξ , z1 ) = (1 − γ ) f ( x1 , z1 ) + γ f ( x2 , z1 )
(4.14)
f (ξ , z2 ) = (1 − γ ) f (x1 , z2 ) + γ f ( x2 , z2 )
η
z1 z2
ξ f (ξ , z1 ) f (ξ , z2 )
f (ξ ,η ) = (1 − α ) f (ξ , z1 ) + α f (ξ , z2 ) (4.15)
210 − 200,0
γ= = 0,4 (4.16)
225,0 − 200,0
3,12 − 1,0
α= = 0,53 (4.17)
5,0 − 1,0
90
f (ξ , z2 ) = f (210;5,0 ) = 0,6 f (200,0;5,0 ) + 0,4 f (225,0;5,0 ) = 0,43484m3 / kg (4.19)
4.4 – Interpolação
Quadrática
2
P2 ( x ) = a2 x 2 + a1x + a0 = ∑ ai x i (4.21)
i =0
y
y = P2 ( x )
y k +1
y k −1
yk
x
xk −1 xk xk +1 x
P2 (xk −1 ) = yk −1 = a2 xk2−1 + a1 xk −1 + a0
P2 (xk ) = yk = a2 xk2 + a1 xk + a0 (4.22)
P2 (xk +1 ) = yk +1 = a2 xk2+1 + a1 xk +1 + a0
91
Este sistema pode ser reescrito como
xk2−1 xk −1 1 a y
2 2 k −1
xk xk 1 a1 = yk (4.23)
2
xk +1 xk +1 1 a0 yk +1
(
∆ = xk xk2−1 + xk −1 xk2+1 + xk +1 xk2 − xk xk2+1 + xk −1 xk2 + xk2−1 ) (4.24)
y k −1 xk −1 1
yk xk 1
y k +1 xk +1 1 1
a2 = = [xk yk −1 + xk −1 yk +1 + xk +1 yk − (xk yk +1 + xk −1 yk + xk +1 yk −1 )] (4.25)
∆ ∆
xk2−1 y k −1 1
2
x k yk 1
2
x yk +1 1 1
a1 =
k +1
∆
=
∆
[ (
yk xk2−1 + yk −1 xk2+1 + yk +1 xk2 − yk xk2+1 + yk −1 xk2 + yk +1 xk2−1 )] (4.26)
x k2−1 x k −1 y k −1
xk2 xk yk
xk2+1
)] (4.27)
x k +1 y k +1 1
a0 =
∆
=
∆
[ (
x k xk2−1 y k +1 + x k −1 y k xk2+1 + xk +1 x k2 y k −1 − y k −1 xk xk2+1 + xk −1 xk2 y k +1 + xk +1 y k xk2−1
π k −1 ( x ) = ( x − xk )( x − xk +1 )
π k (x ) = ( x − xk −1 )( x − xk +1 ) (4.28)
π k +1 ( x ) = (x − xk −1 )( x − xk )
Observe que
π k −1 ( xk ) = π k −1 ( xk +1 ) = 0 e π k −1 (xk −1 ) ≠ 0
π k (xk −1 ) = π k ( xk +1 ) = 0 e π k ( xk ) ≠ 0 (4.29)
π k +1 ( xk −1 ) = π k +1 (xk ) = 0 e π k +1 ( xk +1 ) ≠ 0
O polinômio P2(x) dado pela Eq. (4.21) pode ser escrito como uma
combinação linear de π k −1 ( x ) , π k (x ) e π k +1 (x ) da seguinte forma
92
Para x = xk −1 escrevemos com o auxílio das Eqs. (4.29),
P2 ( xk −1 ) = yk −1 = bk −1π k −1 ( xk −1 ) (4.31)
e para x = xk +1 ,
P2 ( xk +1 ) = yk +1 = bk +1π k +1 ( xk +1 ) (4.33)
yk −1 yk yk +1
bk −1 = , bk = , bk +1 = (4.34)
π k −1 ( xk −1 ) π k ( xk ) π k +1 ( xk +1 )
yk −1 ( x − xk )( x − xk +1 ) yk (x − xk −1 )( x − xk +1 ) yk +1 ( x − xk −1 )(x − xk )
P2 (x ) = + + (4.35)
(xk −1 − xk )(xk −1 − xk +1 ) (xk − xk −1 )(xk − xk +1 ) (xk +1 − xk −1 )(xk +1 − xk )
π k −1 ( x ) = (x − 2)( x − 4 )
π k ( x ) = ( x − 0 )( x − 4 ) (4.46)
π k +1 ( x ) = (x − 0 )( x − 2 )
1 1 5 5 17 17
bk−1 = = , bk = = − , bk+1 = = (4.37)
(0 − 2)(0 − 4) 8 (2 − 0)(2 − 4) 4 (4 −0)(4 − 2) 8
Da Eq. (4.30) escreve-se então
1
P2 ( x ) = (x − 2)(x − 4) − 5 (x − 0)(x − 4) + 17 (x − 0)(x − 2) = x 2 + 1 (4.38)
8 4 8
93
4.5 – Interpolação
Lagrangeana
N −1
PN −1 ( x ) = a N −1 x N −1 + a N −2 x N −2 + L + a1 x + a0 = ∑ ai x i , (4.39)
i =0
N −1 N −2
PN −1 ( x1 ) = y1 = a N −1 x1 + a N − 2 x1 + L + a1 x1 + a0
N −1 N −2
PN −1 ( x2 ) = y2 = a N −1 x2 + a N − 2 x2 + L + a1 x2 + a0
M
N −1
(4.40)
PN −1 ( xi ) = yi = a N −1 xi + a N − 2 xi N − 2 + L + a1 xi + a0
M
N −1 N −2
PN −1 ( xN ) = y N = a N −1 xN + a N − 2 xN + L + a1 x N + a0
Em forma matricial,
ou seja
r r
Ca = Y (4.42)
94
y
(x6 , y6 )
P3b ( x )
(x5 , y5 )
P3a (x )
(x3 , y3 ) •
( x3 , y4 )
P (x )
3
b
(x2 , y2 )
(x1 , y1 ) P3a ( x )
x x
N
π i (x) = Π(x − x j ) = (x − x1 )(x − x2 )L(x − xi−1 )(x − xi+1 )L(x − xN ) i = 1, 2, K, N (4.43)
j =1
j ≠i
π i (x j ) = 0, para j ≠ i, i = 1, 2, K, N
(4.45)
j = 1, 2, K, N
95
O polinômio PN −1 ( x ) pode ser escrito como uma combinação linear dos
polinômios π i (x ) ,
N
PN −1 ( x ) = ∑ biπ i (x ) (4.46)
i =1
PN −1 ( xk ) = yk = bk π k ( xk ), k = 1, 2,K , N (4.47)
Logo,
yk
bk = , k = 1, 2,K , N (4.48)
π k ( xk )
N π i (x )
PN −1 (x ) = ∑ yi (4.49)
i =1 π i ( xi )
N
Π (x − x j )
N j =1
PN −1 ( x ) = ∑ yi
j ≠i
N
(4.50)
i =1 Π (xi − x j )
j =1
j ≠i
4.6 – Splines
Cúbicos
K
PK ( x ) = ∑ am x m (4.51)
m =0
96
método dos mínimos quadrados conforme será descrito na seção 4.7, onde neste
caso não há a exigência de que a curva ajustada passe pelos pontos, mas sim que
algum outro critério, tal como a mínima distância dos pontos à curva, seja
satisfeito. Desta forma pode-se obter mais suavidade na “interpolação”.
Outra abordagem que busca uma maior suavidade da interpolação é
aquela em que funções diferentes são utilizadas em diferentes intervalos do
domínio das abscissas x . Usualmente estas funções são polinômios de mesmo
grau, que são unidos nas extremidades dos intervalos. As interpolações de
máxima suavidade obtidas desta forma são denominadas splines, sendo mais
comum o ajuste com polinômios de grau 3, constituindo, portanto, a interpolação
conhecida por splines cúbicos.
Visando auxiliar a introdução da nomenclatura que será aqui empregada,
na Fig. 4.8 é apresentada a interpolação com spline de grau 1, i = 1, 2,K , N
p1i ( x ) , para xi −1 < x < xi , com i = 2, 3,K , N . Será aqui usada a letra minúscula na
representação dos polinômios, p , apenas para lembrar que estes são construídos
para cada intervalo xi −1 < x < xi , e não para todo o domínio x1 < x < xN .
y2
p13 (x )
y3
p12 (x ) p14 (x )
y5
y1
p15 (x )
y4
x1 x2 x3 x4 x5 x
d 2 p3i ( x )
M i (x ) = , i = 2, 3,K, N , xi −1 ≤ x ≤ xi (4.52)
dx 2
M i −1 = M i ( xi −1 ) e M i = M i ( xi ), i = 2, 3,K, N (4.53)
97
Primeiro vamos considerar que os valores M i , i = 1, 2, K , N , são
conhecidos. Depois veremos que M j , com j = 2, K, N − 1 serão determinados,
sendo M 1 e M N .
d 2 p3 ( x)
M (x) =
dx2
M1
M3
M 4 (x )
M5
M 2 (x )
M4
M 5 ( x)
M (x )
3
M2
x1 x2 x3 x4 x5 x
Figura 4.9 – Representação da derivada segunda dos polinômios de interpolação p3 ( x ) para
N = 5.
d 2 p3i ( x )
− M i−1
M i − M i−1 2
= dx , i = 2, 3, K , N (4.54)
xi − xi −1 x − xi−1
ou seja,
onde
hi = xi − xi −1 , i = 2, 3,K, N (4.56)
98
Mi
d 2 p3i ( x )
M i (x ) =
dx 2
i = 2, 3,K , N
Mi −1
xi −1 x xi
2 2
dp3i (x ) (x − x ) + M (x − xi−1 ) + C , i = 2, 3,K, N
= − M i −1 i i i
(4.57)
dx 2hi 2hi
p3i (x ) = M i −1
(xi − x )3 + M (x − xi−1 )3 + C x + D , i = 2, 3,K, N (4.58)
i i i
6hi 6hi
p3i ( x ) = M i −1
(xi − x )3 + M (x − xi −1 )3 + C (x − x ) + Di (x − xi −1 ), i = 2, 3,K, N (4.59)
i i i
6hi 6hi
Ci = Di − Ci e Di = Ci xi − Di xi −1 , i = 2, 3,K , N (4.61)
99
Vamos impor agora a passagem dos polinômios pelos pontos (xi , yi ) .
Primeiro escrevemos
0 0
p (xi ) = yi = Mi−1
i (xi − xi )3 + M (xi − xi−1 )3 + C (x − xi ) + Di (xi − xi−1 ), i = 2, 3,K, N (4.62a)
3 i i i
6hi 6hi
p3i+1 (x) = M i
(xi+1 − x)3 + M (x − xi )3 + C (x − x) + D (x − x ), i = 1, 2,K, N − 1 (4.62b)
i +1 i +1 i +1 i +1 i
6hi+1 6hi+1
1 h2
Di = yi − M i i , i = 2, 3,K , N (4.63)
hi 6
1 h2
Ci +1 = yi − M i i +1 , i = 1, 2, 3,K , N − 1 (4.64)
hi +1 6
1 h2
Ci = yi−1 − M i−1 i , i = 2, 3,K , N (4.65)
hi 6
1 hi2 hi2
Ci = yi − M i − yi −1 − M i −1 , i = 2, 3,K, N (4.66)
hi 6 6
Definindo
yi − yi −1
σi = , i = 2, 3,K, N (4.67)
hi
100
hi h
Ci = σ i + M i −1 − Mi i , i = 2, 3,K, N (4.68)
6 6
dp3i ( x) h (x − x)2 (x − xi −1 )2 hi
= Mi −1 i − i + Mi − + σ i , i = 2, 3,K, N (4.69)
dx 6 2hi 2hi 6
dp3i ( x ) dp i +1 (x )
= 3 , i = 2, 3,K , N − 1 (4.70)
dx x = x dx x = x
i i
0 0
h (x − x )2 (x − x )2 h h (x − x )2 ( x − x )2 h
Mi−1 i − i i + Mi i i−1 − i +σi = Mi i+1 − i+1 i + Mi+1 i i − i+1 +σi+1
6 2hi 2hi 6 6 2hi+1 2hi+1 6
com i = 2, 3,K, N −1
(4.71)
hi hi +1 6(σ i +1 − σ i )
M i −1 + 2 M i + M i +1 = , i = 2, 3,K, N − 1 (4.72)
(hi + hi +1 ) (hi + hi +1 ) (hi + hi +1 )
Definindo os coeficientes
hi +1
λi = , i = 2, 3,K, N − 1 (4.73)
hi + hi +1
hi
µi = 1 − λi = , i = 2, 3,K , N − 1 (4.74)
hi + hi +1
6(σ i +1 − σ i )
di = , i = 2, 3,K, N − 1 (4.75)
(hi + hi +1 )
101
As condições
d 2 p32 ( x )
M1 = =0
dx 2 x = x
1
(4.77)
MN =
d 2
p3N (x ) =0
2
dx x= xN
M 2 d2
2 λ2 0 0 L 0 0 0
µ M 3 d 3
3 2 λ3 0 L 0 0 0
M 4 d4
0 µ4 2 λ4 L 0 0 0
M = M (4.78)
M M O M d
0 0 0 0 L µ N −2 2 λ N −2 N −3 N −3
M N − 2 d N − 2
0 0 0 0 L 0 µ N −1 2
M N −1 d N −1
ou de forma compacta,
r r
QZ = E (4.79)
r
com os elementos restantes qij = 0 , Z é o vetor de incógnitas com
r
zi = M i +1, i = 1, 2,K N − 2 ,
e E é o vetor com os elementos
ei = d i +1 , i = 1, 2,K N − 2 , com os termos d i definidos na Eq. (4.75).
102
A Eq. (4.76) é reescrita como
1
Mi = (di − µi M i −1 − λi M i +1 ), i = 2, 3,K N − 1 (4.81)
2
1
zi = (ei − qi,i−1 zi−1 − qi ,i+1 zi+1 ), i = 1, 2,K, N − 2 (4.82)
2
zin +1 − zin
(3) Interrompa o procedimento iterativo se < ε , para i = 1, 2,K N − 2 ,
zin
onde ε é um valor suficientemente pequeno estabelecido a priori, por exemplo
10-5. Caso contrário faça n = n + 1 e volte ao Passo (2).
Vamos escrever agora a equação para p3i (x ), i = 1, 2,K N , em uma forma
mais conveniente do que aquela dada pela Eq. (4.58). Levando as Eqs. (4.60),
(4.63) e (4.65) na Eq. (4.58) obtém-se,
p3i ( x) = Mi−1
(xi − x)3 + M (x − xi−1 )3 + (xi − x) y − Mi−1
hi2 ( x − xi−1 )
+
h2
yi − Mi i (4.83)
6hi
i
6hi hi i−1
6 hi 6
com i = 2, 3,K N .
Definindo
M i −1
ri = , i = 2, 3, K N
6hi
Mi
si = , i = 2, 3, K N
6hi
(4.84)
h2 1
t i = y i −1 − M i −1 i , i = 2, 3, K N
6 hi
h2 1
u i = y i − M i i , i = 2, 3, K N
6 hi
3 3
p3i (x ) = ri ( xi − x ) + si (x − xi −1 ) + ti ( xi − x ) + ui ( x − xi −1 ), i = 2, 3,K N (4.85)
ou então,
103
p3i ( x ) = vi x 3 + ωi x 2 + f i x + g i , i = 2, 3,K N (4.86)
onde
vi = si − ri , i = 2, 3, K N
ωi = 3(ri xi − si xi −1 ), i = 2, 3, K N
(4.87)
(
fi = 3 s x 2
i i −1
2
)
− r x + ui − t i ,
i i i = 2, 3, K N
( ) (
g i = xi ri xi2 + t i − xi −1 si xi2−1 + ui , ) i = 2, 3, K N
M1 = M 2 (4.88)
M N = M N −1 (4.89)
i = 2 → µ 2 M 1 + 2 M 2 + λ2 M 3 = d 2 (4.90)
(2 + µ 2 )M 2 + λ2 M 3 = d 2 (4.92)
µ N −1M N − 2 + (2 + λ N −1 )M N −1 = d N −1 (4.93)
104
Com a solução deste sistema obtém-se M 2 , M 3 ,K, M N −1 , e com as Eqs.
(4.88) e (4.89) obtém-se então M 1 e M N .
Para o caso (ii) é feito
M1 = 2M 2 − M 3 (4.95)
M N = 2 M N −1 − M N − 2 (4.96)
d 2M M − 2 M i +1 + M i+ 2
2
= i + O (∆x ) (4.97)
dx i ∆x 2
d 2M M − 2 M i−1 + M i −2
2
= i + O (∆x ) (4.98)
dx i ∆x 2
d 2M
Escrevendo a Eq. (4.97) para i = 1 e impondo = 0 obtém-se
dx 2 i =1
M 1 − 2M 2 + M 3 = 0 → M 1 = 2 M 2 − M 3 (4.99)
Observe que este resultado é idêntico àquele dado pela Eq. (4.95).
d 2M
Escrevendo a Eq.(4.98) para i = N e impondo = 0 obtém-se
dx 2 i=N
M N − 2 M N −1 + M N − 2 = 0 → M N = 2 M N −1 − M N − 2 (4.100)
Observe que este resultado é idêntico àquele dado pela Eq. (4.96).
Levando a Eq. (4.95) na Eq. (4.90),
105
4.7 – Ajuste de
Curvas pelo Método
dos Mínimos Quadrados
K
PK ( x ) = ∑ am x m (4.104)
m =0
e exigir que a soma dos resíduos quadrados
2 2
N N
K m
S = ∑ [PK (xi ) − yi ] = ∑ ∑ am xi − yi (4.105)
i =1 i =1 m =0
∂S ∂S ∂S
= =L = =0 (4.106)
∂a0 ∂a1 ∂a K
N N N N
Na0 + ∑ xi a1 + ∑ xi2 a2 + L + ∑ xiK aK = ∑ yi
i =1 i =1 i =1 i =1
N
N
2 N
3 N
K +1
N
∑ xi a0 + ∑ xi a1 + ∑ xi a2 + L + ∑ xi aK = ∑ xi yi
i =1 i =1 i =1 i =1 i =1 (4.107)
M
N K N K +1 N K +2 N 2K N
∑ xi a0 + ∑ xi a1 + ∑ xi a2 + L + ∑ xi aK = ∑ xi yi
K
i =1 i =1 i =1 i =1 i =1
P1 ( x ) = a 0 + a1 x (4.108)
Logo
N 2
S = ∑ (a0 + a1 xi − yi ) (4.109)
i =1
106
∂S
Fazendo = 0 , obtém-se
∂a0
N
∑ (a0 + a1xi − yi ) = 0 (4.110)
i =1
∂S
Fazendo = 0 , obtém-se
∂a1
N
∑ (a
i =1
0 + a1 xi − yi ) xi = 0 (4.111)
N N
Na0 + ∑ xi a1 = ∑ yi (4.112)
i =1 i =1
N N 2 N
∑ xi a0 + ∑ xi a1 = ∑ xi yi (4.113)
i =1 i =1 i =1
N
N ∑x i
N N
2
∆= i =1
N ∑ xi2 − ∑ xi (4.114)
N
N
∑x i ∑ xi2 i =1 i =1
i =1 i =1
escreve-se
N N
∑ yi ∑ xi
i =1 i=1
N N
∑ xi yi ∑ xi2
i =1 i=1 1 N N 2 N N (4.115)
a0 = = ∑ yi ∑ xi − ∑ xi yi ∑ xi
∆ ∆ i =1 i =1 i=1 i=1
N
N ∑ yi
i=1
N N
∑ xi ∑ xi yi
i=1 i=1 1 N N N (4.116)
a1 = = N ∑ xi yi − ∑ xi ∑ yi
∆ ∆ i =1 i =1 i=1
E (x ) = α e β x (4.117)
107
onde α e β são duas constantes a serem determinadas, também são possíveis
usando a abordagem apresentada anteriormente.
A Eq.(4.117) pode ser reescrita como
ln E ( x ) = ln α + β x (4.118)
P1 ( x ) = ln E (x ), a0 = ln α e a1 = β (4.119)
A minimização do funcional
N 2 N 2
S = ∑ [ln E (xi ) − ln yi ] = ∑ (a0 + a1 xi − ln yi ) (4.120)
i =1 i =1
1 N N 2 N N
a0 = ∑ ln yi ∑ xi − ∑ xi ln yi ∑ xi (4.121)
∆ i =1 i =1 i =1 i =1
1 N N N
a1 = N ∑ xi ln yi − ∑ xi ∑ ln yi (4.122)
∆ i =1 i =1 i =1
4.8 – Exercícios
T1 = 400 C1 = 4,696
T2 = 600 C2 = 3,853
T3 = 800 C3 = 3,187
T4 = 1000 C4 = 2,896
T5 = 1200 C5 = 2,629
T6 = 1400 C6 = 2,457
T7 = 1600 C7 = 2,364
T8 = 1800 C8 = 2,341
T9 = 2000 C9 = 1,835
T10 = 2200 C10= 2,492
T11 = 2400 C11 = 2,664
T12 = 2600 C12 = 2,899
108
Um pesquisador precisa ajustar uma curva para estes dados. Esta curva
será usada em uma rotina computacional que está sendo desenvolvida para a
análise térmica de varetas combustíveis de reatores PWR.
Este pesquisador decide usar o seguinte polinômio
λ (T ) = α + β T + γ T 2 (i)
L 2
N = ∑ [λi (α , β , γ ) − Ci ] (ii)
i =1
∂N
=0
∂α
∂N
=0 (iii)
∂β
∂N
=0
∂γ
4.8.1.1 – Demonstre que a partir das Eqs. (iii) é obtido o seguinte sistema de
equações
L a b α f
a b d β = g (iv)
b d e γ h
onde,
L L L L
a = ∑ Ti ; b = ∑ Ti 2 ; d = ∑ Ti 3 ; e = ∑ Ti 4 ;
i =1 i =1 i =1 i =1
L L L
(v)
2
f = ∑ Ci ; g = ∑ CiTi ; h = ∑ CiTi ;
i =1 i =1 i =1
4.8.1.2 – Escrever uma rotina computacional para a solução deste problema para
um número variável de dados experimentais L , ou seja, (Ti , Ci ) , com
i = 1, 2,K, L , onde L é variado pelo usuário.
109
4.8.1.4 – Na tabela de resultados a ser impressa pela rotina computacional
considerar os seguintes campos, para os pontos i = 1, 2,K, L .
• Temperatura (K )
• Ci (W mK )
• λi (Ti ) (W mK )
λi − Ci
• × 100%
Ci
p3i (x ) = vi x 3 + ωi x 2 + f i x + g i , i = 2, 3,K N
com
vi = si − ri , i = 2, 3, K N
ωi = 3(ri xi − si xi−1 ), i = 2, 3, K N
( )
f i = 3 si xi2−1 − ri xi2 + ui − ti , i = 2, 3, K N
( 2
) (
g i = xi r x + ti − xi−1 s x + ui ,
i i
2
i i −1 ) i = 2, 3, K N
onde
110
M i −1
ri = , i = 2, 3,K N
6hi
Mi
si = , i = 2, 3,K N
6hi
h2 1
ti = yi −1 − M i −1 i , i = 2, 3,K N
6 hi
h2 1
ui = yi − M i i , i = 2, 3,K N
6 hi
hi = xi − xi −1 , i = 2, 3,K N
d 2 p3i ( x )
Mi = , i = 2, 3,K N − 1
dx 2 x = x
i
µi M i−1 + 2M i + λi M i +1 = d i , i = 2, 3,K , N − 1
com
hi +1
λi = , i = 2, 3,K, N − 1
hi + hi+1
µi = 1 − λi , i = 2, 3,K , N − 1
6(σ i +1 − σ i )
di = , i = 2, 3,K, N − 1
(hi + hi +1 )
yi − yi −1
σi = , i = 2, 3,K, N
hi
p3i ( x ) = vi x 3 + ωi x 2 + f i x + g i , i = 2, 3,K N
d 2 p13 (x ) d 2 p3N ( x )
M1 = 2
= MN = 2
=0
dx x= x
dx x= x
1 N
111
Execute então as seguintes tarefas:
Tempo (s ) Voltagem (V )
5 250,0
10 100,0
30 150,0
60 140,0
100 5,0
120 8,0
150 140,0
180 210,0
200 50,0
(i) Use a rotina computacional desenvolvida no item 4.8.3.1 para o cálculo dos
coeficientes dos polinômios de interpolação por splines cúbicos com as
condições naturais.
Apresente no relatório de resultados o arquivo de saída da rotina
computacional onde devem constar o eco dos dados de entrada e os coeficientes
dos polinômios de interpolação para cada trecho i = 1, 2,K , N .
Apresente também um gráfico com os dados experimentais e os
polinômios de interpolação.
(iv) Faça uma comparação dos resultados obtidos com os três tipos de condições
impostas para M 1 e M N .
112
4.8.3.4 – Realize a mesma tarefa descrita no item 4.8.3.2 para um conjunto de
pontos do seu interesse. Crie um exemplo baseado em sua experiência
acadêmica/profissional.
N
Π (x − x j )
N j =1
PN −1 ( x ) = ∑ yi
j ≠i
N
i =1 Π (xi − x j )
j =1
j ≠i
x(mm ) y (mm )
1,0 1,0
2,0 5,0
3,0 -0,5
5,0 5,0
6,0 1,0
7,0 -0,5
8,0 5,0
9,0 -1,0
10,0 10,0
11,0 8,0
113
Tabela 4.7 – Intensidade da radiação I (τ 0 , µ ) em função do cosseno
do ângulo polar, µ = cosθ .
µ = cosθ I (τ 0 , µ )
0,07653 0,36028
0,22779 0,45841
0,37371 0,56122
0,51087 0,66839
0,63605 0,77293
0,74633 0,86883
0,83912 0,95158
0,91223 1,0179
0,96397 1,0652
0,99313 1,0921
114
Tabela 4.9 – Intensidade da radiação I (τ 0 , µ ) em função do cosseno
do ângulo polar µ = cosθ .
µ = cos θ I (τ 0 , µ )
0,07653 0,08870
0,22779 0,10364
0,37371 0,10513
0,51087 0,10042
0,63605 0,09447
0,74633 0,08903
0,83912 0,08462
0,91223 0,08131
0,96397 0,07907
0,99313 3,4018
∂I (τ , µ ) ω 1
µ + I (τ , µ ) = ∫ −1 p (µ , µ ′)I (τ , µ ′)dµ ′
∂τ 2
L
p (µ0 ) = ∑ Al Pl (µ0 ) com A0 = 1
l =0
115
Tabela 4.11 – Valores calculados com os polinômios de Legendre.
i µ0i p(µ0i )
1
2
...
N
116
Os polinômios de Legendre P0 a P6 são dados por:
P0 (µ ) = 1
P1 (µ ) = µ
1
P2 (µ ) =
2
(
3µ 2 − 1 )
1
(
P3 (µ ) = 5µ 2 − 3µ
2
)
1
(
P4 (µ ) = 35µ 4 − 30µ + 3
8
)
1
(
P5 (µ ) = 63µ 5 − 70µ 3 + 15µ
8
)
1
P6 (µ ) =
16
(
231µ 6 − 315µ 4 + 105µ − 5 )
e os valores para os polinômios de mais alta ordem podem ser obtidos com a
fórmula de recorrência
2,0
ω = 0, 9
1,5
ω = 0,1
1,0
ω = 0, 0
0,5
0,0
0,0 0,2 0,4 0,6 0,8 1,0
Figura 4.11 – Intensidade da radiação refletida por uma placa de um material
semi-transparente, obtida empregando dois métodos diferentes: Galerkin e
Ordenadas Discretas S20.
117
4.8.6.1 – A partir da Fig. 4.11 construa a Tabela. 4.13
Tabela 4.13 - Intensidade da radiação refletida por uma placa de material semi-
transparente em função do cosseno do ângulo polar, µ , para diferentes valores
do albedo de espalhamento simples ω .
I (0,− µ )
µ ω =0 ω = 0,9 ω = 1,0
µ1 =
µ2 =
µ3 =
M
µN =
E (x ) = α e − β x (4.123)
i xi yi
1 0,5 0,61203
2 1,0 0,36780
3 1,5 0,22313
4 2,0 0,13500
118
Este problema é resolvido, então, como um problema de otimização sem
restrições, onde busca-se minimizar um funcional de resíduos quadrados.
Realize as seguintes tarefas:
P1 ( x ) = a0 + a1x (4.124)
onde
P1 ( x ) = ln E ( x )
a0 = ln α (4.125)
a1 = − β
N N
2 2
S = ∑ [P1 ( x ) − ln yi ] = ∑ [a0 + a1 x − ln yi ] (4.126)
i =1 i =1
119
5
CAPÍTULO
INTEGRAÇÃO NUMÉRICA
5.1 - Introdução
I ( f ) = ∫ f ( x ) dx
b
(5.1)
a
I ( f n ) = I n ( f ) = ∫ f n ( x ) dx
b
(5.2)
a
f ( x ) − f n ( x ) ∞ = máx f ( x ) − f n ( x ) → 0 quando n → ∞
a ≤ x≤b
(5.3)
En ( f ) = I ( f ) − I n ( f ) = ∫ [ f ( x ) − f n (x )] dx
b
(5.4)
a
de onde se escreve
E n ( f ) ≤ ∫ f ( x ) − f n ( f )dx
b
(5.5)
a
En ( f ) ≤ ∫ f (x ) − f n ( x ) dx ≤ (b − a ) f ( x ) − f n ( x ) ∞
b
(5.6)
a
120
f ( x) − f n ( x) f ( x) − f n ( x)
máx | ƒ – ƒn | máx | ƒ – ƒn |
a b x a b x
∫
b
f ( x) − f n ( x) (b − a ) f ( x ) − f n ( x)
a
n
I n ( f ) = ∑ w j ,n f (x j ,n ), n ≥ 0 (5.7)
j =0
5.2 – Regra do
Trapézio
121
f (a ) + f (b )
I1 ( f ) = (b − a ) (5.8)
2
h j = x j − x j −1 = h, j = 1, 2, K , n (5.9)
onde
b−a
h= (5.10)
n
y
y
f (b ) f (x2 ) f ( xn−1 ) f (b) = f ( xn )
f ( x1 )
f ( xi )
f (a )
f ( x0 ) = f ( a )
a b x x0 = a x1 x2 K x j K xn −1 b = xn x
(a) (b)
Vemos na Fig. 5.2(b) que temos agora n trapézios, onde a área de cada
trapézio é dada por
f (x j −1 ) + f (x j )
Aj = h j = 1, 2, K , n (5.12)
2
122
Escreve-se então
n n
I ( f ) = ∫ f (x ) dx ≅ ∑ ∫ f n ( x ) dx = ∑ A j
b xj
a x j −1
j =1 j =1
[ ] [ ]
n n
f (x j −1 ) + f (x j ) = ∑ f (x j −1 ) + f (x j )
h h
=∑ (5.13)
j =1 2 2 j =1
n −1
f ( x0 ) + h∑ f (x j ) + f ( xn )
h h
=
2 j =1 2
Usando a notação
f j = f (x j ) j = 0, 1, 2, K , n (5.14)
escreve-se, portanto,
1 1
I n ( f ) = h f 0 + f 1 + f 2 + L + f n (5.15)
2 2
ou então,
f n −1
f
I n ( f ) = h 0 + ∑ f j + n (5.16)
2 j =1 2
h h
w0,n = ; w j , n = h, j = 1, 2,K , n − 1 wn, n = (5.17)
2 2
f (x j −1 ) + f (x j )
Aj = h j , j = 1, 2, K , n (5.18)
2
onde
h j = x j − x j −1 , j = 1, 2, K , n (5.19)
hj
[ f (x ) + f (x )]
n
I( f )≈ In ( f )= ∑ j −1 j (5.20)
j =1 2
123
5.3 – Regra de
Simpson
P2 ( x) = yk −1
(x − xk )(x − xk +1 ) + y (x − xk−1 )(x − xk+1 ) + y (x − xk −1 )(x − xk )
(xk −1 − xk )(xk −1 − xk +1 ) k (xk − xk−1 )(xk − xk+1 ) k +1 (xk +1 − xk −1 )(xk +1 − xk )
(5.21)
f (x )
f (c ) = f ( xk )
f (a ) = f (xk −1 )
f (b ) = f ( xk +1 )
ƒ(b
P2 ( x )
xk −1 = a xk = c xk +1 = b x
124
Desejamos encontrar uma aproximação para
I ( f ) = ∫ f ( x )dx
b
(5.22)
a
I 2 ( f ) = ∫ P2 ( x )dx
b
(5.23)
a
b
I 2 ( f ) = ∫ f (a )
(x − c )(x − b ) + f (c ) (x − a )(x − b ) + f (b ) (x − a )(x − c )dx
a
(a − c )(a − b ) (c − a )(c − b ) (b − a )(b − c )
(5.24)
b−a a+b
h= e c= →c−a =b−c = h (5.25)
2 2
h a+b
I2 ( f )= f (a ) + 4 f + f (b ) (5.26)
3 2
x j = a + jh, j = 0, 1, 2, K , n (5.27)
b−a
h= (5.28)
n
(
Considerando os pontos (x 2 j − 2 , f (x 2 j − 2 )) , x2 j −1 , f x2 j −1 ( )) e (x 2j , f (x 2 j ))
n
com j = 1, 2, K , , a integral para o polinômio de segundo grau ajustado para
2
estes pontos é calculada a partir da Eq. (5.26),
I 2j ( f ) = ∫
x2 j
x2 j − 2
P2j ( x )dx =
h
3
[ ]
f (x2 j − 2 ) + 4 f (x2 j −1 ) + f (x2 j ) , j = 1, 2, K ,
n
2
(5.29)
125
Escreve-se então,
n 2 n2
h
I ( f ) = ∫ f ( x ) dx ≅ ∑ ∫ P2j ( x ) dx = ∑ ( f 2 j − 2 + 4 f 2 j −1 + f 2 j )
b x2 j
(5.30)
j =1 3
a x2 j − 2
j =1
h
I( f ) ≅ ( f 0 + 4 f 1 + f 2 ) + h ( f 2 + 4 f 3 + f 4 ) + L + h [ f n − 4 + 4 f n−3 + f n −2 ] + h [ f n− 2 + 4 f n−1 + f n ]
3 3 3 3
(5.31)
ou seja,
n n
−1
h 2 2
I ( f ) ≅ f 0 + 4∑ f 2 j −1 + 2∑ f 2 j + f n (5.32)
3 j =1 j =1
h h n h
w0,n = , w2 j −1,n = 4 para j = 1,2, K , , w2 j ,n = 2
3 3 2 3
h n h
w2 j ,n = 2 para j = 1,2, K , − 1 e wn ,n = (5.33)
3 2 3
5.4- Quadratura
Gaussiana
n
I ( f ) = ∫ f ( x ) dx ≅ ∑ w j ,n f (x j ,n )
1
(5.34)
−1
j =1
126
trapézio formado pela reta y = α 0 + α 1 x no intervalo [− 1, 1] seja igual ao valor
da integral I ( f ) ,
1 1
∫ (α
−1
0 + α1 x ) dx = ∫ f ( x ) dx
−1
(5.35)
2
I ( f ) = ∫ f ( x ) dx = ∑ w j,2 f (x j , 2 ) = w1, 2 f (x1, 2 ) + w2, 2 f (x2, 2 )
1
(5.36)
−1
j=1
Simplificando a notação,
I ( f ) = w1 f ( x1 ) + w2 f (x2 ) (5.37)
y = α 0 + α1 x
y = f ( x)
−1 x1 x2 1 x
f ( x ) = a 0 + a1 x + a 2 x 2 + a 3 x 3 (5.38)
f (x ) = a 0 + a1 x + ( x − x1 )( x − x 2 )(β 1 + β 2 x ) (5.39)
127
Comparando as Eqs. (5.35) e (5.39) conclui-se então que x1 e x2 têm que
ser escolhidos de forma que
1
∫ (x − x )(x − x )(β
−1
1 2 1 + β 2 x ) dx = 0 (5.40)
1
∫ (x − x )(x − x ) dx = 0
−1
1 2 (5.41a)
1
∫ (x − x )(x − x )x dx = 0
−1
1 2 (5.41b)
2
+ 2 x1 x 2 = 0 (5.42a)
3
x1 + x 2 = 0 (5.42b)
1 1
x1 = − e x2 = (5.43)
3 3
1
∫ (α
−1
0 + α1 x ) dx = w1 f ( x1 ) + w2 f (x2 ) (5.44)
1
1 x2 1 1
α0x −1 + α1 = 2α 0 = w1 f − + w2 f =
2 3 3
−1
(5.45)
α α α
ω1 α 0 − 1 + w2 α 0 + 1 = α 0 (w1 + w2 ) − 1 (w1 − w2 )
3 3 3
w1 + w2 = 2
→ w1 = w2 = 1 (5.46)
w1 − w2 = 0
128
A fórmula de quadratura com dois pontos (n = 2 )
1 1
I ( f ) = f − + f (5.47)
3 3
1 dn 2
Pn ( x ) = (
x −1
n
) (5.48)
2 n! dx
n n
P0 ( x ) = 1
P1 (x ) = x
1
P2 ( x ) =
2
(3x 2 − 1) (5.49)
1
P3 ( x ) =
2
(5 x 3 − 3x )
1
P4 ( x ) =
8
(35x 4 − 30 x 2 + 3)
129
P0 (x)
0.8
P2 (x) 0.6
0.4
0.2 P4 (x)
1 1
− +
3 3
0
P3 (x) -0.2
-0.4
-0.6
-0.8
-1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
P1 (x)
Figura 5.5 – Polinômios de Legendre P0(x) a P4(x).
1
Pn ( x ) = [(2n − 1)x Pn−1 (x ) − (n − 1)Pn− 2 (x )] (5.50)
n
−2
w j ,n = , j = 1, 2, K , n (5.51)
(n + 1)Pn ' ( x j ,n ) Pn+1 ( x j ,n )
Observando que
dP2 ( x)
= 3x (5.52)
dx
130
−2 −2
w j ,2 = = (5.53)
dP2 ( x) 1
3 P3 ( x) x 3 ⋅ 3 x j ,n
2
(
5 x 3j ,n − 3 x j ,n )
dx x j ,n j ,n
-1 1 x
b−a
t= x+c (5.55)
2
131
Para x = −1 tem-se que t = a , e da Eq. (5.55) escreve-se então
t=
(b − a ) x + (b + a ) (5.56)
2 2
dt b − a b−a
= → dt = dx (5.57)
dx 2 2
t = a → x = −1
(5.58)
t = b → x =1
b−a 1 b −a (b + a ) dx
∫ f (t )dt = 2 ∫
b
f x+ (5.59)
a −1
2 2
5.5 – Integração em
Duas Dimensões
I( f ) = ∫ ∫ f (x, z )dz dx
b d
(5.60)
a c
b−a
xi = a + (i − 1)∆x com ∆x = (5.61)
Nx −1
d −c
z j = c + ( j − 1)∆z com ∆x = (5.62)
Nz −1
Usando a dupla interpolação linear apresentada na Seção 4.3 e
considerando a avaliação da função f (ξ ,η ) onde xi −1 ≤ ξ ≤ xi e z j −1 ≤ η ≤ z j , as
Eqs. (4.12) e (4.13) são reescritas como
ξ − xi −1
γ = (5.63)
xi − xi −1
132
η − z j −1
α= (5.64)
z j − z j −1
f (ξ , z j −1 ) = (1 − γ ) f (xi −1 , z j −1 ) + γ f (xi , z j −1 )
f (ξ , z j ) = (1 − γ ) f (xi−1 , z j ) + γ f (xi , z j ) (5.65)
f (ξ ,η ) = (1 − α ) f (ξ , z j −1 ) + α f (ξ i , z j )
xi − xi −1 xi + xi −1 z j − z j −1 z j + z j −1
ξ = xi −1 + = η = z j −1 + = (5.66)
2 2 2 2
γ = α = 0,5 (5.67)
133
1
f (ξ ,η ) = {f (xi −1 , z j −1 ) + f (xi , z j −1 ) + f (xi −1 , z j ) + f (xi , z j )} (5.68)
4
1
f i, j = ( f i −1, j −1 + f i, j −1 + f i −1, j + f i , j ) (5.69)
4
vi , j = f i , j ( xi − x i −1 )(z j − z j −1 ) (5.70)
Nx Nz Nx Nz
I( f ) = ∫ f ( x, z ) dz dx ≈ ∑∑ vi , j = ∑∑ f ij (xi − xi −1 )(z j − z j −1 )
b d
a ∫ c
i =2 j =2 i =2 j = 2
(5.71)
Nx Nz
I ( f ) = ∆x∆z ∑∑ f ij (5.72)
i =2 j =2
5.7 – Exercícios
I ( f ) = ∫ f (x ) dx
b
134
5.7.1.5 – Use as rotinas computacionais para o cálculo da integral da função
f ( x ) = 3 x 2 + 4 no intervalo [0,2].
Observações:
i) Varie o número de intervalos usados com a regra do trapézio e com a regra de
Simpson para observar a convergência do resultado.
ii) Varie o grau do polinômio de Legendre, n, para observar a convergência dos
resultados com o uso da quadratura de Gauss-Legendre.
iii) Comente todos os resultados obtidos. Inclua nos comentários uma comparação
da velocidade de convergência dos métodos.
I (τ0 , µ)
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0 0,2 0,4 0,6 0,8 1,0 µ
Figura 5.8 – Intensidade da radiação transmitida através de uma placa de espessura óptica τ0 ,
em função do cosseno do ângulo polar µ.
1
2π ∫ I (τ 0 , µ )µ dµ
0
T= 1
(5.73)
2π ∫ µ dµ
0
135
Realize então as seguintes tarefas:
1
2π ∫ I (0, − µ )µ dµ
0
R= 1
2π ∫ µ dµ
0
Tabela 5.1 – Valores da intensidade da radiação refletida obtidos com uma interpolação por
splines cúbicos dos dados apresentados na Tabela 4.11.
Ponto µi I (0,− µ i )
1
2
3
M
N
136
5.7.4 – Ao se buscar a solução de um problema de transferência de calor por
radiação em uma cavidade cilíndrica de raio a e comprimento L , conforme a
representação esquemática feita na Fig. 5.9, chega-se à seguinte formulação
matemática adimensional
γ
ϕ (ξ ) = 1 + λ ∫ ϕ (η )K (ξ ,η )dη , 0 ≤ ξ ≤ γ (5.74)
η =0
λ =1−ε (5.75)
3 3
η −ξ + η −ξ
K (ξ ,η ) = 1 − 2 (5.76)
{ 3
(η − ξ )2 + 1 2 }
x
ξ= , 0≤ x≤L (5.77)
2a
L
γ = (5.78)
2a
γ
ϕ 1 (ξ ) = 1 + λ ∫ ϕ 0 (η )K (ξ ,η )dη , 0≤ξ ≤γ (5.79)
η =0
2a 2a
x
x= 0 x=L
x=0 x=L
137
Com a estimativa ϕ 1 (ξ ) uma nova estimativa é obtida fazendo
γ
ϕ 2 (ξ ) = 1 + λ ∫ ϕ 1 (η )K (ξ ,η )dη , 0≤ξ ≤γ (5.80)
η =0
γ
ϕ n (ξ ) = 1 + λ ∫ ϕ n −1 (η )K (ξ ,η )dη , 0 ≤ ξ ≤ γ (5.81)
η =0
até que um critério de parada estabelecido a priori seja satisfeito, por exemplo
γ γ
∫ξ ϕ n (ξ )dξ − ∫ ϕ n −1 (ξ )dξ < δ (5.83)
=0 ξ =0
lim ϕ n (ξ ) = ϕ (ξ ) (5.84)
n →∞
1
λ < (5.85)
γM
1
β (ξ ) = [1 − εϕ (ξ )] (5.86)
λ
γ
z = 4πa 2 ∫ β (ξ )dξ (5.87)
ξ =0
138
5.7.4.2 – Apresente os resultados na forma de tabelas e gráficos para os
seguintes parâmetros:
γ= ε=
ξ ϕ β
γ
0
0,05
0,1
M
0,95
1
ϕ, β
ξ
0 γ
1
139
6
CAPÍTULO
6.1 - Introdução
onde
2 −1 0 0 L 0 0 0
− 1 2 −1 0 L 0 0 0
0 −1 2 −1 M (6.2)
A=
M O O O
0 0 0 0 L −1 2 − 1
0 0 0 0 L 0 −1 2
u1
r u2
u= (6.3)
M
u N −1
f1 (∆X )2
r f 2 (∆X )2
b = (6.4)
M
f (∆X )2
N −1
r
u é o vetor de incógnitas, f i é o valor do termo fonte na Eq. (1.4a) e
i representa o nó da malha computacional usada na discretização do
domínio físico, com i = 1, 2,K, N − 1 .
Para o problema considerado na seção 1.1 as condições de
contorno são de 1º Tipo (Dirichlet), sendo portanto prescritos os
valores para as temperaturas u0 e u N .
O sistema (6.1) é composto por N − 1 equações algébricas
lineares e possui N − 1 incógnitas, ui , i = 1, 2,K , N − 1 .
140
Neste capítulo serão vistos alguns métodos para a solução deste sistema.
Na seção 4.6 foi apresentada a interpolação de um conjunto de pontos,
(xi , yi ) , i = 1, 2,K, N − 1 , com splines cúbicos. O principal passo neste
desenvolvimento é a necessidade da solução de um sistema de equações
algébricas lineares
µ i M i −1 + 2M i + λi M i +1 = d i , i = 2, 3,K, N − 1 (6.5)
2 λ2 0 0 L 0 0 0
µ 2 λ3 0 L 0 0 0
3
0 µ4 2 λ4 L 0 0 0
A= (6.7)
O O O
0 0 0 0 L µ N −2 2 λN −2
0 0 0 0 L 0 µ N −1 2
M2
r M
x= 3 (6.8)
M
M N −1
d2
r d 3
b = (6.9)
M
d N −1
141
Para problemas em duas dimensões, obteríamos uma matriz do tipo
banda pentadiagonal.
Em outros problemas de interesse a matriz pode ser cheia. Em outros
pode ser esparsa, como usualmente acontece com o uso do método de elementos
finitos.
Os métodos numéricos desenvolvidos para a solução de sistemas de
equações algébricas lineares são de dois tipos: métodos diretos e métodos
indiretos. No caso dos métodos diretos é realizado um número fixo de operações
ao final das quais se obtém o resultado. Os métodos indiretos são construídos
com procedimentos iterativos onde a solução é obtida após um número variável
de iterações, estando este número associado ao critério de convergência
estabelecido a priori. Em ambos os casos existem vantagens e desvantagens.
Nas próximas seções serão apresentados alguns destes métodos.
6.2 – Métodos
Diretos
6.2.1 – Eliminação
Gaussiana
r r
Neste método o problema Ax = b é reduzido a um sistema equivalente
r r
Ux=d (6.10)
onde o índice (1) representa os coeficientes com seus valores iniciais. Com as
manipulações a serem realizadas os valores dos coeficientes serão alterados e
estes índices assumirão então outros valores (2), (3), …, conforme o número de
operações realizadas.
Definindo os multiplicadores
ai(11)
mi1 = , i = 2, 3, K , n (6.12)
a11(1)
142
multiplicando a primeira equação por mi1 e subtraindo a equação resultante da
equação i correspondente, elimina-se o coeficiente de x1 , i.e. ai1 . Este
procedimento é realizado para todas as equações i = 2, 3,K , n , ou seja,
ai(22 )
mi 2 = (2 ) , i = 3, K , n (6.17)
a22
ai(23 ) = 0, i = 3, 4, K , n (6.20)
143
a11(1) x1 + a12(1) x2 + a13(1) x3 + L + a1(1j) x j + K + a1(1n) xn = b1(1)
(2 ) (2 )
0 + a22 x2 + a23 x3 + L + a2(2j) x j + K + a2(2n) xn = b2( 2 )
(3 )
0 + 0 + a33 x3 + L + a3(3j) x j + K + a3(3n) xn = b3(3 )
(3 )
0 + 0 + a43 x3 + L + a4(3j) x j + K + a4(3n) xn = b4(3 ) (6.21)
(3 )
0 + 0 + a53 x3 + L + a5(3j) x j + K + a5(3n) xn = b5(3 )
M
(3 ) (3 ) (3 )
0 + 0 + an 3 x3 + L + anj x j + L + ann xn = bn(3 )
aik(k )
mik = , k = 1, 2,K, n − 1, i = k + 1, k + 2,K , n (6.23)
akk(k )
aij(k +1) = aij(k ) − mik akj(k ) , k = 1, 2,K, n −1, i = k + 1, k + 2,K, n e j = k +1, k + 2,K, n (6.24)
(k )
akk ≠0 (6.27)
144
No início de cada passo k de eliminação de coeficientes, quando a linha
k é mantida fixa, é feita uma troca de posição de equações, de forma que fique
um termo diferente de zero na posição do pivot.
A solução do sistema (6.22) é muito simples, sendo feita uma simples
substituição de trás para frente (backward sweep). Começando da última
equação escrevemos
b (n )
xn = n(n ) (6.28)
ann
bn(n−−11) − an(n−−11,n) xn
xn −1 = (6.29)
an(n−−11, n) −1
1 (l ) n
xl =
all(l )
bl − ∑ a( )x lj
l
j , l = n, n − 1, n − 2, K ,1 (6.30)
j =l +1
Pivoteamento
Parcial
145
Pivoteamento
Completo
Neste caso é feita uma busca não só nas linhas como também nas
colunas, de forma a identificar
Definindo
r r
Ux=y (6.34)
6.2.2 – Algoritmo
de Thomas
′ = a11
a11
b1′ = b1
ai′,i +1 = ai ,i+1 , i = 1, 2, K , n − 1
ai′,i −1 = 0, i = 2, 3, K , n
146
ai ,i −1
aii′ = aii − ai −1,i , i = 2, 3,K, n (6.36)
ai′−1,i −1
ai ,i−1
bi′ = bi − bi′−1 , i = 2, 3, K , n (6.37)
ai′−1,i−1
bn′
xn = (6.38)
′
ann
bk′ − a′k , k +1 xx +1
xk = , k = n − 1, n − 2,K, 1 (6.39)
a′kk
ai ,i −1
mi ,i −1 = (6.40)
ai′−1,i −1
ai ,i −1
ai′,i +1 = ai ,i +1 − ai −1,i +1 (6.41)
ai′−1,i −1
onde ai −1,i +1 = 0 .
6.3 – Métodos
Iterativos
147
realizadas. Neste caso os métodos iterativos são melhores, e em alguns casos são
os únicos que poderão ser usados na prática.
É comum também que a matriz seja esparsa, ou seja, com um grande número de
coeficientes nulos, e muitas vezes podendo ser representada de forma simples.
Neste caso os métodos iterativos são superiores por utilizarem apenas os
coeficientes diferentes de zero, enquanto que ao se utilizar métodos diretos a
maioria dos coeficientes nulos seriam trocados por valores diferentes de zero.
6.3.1 – Método
de Gauss-Jacobi
x1
r x
x = 2 (6.43)
M
xn
ou seja,
i −1 n
∑a
j =1
ij x j + aii xi + ∑a
j =i +1
ij x j = bi , i = 1, 2,K, n (6.45)
1 n
xi = bi − ∑ aij x j , i = 1, 2,K, n (6.46)
aii j =1
j ≠i
148
1 n
k
xik +1 = i ∑ ij j , i = 1, 2,K, n
b − a x (6.47)
aii j =1
j ≠i
xik +1 − xik
< ε , i = 1, 2,K, n com xik ≠ 0 (6.48)
xik
6.3.2 – Método
de Gauss-Seidel
r
No método de Gauss-Jacobi é utilizada a estimativa anterior x k para o
r
cálculo da nova estimativa x k +1 . No método de Gauss-Seidel ao se calcular a
nova estimativa para a incógnita xik +1 , i = 1, 2,K , n , são usadas as novas
estimativas xlk + 1 , l = 1, 2,K , i − 1 , já calculadas, e as estimativas anteriores
xlk , l = i + 1, i + 2K, n , para as incógnitas ainda não calculadas.
Partindo da Eq. (6.42) escrevemos
1 i −1 n
k
xik +1 = k +1
bi − ∑ aij x j − ∑ aij x j , i = 1, 2,K, n (6.49)
aii j =1 j = i +1
µ i M i −1 + 2M i + λi M i +1 = d i , i = 2, 3,K, N − 1 (6.50)
149
1
M ik +1 =
2
{ }
d i − µ i M ik−+11 − λ i M ik+1 , i = 2, 3, K , N − 1 (6.51)
r r
A partir de uma estimativa inicial, M 0 , são calculadas as estimativas M 1 ,
1
M 21 =
2
{
d 2 − λ2 M 30 }
1
{
M 31 = d 3 − µ 3 M 21 − λ3 M 40
2
}
1
{
M 41 = d 4 − µ 4 M 31 − λ4 M 50
2
} (6.52)
M
1
M 1N −2 =
2
{
d N −2 − µ N −2 M 1N −3 − λ N −2 M N0 −1 }
1
M 1N −1 {
= d N −1 − µ N −1 M 1N −2
2
}
r
Na segunda iteração são calculadas as estimativas M 2 ,
1
M 22 =
2
{
d 2 − λ2 M 31 }
1
{
M 32 = d 3 − µ 3 M 22 − λ3 M 41
2
}
1
{
M 42 = d 4 − µ 4 M 32 − λ4 M 51
2
} (6.53)
M
1
M N2 −2 =
2
{
d N −2 − µ N −2 M N2 −3 − λ N −2 M 1N −1 }
1
M N2 −1 {
= d N −1 − µ N −1 M N2 −2
2
}
Conforme descrito no algoritmo apresentado na seção 6.3.1, o
procedimento iterativo é continuado até que o critério
M ik +1 − M ik
k
< ε , i = 2, 3,K, N − 1, M ik ≠ 0 (6.54)
Mi
seja satisfeito.
Voltando à Eq. (6.49) que descreve de forma genérica o método de
r
Gauss-Seidel, este converge com o uso de qualquer estimativa inicial x 0 quando
ocorre a dominância da diagonal, i.e.
n
aii ≥ ∑ aij , i = 1, 2, K, n (6.55)
j =1
j ≠i
150
e para pelo menos uma linha
n
aii > ∑ aij (6.56)
j =1
j ≠i
Lançador
Atirador
+1
xikSOR = ω xikGS+1 + (1 − ω )xikSOR (6.57)
151
Para que ocorra convergência, ω tem que ser menor que 2. Para
1 < ω < 2 tem-se uma sobre-relaxação e para 0 < ω < 1 tem-se uma sub-relaxação.
Com ω = 1 volta-se ao método de Gauss-Seidel.
Em alguns casos é possível obter analiticamente o valor de ω ótimo,
ωopt , para o qual o número de iterações é mínimo. No entanto, na maioria das
vezes é feita uma busca de uma aproximação para ωopt empregando
experimentação numérica. O valor obtido pode então ser aplicado em outros
problemas semelhantes.
6.4 - Exercícios
u (0 ) = 0 u (1 ) = 0
f (X )
X = 0 X =1
d 2 u (X ) + f (X ) = 0 , 0 < X <1
dX 2
u (0 ) = 0 em X = 0
u (1) = 0 em X = 1
152
6.4.1.2 – Discretize o problema utilizando o método de diferenças finitas para o
caso genérico em que f ( X ) não é constante.
153
7
CAPÍTULO
SOLUÇÃO NUMÉRICA DE EQUAÇÕES
DIFERENCIAIS ORDINÁRIAS
7.1 – Introdução
dy ( x )
= f ( x, y ) (7.1a)
dx
y ( x0 ) = y 0 (7.1b)
d 2 y(x ) dy
2
= g , y, x (7.2)
dx dx
ao se definir
dy ( x )
= z (x ) (7.3)
dx
obtém-se então
dz ( x )
= g ( z, y, x ) (7.4)
dx
154
Os métodos que serão vistos neste capítulo são facilmente generalizados
para a solução de sistemas de equações diferenciais ordinárias de primeira ordem
simultâneas.
A Eq. (7.1.a) é uma relação que define para cada ponto a derivada
naquele ponto. Em geral vai existir uma família de curvas que satisfaça esta
condição.
Conforme representado na Fig. 7.1, o uso da Eq. (7.1b) implica em
selecionar a curva particular que passa no ponto (x0 , y0 ) .
Nas seções seguintes serão vistos alguns métodos numéricos
desenvolvidos para a solução do problema (7.1).
Primeiro serão vistos os métodos diretos (de um passo) e depois serão
vistos os métodos de múltiplos passos (iterativos).
y ( x)
y0
x0 x
dy ( x )
Figura 7.1 – Família de curvas para as quais = f ( x, y ) .
dx
7.2 – Métodos
de um Passo
(Métodos Diretos)
7.2.1 – Expansão
de Taylor
155
y ( x ) = y ( xm ) +
dy
( x − xm ) + d
2
y (x − xm )2 + K
dx x = xm dx 2 x = xm
2
d jy
+ j
( x − xm ) j
d j +1 y
+ j +1
(x − xm ) j +1 (7.5)
dx x = xm
j! dx x =ξ
( j + 1)!
onde
xm ≤ ξ ≤ x (7.6)
dy h2 d 2 y
y ( xm+1 ) = y (xm + h ) = y ( xm ) + h + +L
dx x = xm 2 dx 2 x = xm
hj d jy h j +1 d j +1 y
+ + (7.7)
j ! dx j x = xm
( j + 1)! dx j +1 x =ξ
Da Eq. (7.1.a),
dy ( x )
= f ( xm , y ( xm )) (7.8)
dx x= xm
dy ( x )
= f ( xm , y m ) (7.9)
dx x = xm
d dy d
= f ( x, y ( x ))
dx dx dx
d 2 y ∂f ( x, y (x )) ∂f ( x, y ( x )) dy (x )
= + (7.10)
dx 2 ∂x ∂y dx
d 2 y ∂f ( x, y ) ∂f ( x, y )
2
= + f ( x, y )
dx ∂x ∂y
d2y ∂f ∂f
= +f (7.11)
dx 2 x = xm
dx x = x m x = xm
dy x = x m
156
Fazendo j = 2 na Eq. (7.7),
dy h2 d 2 y h3 d 3 y
y ( xm + h ) = y (xm ) + h + +
dx x = xm 2 dx 2 x = xm
6 dx 3 x =ξ
(7.12)
h 2 ∂f ∂f h3 d 3 y
+
y (xm + h ) = y (xm ) + hf ( xm , ym ) + + f ( xm , y m )
2 ∂x ∂y 6 dx 3
x = xm x = xm x =ξ
(7.13)
h3 d 3 y
ET = , xm ≤ ξ ≤ x (7.14)
6 dx 3 x =ξ
h
ym +1 = ym + h f + ( f x + ff y ) (7.15)
2 x = xm
e lembrando que
xm +1 = xm + h (7.16)
157
7.2.2 – Métodos
de Runge-Kutta
7.2.2.1 – Método
de Euler
dy
y= x+b (7.17)
dx x = x m
y
Aproximação da solução
no ponto xm +1
Reta
ym +1
e
y = y (x )
ym Solução exata
(desconhecida)
xm xm +1 x
Figura 7.2 – Método de Euler
dy
ym = xm + b (7.18)
dx x= xm
e então,
158
dy
b = ym − xm (7.19)
dx x = xm
dy
y = ym + (x − xm ) (7.20)
dx x = xm
Da Eq. (7.1.a),
dy
= f ( xm , y m ) (7.21)
dx x = xm
ym +1 = ym + hf ( xm , ym ) (7.22)
Vamos comparar este resultado com aquele que seria obtido usando a
expansão de Taylor. Façamos j = 1 na Eq. (7.7),
dy h2 d 2 y
ym +1 = y m + h + (7.23)
dx x = xm 2 dx 2 x =ξ
h2 d 2 y
ET = (7.24)
2 dx 2 x =ξ
ym +1 = ym + hf ( xm , ym ) (7.25)
159
7.2.2.2 – Método
de Euler Melhorado
y Reta 1 (Euler)
dy Reta 2
ym + h Reta 4
dx x = xm Reta 3
(Média das derivadas)
• y = y ( x)
Solução exata
( xm +1 , ym +1 ) (desconhecida)
ym
( xm , ym )
xm xm+1 x
h
dy
Reta 1 → = f (xm , y m )
dx x = xm
dy dy
Reta 2 → = f x m + h, y m + h
dx dx
x = x m +1 x = xm
160
1
ϕ (xm , ym , h ) = [ f (xm , ym ) + f (xm + h, ym + hf (xm , ym ))]
2
(7.26)
y ( x ) = y m + ( x − xm ) ϕ ( xm , y m , h ) (7.27)
ym +1 = ym + hϕ ( xm , ym , h ) (7.28)
7.2.2.3 – Método
de Euler Modificado
h h dy
ϕ ( xm , ym , h ) = f xm + , ym + (7.29)
2 2 dx x = x m
onde
dy
= f ( xm , y m ) (7.30)
dx x = xm
y = ym + ( x − xm )ϕ ( xm , ym , h ) (7.31)
161
Para o ponto x = xm +1 obtém-se então
ym +1 = ym + hϕ (xm , ym , h ) (7.32)
y Reta 1 (Euler)
Reta 2
Reta 3
• y = y (x)
Solução exata
( xm +1 , ym +1 ) (desconhecida)
ym
xm xm +1 x
h/2
dy
Reta 1 → = f ( xm , y m )
dx x= xm
dy h h dy
Reta 2 → = f xm + , ym +
dx x = x m + h 2 2 dx
2
x = xm
7.2.2.4 – Método
de Quarta Ordem
h
ym +1 = ym + (k1 + 2k2 + 2k3 + k4 ) (7.33a)
6
162
k1 = f ( xm , ym ) (7.33b)
h h
k 2 = f xm + , y m + k1 (7.33c)
2 2
h h
k 3 = f xm + , y m + k 2 (7.33d)
2 2
k4 = f ( xm + h, ym + hk3 ) (7.33e)
7.3 – Métodos de
Múltiplos Passos
(Métodos Iterativos)
Podemos ver que y1 não pode ser calculado usando a Eq. (7.34) porque
seria necessário conhecer y−1 , o que não é possível uma vez que o procedimento
é iniciado a partir de x0 , onde conhecemos y0 . Um método de Runge-Kutta é
freqüentemente usado, portanto, para o início de um método do tipo previsão-
correção.
Na Fig. 7.5 vemos a representação geométrica para a obtenção de ym(0+)1
conforme a Eq. (7.34), para m ≥ 1 .
163
Reta 1
Reta 2
•
( xm +1 , ym(0)+1 )
y = y ( x)
Solução exata
(desconhecida)
xm −1 xm xm+1 x
h h
Reta 3
( xm +1 , ym(0)+1 )
Reta 1
Reta 2
•
•
Reta 4
y = y ( x)
Solução exata ( xm +1 , ym(1)+1 ) Reta 5
(desconhecida)
xm −1 xm xm+1 x
h h
h
ym(1+) 1 = ym +
2
[
f (xm , ym ) + f (xm +1 , ym(0+)1 )] (7.35)
164
Podemos agora obter uma estimativa melhor ym(2+)1 usando a derivada no
( )
ponto xm +1 , ym(1+) 1 . De forma geral,
h
ym(i )+1 = ym +
2
[ ]
f ( xm , ym ) + f (xm +1 , ym(i −+11) ) para i = 1, 2, 3,K (7.36)
∂f
≤M (7.38)
∂y
2
h< (7.39)
M
7.4 – Exercícios
dT (t ) hA
=− T (t ) (7.40a)
dt ρc pV
165
com a condição inicial
T (0 ) = T0 (7.40b)
+
V0 C Vc
_
dVc (t ) Vc (t ) − V0
+ =0
dt τ
Vc (0 ) = 0
166
7.4.2.1 – Obtenha a solução analítica para este problema usando a mudança de
variável U (t ) = Vc (t ) − V0 .
V0 = 10V
R = 2000Ω
C = 10 −6 F
167