Baixe o app para aproveitar ainda mais
Prévia do material em texto
CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA Prof. Jean Carlos Rodrigues CÁLCULO NUMÉRICO Marília/SP 2022 “A Faculdade Católica Paulista tem por missão exercer uma ação integrada de suas atividades educacionais, visando à geração, sistematização e disseminação do conhecimento, para formar profissionais empreendedores que promovam a transformação e o desenvolvimento social, econômico e cultural da comunidade em que está inserida. Missão da Faculdade Católica Paulista Av. Cristo Rei, 305 - Banzato, CEP 17515-200 Marília - São Paulo. www.uca.edu.br Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma sem autorização. Todos os gráficos, tabelas e elementos são creditados à autoria, salvo quando indicada a referência, sendo de inteira responsabilidade da autoria a emissão de conceitos. Diretor Geral | Valdir Carrenho Junior CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 5 SUMÁRIO CAPÍTULO 01 CAPÍTULO 02 CAPÍTULO 03 CAPÍTULO 04 CAPÍTULO 05 CAPÍTULO 06 CAPÍTULO 07 CAPÍTULO 08 CAPÍTULO 09 CAPÍTULO 10 CAPÍTULO 11 CAPÍTULO 12 CAPÍTULO 13 CAPÍTULO 14 CAPÍTULO 15 08 19 30 41 52 62 74 84 93 102 113 126 137 147 157 A MODELAGEM MATEMÁTICA MÉTODOS ANALÍTICOS X MÉTODOS NUMÉRICOS TÉCNICAS DE MODELAGEM MATEMÁTICA ERROS E SUAS FONTES TEORIA DA PROPAGAÇÃO DE ERROS ESTUDO DE FUNÇÕES: REVISÃO RAÍZES DE FUNÇÕES: MÉTODOS DA BISSECÇÃO, DA FALSA POSIÇÃO E DE NEWTON INTERPOLAÇÃO POLINOMIAL CÁLCULO NUMÉRICO: REVISÃO DE PRODUTO MISTO E VETORIAL MATRIZES E OPERAÇÕES DETERMINANTES SISTEMAS LINEARES: DECOMPOSIÇÃO LU SISTEMAS LINEARES: DECOMPOSIÇÃO LU COM PIVOTAMENTO INTEGRAÇÃO NUMÉRICA INTEGRAÇÃO NUMÉRICA: REGRA DO TRAPÉZIO CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 6 INTRODUÇÃO Olá querido(a) aluno(a)! O cálculo numérico e a modelagem matemática que conhecemos hoje são, na verdade, consequências de centenas de anos de evolução das técnicas e teorias matemáticas. Quando falamos em modelar um problema, estamos nos referindo à tradução de uma situação real para a linguagem matemática formal, que se utiliza de letras, números e métodos numéricos para a solução de problemas reais ou fictícios. Inicialmente, você vai aprender como os modelos matemáticos podem ser formulados e reconhecer o uso dos métodos numéricos para resolução de problemas que não podem ser resolvidos analiticamente e, por fim, identificar e corrigir os principais erros do método numérico. Os diversos ramos do setor produtivo e da área de engenharia química envolvem vários processos e sistemas que apresentam variáveis de entrada e parâmetros, sejam eles conhecidos ou não. O sucesso de uma empresa depende de como ela atua em toda a cadeia produtiva e do que gera para o consumidor final. Nesse sentido, a modelagem matemática e a simulação de processos servem como ferramentas preditivas que contribuem para a melhor tomada de decisão frente a incertezas, problemas ou mudanças necessárias. No entanto, tais técnicas só serão efetivas se bem compreendidas. Os processos em geral e suas propriedades físico- químicas também devem ser compreendidas, pois serão objeto de estudo e validação das ferramentas. A indústria e o comércio, de maneira geral, estão interessados em agregar valor a um determinado produto ou serviço. Um empreendedor deve buscar constantemente a inovação e a otimização dos processos para se manter no mercado altamente competitivo. Para isso, ele tem que buscar um diferencial que atraia ou mantenha o consumidor, que está cada vez mais exigente. Além disso, o empreendedor precisa enfrentar a concorrência nacional e internacional. Essa busca pela otimização difere do clássico pensamento capitalista que focava apenas no aumento da lucratividade, obtido principalmente com práticas de redução de custos. No contexto atual, a otimização dos serviços e processos produtivos de uma empresa para que sejam alcançados melhores resultados demanda investimento, especialmente em mão de obra especializada, alta tecnologia e um sistema de gestão eficaz. Atualmente, a modelagem e a simulação CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 7 vêm ganhando destaque na indústria. Você saberá identificar os Erros de Medição e as principais causas de Erros. Diferenciará os tipos de Erros. Você vai estudar os principais conceitos sobre modelagem matemática e simulação. Além disso, vai conhecer os principais elementos presentes no processo de modelagem. Por fim, vai ver diferentes sistemas utilizados para o desenvolvimento dos modelos matemáticos. Reconhecerá a importância do uso dos métodos numéricos para o cálculo de raízes de funções. Definirá e diferenciará os métodos de Bissecção, Falsa Posição e Newton. Aplicará os métodos de Bissecção, Falsa Posição e Newton na solução de problemas. Estudará interpolação polinomial e a diferença entre o polinômio de Newton e o polinômio de Lagrange. Aplicará a interpolação polinomial e a interpolação por splines para estimar valores intermediários entre dados precisos. Verá o método da decomposição LU na resolução de sistemas lineares sem e com pivotamento, sua importância na resolução de tais sistemas, obtenção de matrizes inversas. Aprenderá a definição e a aplicação da regra do trapézio simples e composta como procedimentos para calcular integrais aproximadas em situações-problema, além de diferenciar esses processos de integração numérica, avaliando, assim, quando se deve utilizar cada um. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 8 CAPÍTULO 1 A MODELAGEM MATEMÁTICA Imagem da capa: Gráfico tridimensional do valor absoluto da função gama complexa Fonte: Wikimedia Commons Disponível em< https://upload.wikimedia.org/wikipedia/commons/3/33/Gamma_abs_3D.png > Os diversos ramos do setor produtivo e da área de engenharia química envolvem vários processos e sistemas que apresentam variáveis de entrada e parâmetros, sejam eles conhecidos ou não. O sucesso de uma empresa depende de como ela atua em toda a cadeia produtiva e do que gera para o consumidor final. Nesse sentido, a modelagem matemática e a simulação de processos servem como ferramentas preditivas que contribuem para a melhor tomada de decisão frente a incertezas, problemas ou mudanças necessárias. No entanto, tais técnicas só serão efetivas se bem compreendidas. Os processos em geral e suas propriedades físico-químicas também devem ser compreendidas, pois serão objeto de estudo e validação das ferramentas. Neste capítulo, você vai estudar os principais conceitos sobre modelagem matemática e simulação. Além disso, vai conhecer os principais elementos presentes no processo de modelagem. Por fim, vai ver diferentes sistemas utilizados para o desenvolvimento dos modelos matemáticos. https://upload.wikimedia.org/wikipedia/commons/3/33/Gamma_abs_3D.png CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 9 1.1 Modelagem matemática de processos A indústria e o comércio, de maneira geral, estão interessados em agregar valor a um determinado produto ou serviço. Um empreendedor deve buscar constantemente a inovação e a otimização dos processos para se manter no mercado altamente competitivo. Para isso, ele tem que buscar um diferencial que atraia ou mantenha o consumidor, que está cada vez mais exigente. Além disso, o empreendedor precisa enfrentar a concorrência nacional e internacional. Essa busca pela otimização difere do clássico pensamento capitalista que focava apenas no aumento da lucratividade, obtido principalmente com práticas de redução de custos. No contexto atual, a otimização dos serviços e processos produtivos de uma empresa para que sejam alcançados melhores resultados demanda investimento, especialmente em mão de obra especializada, alta tecnologia e um sistema de gestãoeficaz. Atualmente, a modelagem e a simulação vêm ganhando destaque na indústria. Um exemplo disso pode ser visto na planta química apresentada na Figura 1. Nesse caso, o principal objetivo é avaliar a operabilidade de toda a planta por meio de modelos matemáticos que descrevam cada processo e sistema pertencente a ela. Para a concretização desse novo modelo de negócio, algumas técnicas e/ou ferramentas foram criadas e aprimoradas, principalmente com a introdução de computadores e o avanço tecnológico. Entre essas técnicas, estão a modelagem matemática e a simulação de processos. Figura 1: Diagrama de processo de uma planta química típica Fonte: Franco (2021, p. 5). CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 10 Antes de compreendermos o funcionamento dessas ferramentas, é impor- tante entendermos o que os termos e conceitos listados a seguir significam. • Modelagem: sem estar inserida em um contexto, é apenas o substan- tivo feminino derivado do verbo modelar. No entanto, acompanhada do termo “matemática”, forma uma expressão e assume outro papel. • Modelagem matemática: por ter aplicabilidade multidisciplinar, cada área adota uma explicação que mais se aproxima ao tema. Porém, para processos químicos, é possível definir como a constituição de modelos matemáticos que mais se aproximem de uma dada realidade a ser analisada e que podem ser interpretados como respostas no mundo real (BASSANEZI, 1999). • Modelo matemático: representação de um processo (por exemplo, químico) por meio de equações matemáticas. • Processo: conjunto de unidades de operação, como colunas de desti- lação e reatores, no caso da engenharia química. • Parâmetro: valor atribuído a uma propriedade do processo (por exemplo, química ou física). É conhecido como uma constante ou não. Em caso negativo, deve ser estimado. • Equação: expressão matemática que relaciona as variáveis. • Variável: grandeza representada por simbologia matemática que, em geral, apresenta um valor inicial desconhecido. • Variável de entrada: é determinada, com base no conhecimento prévio do processo, anteriormente à resolução dos problemas, sendo alterada durante a operação. • Sistemas: conjunto de elementos interdependentes que interagem entre si. • Simulação: realização ou imitação de um processo real por meio de um modelo computacional que gere resultados que permitam criar estratégias operacionais (BEQUETTE, 1998). • Grau de liberdade: é a diferença entre o número de variáveis inde- pendentes do processo e o número de equações independentes do processo. A partir do conhecimento dos conceitos, vale ressaltar que as leis fun- damentais da física e da química (como as leis de conservação de energia e massa) constituem a base dos modelos matemáticos. Como se trata de um procedimento muito importante CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 11 para qualquer empreendimento, sua implantação deve ser realizada de forma criteriosa, devendo ser coordenada por um profissional devidamente habilitado. Tal profissional deve ter domínio sobre as principais áreas do conhecimento (termodinâmica, escoamento de fluídos, cinética, transferência de calor e massa, controle e otimização de processos, entre outras), sobre os proces- sos envolvidos (como colunas de destilação, reatores e trocadores de calor, no caso da engenharia química) e sobre as ferramentas utilizadas. Dentro de todo o contexto destacado, não se pode esquecer o principal objetivo da modelagem e simulação de processos: auxiliar na tomada de decisões, em todas as etapas, por meio de modelos matemáticos, sem a necessidade de realizar procedimentos experimentais, que demandam mais tempo e custos e podem apresentar respostas subjetivas. O Quadro 1 mostra um balanço entre as vantagens e desvantagens de implementar esse processo de modelagem matemática e simulação de processos. Vantagens Desvantagens • Custos menores. • Validação do processo sem precisar fazer testes experimentais. • Simulação de cenários com diferentes variáveis de entrada e valores dos parâmetros. Na • prática, isso poderia levar tempo e saturar o sistema. • Conhecimento técnico sobre modelagem matemática e simulação computacional. • Treinamento para que o profissional especializado possa operar sistemas computacionais. Quadro 1. Principais vantagens e desvantagens da modelagem matemática e simulação de processos Fonte: autor (2019) Diante da construção de modelos matemáticos usados na simulação de processos, alguns conceitos são fundamentais para compreensão do tema. Nesse sentido, o profissional responsável pelo desenvolvimento e pela otimização de um produto ou processo deve estar familiarizado com a simbologia matemática utilizada e, sobretudo, com os principais modelos matemáticos aplicados à indústria. Neste Infográfico, você vai aprender alguns conceitos utilizados em práticas de modelagem e simulação e conhecer as principais vantagens e desvantagens dos modelos matemáticos. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 12 CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 13 A constituição de um modelo matemático precisa atender a alguns elementos considerados básicos para ter o melhor desempenho possível (LUYBEN, 1996; OGUNNAIKE; RAY, 1994). Segundo Bequette (1998), oito elementos devem, necessariamente, estar presentes no modelo a ser criado. Além disso, podem ser incluídos outros elementos, dependendo da demanda do processo. A seguir, veja os oito elementos básicos da modelagem e simulação descritos por Bequette (1998). Descrição do processo e definição do problema: descrever o processo e definir o problema é o ponto de partida de um modelo matemático. Esse elemento pode ser definido como o conhecimento dos fenômenos que envolvem o processo e o que se deseja conhecer em relação a suas causas e efeitos. É possível considerar esse elemento como a parte mais importante para a análise de um processo, ainda que não se tenham regras ou padrões para que isso seja feito. Em caso de dificuldade para iniciar essa descrição e definição, é possível reunir as pessoas envolvidas no processo e fazer um brainstorming (tempestade de ideias). Assim, com diferentes pontos de vista, fica mais fácil detectar o que mais se repete na dinâmica. Teoria e aplicação das leis fundamentais: Após descrever o processo e entendê-lo, deve-se aplicar a teoria que governa os seus fenômenos. Para esse elemento, deve- se buscar embasamento e fundamentação em diferentes fontes bibliográficas ou referências sobre o processo, mesmo que elas não estejam publicadas, desde que sejam relevantes. Relacionar outros ensaios que se assemelham ao processo que se pretende realizar e pontuá-los na constituição do modelo matemático é fundamental para o sucesso da técnica, pois será possível averiguar situações em que já foram utilizados modelos que se mostraram inadequados, evitando repeti-los. Assim, é possível focar nos casos em que os resultados para um problema similar foram satisfatórios. Equacionamento: é a “tradução” da teoria para notação matemática. Considerações: é uma etapa fundamental feita pelo engenheiro de acordo com sua avaliação e percepção na modelagem. Consistência: um sistema ou processo é dito consistente se o número de variáveis é igual ao número de equações. Em outras palavras, se o grau de liberdade for igual a zero, o sistema é consistente. Caso contrário, pode ocorrer sub ou sobre especificação do sistema. Por fim, deve-se atentar para as unidades de medida dos termos que compõem as equações. Matemática e computação: a natureza das equações do modelo é o que de- termina o método para a obtenção da solução, seja ele analítico ou numérico. Por exemplo, um modelo dinâmico que resulta em um EDO de primeira ordem como condição CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA| 14 inicial pode ser resolvido pelo método de Runge-kutta de quarta ordem. Solução e validação: esses elementos são contemplados na etapa final do processo de construção de um modelo matemático, quando os resultados do modelo são comparados com dados experimentais. Para facilitar o entendimento do processo de modelagem e seus elementos básicos, veja o fluxograma da Figura 2. Definição do processo e identificação do problema Teoria e aplicação das leis fundamentais Equacionamento Considerações Consistência Solução desejada Matemática e computação Solução e validação Figura 2. Fluxograma dos elementos básicos da modelagem matemática. Fonte: autor (2022) 1.2 Principais tipos de sistemas para desenvolvimento dos modelos A classificação de sistemas deve considerar o tipo de problema a ser resolvido, assim como os fenômenos químicos e físicos envolvidos. Desse modo, o engenheiro deve ser o responsável por avaliar e classificar qual sistema é mais adequado para o desenvolvimento do modelo que vai resolver o seu processo. Vale ressaltar que, antes de conhecer os diferentes sistemas para desenvolver um modelo matemático específico, é preciso entender uma classificação que divide os modelos matemáticos em dois CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 15 grandes grupos, dependendo da forma escolhida para sua obtenção: fenomenológicos (físicos ou teóricos) e empíricos. A obtenção de um modelo matemático por meio da abordagem fenomenológica (física ou teórica) está relacionada às leis químicas, que envolvem princípios para balanço de massa, energia e quantidade de movimento, com comportamento conhecido, de forma a permitir sua extrapolação. A abordagem empírica voltada para a obtenção de modelos matemáticos é baseada em dados experimentais ou observações. Os modelos dessa abordagem são, em alguns casos, mais simples e mais fáceis de serem desenvolvidos em comparação aos modelos fenomenológicos. No entanto, uma de suas desvantagens é que eles não podem ser extrapolados. Ou seja, essa abordagem só permite representar um determinado sistema para condições operacionais predeterminadas. A partir do entendimento da classificação das abordagens para a obtenção de um modelo matemático, surge uma nova classificação: a dos sistemas para o desenvolvimento de modelos matemáticos. Essa classificação vai ajudar o profissional envolvido no processo a entender as principais diferenças entre os sistemas. A seguir, vamos ver essa classificação em diferentes sistemas. SAIBA MAIS Neste vídeo, você vai conhecer uma simulação baseada no método heurístico de Ziegler e Nichols para sintonizar o controlador PID (Proporcional + Integral + Derivativo). Disponível em < https://www.youtube.com/embed/ktEq1x-AFGA> Acessado em 24/06/2022 Sistemas lineares × não lineares Os sistemas lineares são caracterizados pelos princípios de homogeneidade e superposição. Além disso, nesse tipo de sistema, as derivadas e a variável dependente aparecem com termos de primeiro grau. Ainda, de acordo com Maya e Leonardi (2014), os princípios de superposição devem satisfazer as seguintes duas condições. 1. Considere uma perturbação de entrada a(t) na resposta f1(t) e outra perturbação b(t) na resposta f2(t). Dessa forma, a soma das respostas f1(t) + f2(t) será igual à soma das perturbações a(t) + b(t). Traduzindo esse conceito para notação matemática, tem-se: f(a + b) = f(a) + f(b). Logo, esse é o princípio da superposição. https://www.youtube.com/embed/ktEq1x-AFGA CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 16 2. O princípio da homogeneidade está associado à seguinte situação: se aplicarmos uma constante k em uma entrada a(t), teremos que a resposta y1(t) será multiplicada por essa constante (k × a(t)), e a resposta será k × y1(t), resultando em y(k × a) = k × y(a). Tal resultado diz respeito ao princípio da homogeneidade. Os sistemas não lineares são aqueles que não se aplicam aos princí- pios da superposição e/ou homogeneidade. Se um desses princípios falhar, o sistema é dito não linear. Sistemas contínuos × discretos Quando a relação entre o sinal de interesse e uma variável é descrita de maneira contínua no tempo, esse sistema é classificado como contínuo. Essa relação é, em geral, descrita por meio de equações diferenciais. Por outro lado, conforme indica Aguirre (2007), sistemas discretos são definidos quando a relação entre o sinal de interesse e a variável é expressa em instantes de amostragem. Sistemas determinísticos × estocásticos Os modelos determinísticos não consideram a incerteza do sistema, além de relacionarem as variáveis mensuradas de forma exata. Os modelos estocásticos, também chamados de modelos probabilísticos, são aqueles relacionados a variáveis aleatórias, ou seja, trabalham com a incerteza do sistema. Sistemas estáticos × dinâmicos Os sistemas estáticos são representados por equações algébricas, são conhecidos como estacionários e não variam no tempo. Os sistemas dinâmicos são expressos por equações diferenciais e apresentam como principal característica as variações das variáveis no tempo. Tais sistemas também são conhecidos como sistemas transientes, uma vez que sua resposta não depende das condições anteriores. Sistemas de parâmetros concentrados × parâmetros distribuídos Em sistemas de parâmetros concentrados, as variações espaciais são descartadas. Além disso, são gerados sistemas de equações diferenciais ordinárias. Ainda, em todo o volume do processo, suas propriedades são consideradas homogêneas. Nos sistemas de parâmetros distribuídos, são consideradas variações espaciais e há mais de uma CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 17 variável independente. Elas são resolvidas por um sistema de equações diferenciais parciais. Franco (2021) apresenta um exemplo de modelo matemático baseado em parâmetros concentrados. Trata-se de um tanque de aperfeiçoamento misturado, com expressão dada por: onde: • T é a temperatura do fluido; • F é a vazão volumétrica; • Ti é a temperatura na entrada; • Q é o calor adicionado; • ρ é a densidade do fluido; • V é o volume do tanque; • Cp é o calor específico. Franco (2021) também mostra um exemplo de um modelo matemático com sistema distribuído para um trocador casco-tubo. Nesse caso, é importante observar que a temperatura do líquido apresenta variação ao longo do tempo, como pode ser observado na seguinte equação: onde: • T é a temperatura do fluido; • v é a velocidade do fluido; • d é o diâmetro do tubo; • U é o coeficiente global de troca térmica; • ρ é a densidade do fluido; • Cp é o calor específico; • A é a área da seção transversal do tubo; • Tst é a temperatura no estado estacionário. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 18 SAIBA MAIS Modelagem e simulação de duas colunas de destilação em série para purificação do benzeno utilizando redes neurais Neste link, você vai acessar um artigo que trata de técnicas usadas em simulação em que são aplicadas colunas de destilação em série para purificação do benzeno. Disponível em: < https://www.editorarealize.com.br/index.php/artigo/ visualizar/75267> acessado em 20/06/2022 Neste capítulo, vimos como é importante entender o conceito de modelagem matemática de processos e conhecer os elementos mais importantes que compõem os modelos. Além disso, conferimos como diferenciar os principais tipos de sistemas usados em modelagem e simulação, com suas vantagens e desvantagens. Estudamos os principais conhecimentos que um(a) engenheiro(a) e sua equipe precisam ter para usar modelos matemáticos que representem problemas reais, ou seja, problemas com dados obtidos por meio de experimentos físicos. Vale destacar que também é importante estar familiarizado com métodos matemáticos e softwares específicos para modelagem e simulação de processos. https://www.editorarealize.com.br/index.php/artigo/visualizar/75267https://www.editorarealize.com.br/index.php/artigo/visualizar/75267 CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 19 CAPÍTULO 2 MÉTODOS ANALÍTICOS X MÉTODOS NUMÉRICOS Imagem: modelagem matemática do roteamento de veículos nas ruas de uma cidade Fonte: wikimedia Commons Disponível em < https://upload.wikimedia.org/wikipedia/commons/thumb/e/e0/Vehicle_Routing_Problem_Example.svg/2098px- Vehicle_Routing_Problem_Example.svg.png > Olá caros(as) alunos(as), sejam bem vindos(as)! https://upload.wikimedia.org/wikipedia/commons/thumb/e/e0/Vehicle_Routing_Problem_Example.svg/2098px-Vehicle_Routing_Problem_Example.svg.png https://upload.wikimedia.org/wikipedia/commons/thumb/e/e0/Vehicle_Routing_Problem_Example.svg/2098px-Vehicle_Routing_Problem_Example.svg.png CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 20 A maioria dos problemas práticos enfrentados pelas equipes de pesquisa operacional (PO) é em princípio descrita de forma vaga e imprecisa. Desse modo, é preciso estudar o sistema relevante e desenvolver um enunciado bem definido do problema a ser considerado. Isso inclui determinar os objetivos apropriados, as restrições sobre o que pode ser feito, a relação entre a área a ser estudada e outras áreas da organização, opções alternativas, limites de tempo para tomada de decisão, entre outras coisas. Esse processo de definição de problema é fundamental, pois afeta de modo substancial as conclusões do estudo. De acordo com Hillier (2013), é difícil obter uma resposta “correta” para um problema “incorreto”! Inicialmente, deve-se reconhecer que uma equipe de PO em geral trabalha na qualidade de consultores. Os integrantes da equipe, além de resolverem problemas conforme julgarem apropriado, também devem aconselhar a gerência na tomada de decisões. Em geral, o relatório que a equipe encaminha à gerência apresenta uma série de alternativas particularmente atrativas considerando as suposições ou um intervalo de valores diferentes que pode ser avaliado somente pela gerência (p. ex., o conflito entre custo e benefício). A gerência, de posse do estudo e suas recomendações, avalia uma série de fatores intangíveis e, com bom senso, toma a decisão final. É fundamental também que a equipe de PO seja sintonizada com a gerência, inclusive identificando o problema “correto” segundo seu ponto de vista e obtendo o seu apoio ao longo do projeto. Determinar os objetivos apropriados é um aspecto fundamental na definição de um problema. De início deve-se identificar o integrante da gerência que efetivamente decidirá quanto ao sistema em estudo e, posteriormente, extrair desse integrante os objetivos pertinentes. A PO se preocupa com o bem-estar de toda a organização, e não somente com o bem-estar de alguns integrantes. Contudo, a técnica de PO busca soluções que sejam ótimas para a organização, e não uma solução subotimizada que seja boa apenas para um integrante. Desse modo, os objetivos que são idealmente formulados devem ser de toda a organização. Entretanto, isso nem sempre é conveniente. Os objetivos no estudo devem ser os mais específicos e, ainda, englobar os principais objetivos do tomador de decisões e manter um grau de consistência razoável com os mais altos objetivos. Para contornar o problema de subotimização, uma alternativa possível para organizações com fins lucrativos é usar a maximização de lucros em longo prazo (levando-se em conta o valor do dinheiro no tempo) como o único objetivo. A qualificação em longo prazo indica que esse objetivo apresenta a flexibilidade de se considerarem atividades que não visam imediatamente aos lucros (p. ex., projetos de pesquisa e desenvolvimento), mas precisam fazê-lo com CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 21 o tempo, de modo a valer a pena. Na maioria das vezes, as organizações com fins lucrativos não adotam essa abordagem. Estudos de corporações norte-americanas revelam que a tendência entre os administradores é optar por um objetivo de lucros satisfatórios em conjunto com outros objetivos, em vez de apostar na maximização de lucros em longo prazo. Muitas vezes, alguns desses outros objetivos buscam manter os lucros estáveis, aumentar (ou manter) a participação no mercado, favorecer a diversificação de produtos e a estabilidade de preços, motivar os funcionários, preservar o controle familiar do negócio e aumentar o prestígio da empresa. Além disso, há́ outros fatores que envolvem responsabilidades sociais distintas da lucratividade. Para Hillier (2013), as cinco partes geralmente afetadas por uma empresa comercial localizada em um único país são: 1. Os proprietários (acionistas, etc.), que desejam lucros (dividendos, valorização das ações e assim por diante); 2. Os funcionários, que desejam emprego estável com salários razoáveis; 3. Os clientes, que desejam um produto confiável a preços razoáveis; 4. Os fornecedores, que desejam integridade e um preço de venda razoável para suas mercadorias; 5. O governo e, consequentemente, a nação, que desejam o pagamento de impostos razoáveis e consideração pelo interesse nacional. Essas cinco partes são essenciais para a empresa, e nenhuma das partes deve ser vista como um servidor exclusivo em detrimento das demais. De modo semelhante, corporações internacionais assumem obrigações adicionais para seguir práticas socialmente responsáveis. Ou seja, mesmo que a responsabilidade principal da gerência seja a de gerar lucros, o que, de qualquer forma, acabará beneficiando as cinco partes envolvidas, é importante que suas responsabilidades sociais mais amplas também sejam reconhecidas. Em geral, as equipes de PO dedicam um tempo consideravelmente longo na coleta de dados relevantes sobre o problema em análise. A maioria desses dados é importante para ter o entendimento preciso do problema, bem como para fornecer os dados necessários para o modelo matemático que será desenvolvido na fase seguinte do estudo. É comum grande parte desses dados não estar disponível quando se inicia o estudo. Isso ocorre porque essas informações não foram guardadas ou estão desatualizadas ou porque seu armazenamento foi feito de modo inadequado. Desse modo, às vezes, é necessário instalar um sistema de CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 22 informações gerenciais com base em computadores para coletar os dados necessários regularmente e no formato desejado. A equipe de PO deve contar com o apoio de especialistas em TI (tecnologia da informação), para obter todos os dados vitais para o processo. Mesmo com esse empenho, grande parte dos dados pode ser de certo modo superficial. Em geral, uma equipe de PO dedicará tempo considerável na tentativa de melhorar a precisão dos dados. Com a ampla difusão do uso de bancos de dados e o recente crescimento de seu tamanho, a maioria das equipes de PO entende que o maior problema relativo a dados é o fato de haver dados em demasia. Podem existir milhares de fontes de dados, e a quantidade total de dados pode ser medida até́ mesmo em terabytes. Assim, fica muito difícil localizar os dados mais relevantes e identificar os padrões de interesse nesses dados. Segundo Humes (1984) boa parte dos problemas matemáticos surge devido à necessidade de se ter soluções para problemas da natureza, já que muitos fenômenos naturais podem ser descritos por meio de modelos matemáticos. Ohse, 2005, p.1. traz Desde que o homem começou a observar os fenômenos naturais e verificar que os mesmos seguiam princípios constantes, ele observou que estes fenômenos podiam ser colocados por meio de “fórmula”. Este princípio levou a utilização da matemática como uma ferramenta para auxiliar estas observações. Este é o princípio da matemática como um modelo, ou seja, modelar matematicamente o mundo em que vivemos e suas leis naturais. Para tanto, traremos as formas de representação dos números em sistemasde numeração, com ênfase na representação em ponto flutuante, que é adotada em computadores e calculadoras. Serão trazidas noções de erro e de aproximação numérica, que se mostram fundamentais no cálculo numérico desenvolvido, já que este é uma grande ferramenta na resolução de problemas originários da Matemática e das ciências exatas em geral. Imagine a seguinte situação: você recebe um problema para propor uma solução e desenvolve um modelo matemático (modelagem), chegando a uma determinada solução através de resoluções com métodos numéricos. Mas, você sabe o que seja um modelo matemático? Observe a figura 1: CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 23 Figura 1: Etapas para solucionar um problema da natureza. Fonte: Humes, et. al (1984, p.1) ANOTE ISSO Modelo matemático é a representação simplificada da realidade, segundo uma estrutura de conceitos mentais ou experimentais. A modelagem do problema trata-se do início do processo em que representa-se o problema por um modelo matemático mais adequado. Como deseja-se ter um modelo matemático aplicável/solucionável, ele pode conter simplificações do problema real. Vale lembrar que um mesmo problema pode ter vários modelos matemáticos. A resolução do modelo é a etapa seguinte na qual busca-se encontrar a solução para o modelo matemático proposto na fase anterior (modelagem). É nesta fase que necessita-se dos métodos numéricos específicos que resolvam o modelo análogo. Biembengut e Hein (2000, p.12) definem de maneira sucinta um modelo matemático ao afirmarem “um conjunto de símbolos e relações matemáticas que traduz, de alguma forma, um fenômeno em questão ou um problema de situação real, é denominado modelo matemático”. A modelagem matemática apresenta os seguintes benefícios: a) Auxilia na compreensão da relação entre a Matemática e a realidade; b) Permite ao estudante pensar em soluções para as mais variadas situações; c) Desenvolve uma maior autonomia do aluno no processo de aprendizagem já que esse elabora as hipóteses que solucionarão o problema; d) Enaltece o saber do aluno, já que ele desenvolve sua capacidade de avaliação do processo de construção dos modelos matemáticos em contextos variados. Sobre as etapas da solução de um problema por modelagem matemática, é possível descrevê-las da seguinte forma: CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 24 1) Situação-problema: não precisa, necessariamente estar ligada à Matemática ou a conteúdos da área de exatas. 2) Pesquisa exploratória: após a escolha do tema, deve-se iniciar a busca por materiais que contenham as noções e informações necessárias para o desenvolvimento do tema. Essa etapa pode ser tanto uma pesquisa de campo quanto uma pesquisa bibliográfica; 3) Levantamento dos problemas: após a pesquisa realizada e com os materiais coletados deve-se conjecturar sobre os modelos matemática mais adequados à modelagem do problema; 4) Resolução de problemas/ do modelo: nessa fase, o conteúdo matemático será mais explorado ao se tentar responder as questões levantadas já com um olhar voltado para a matemática em si. Ou seja, o conteúdo matemático poderá ser abordado de forma compreensível para depois ser sistematizado, fazendo o caminho inverso do habitual já que o conteúdo será ensinado para responder as dúvidas surgidas ao longo da pesquisa. 5) Análise crítica das soluções: nessa etapa, haverá a reflexão sobre os resultados obtidos ao longo do processo e como eles possibilitam a melhoria de decisões e ações, o que leva à formação de cidadãos mais participativos e que auxiliem, efetivamente, na melhoria da comunidade em que estão inseridos. Ao final dessa etapa, espera-se que os envolvidos estejam mais críticos, não apenas em relação à matemática, mas em condições de avaliar criticamente a viabilidade das soluções apresentadas. 6) Tomada de decisão: decidir se o modelo matemático será aplicado ou não de acordo com a resposta desejada. Vamos analisar um exemplo de aplicação prática da modelagem matemática em um Laboratório de Metrologia. Suponha que o objetivo seja realizar medições dos blocos- padrão, seguindo as normas definidas, e, em seguida, obter os gráficos contendo os erros nas referidas medições quanto ao tamanho dos blocos. Os erros de medição poderiam ser provenientes de alguns motivos tais como: temperatura durantes as medições realizadas, força exercida sobre o fuso, falha do observador ao longo das medições realizadas. Visando uma melhor calibração do micrômetro, equipamento utilizado nas medições lineares, pensou-se em utilizar a modelagem Matemática. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 25 O 1º passo: visita o laboratório e coletar os dados imprescindíveis para propor o modelo matemático. Com os dados coletados, um gráfico de dispersão foi gerado, por meio do software Excel, no qual observou-se que o comportamento dos dados referia- se a um modelo polinomial, permitindo, assim, encontrar uma função de calibração de erros para aquele micrômetro. Ao longo desta atividade desenvolvida, alguns testes de ajustes de funções foram realizados do grau um até o nono, sendo necessário usar o software curve a partir do sexto grau porque o Excel só permite ajuste até esse grau. A partir dos testes realizados, pôde-se perceber que não ocorria uma melhora significativa a partir do sexto grau, isto é, o coeficiente de determinação (R2) apresentava uma variação insignificante para o problema, decidindo-se, então, pelo ajuste polinomial de sexto grau. Para uma melhor visão e compreensão do modelo matemático exemplificado, traremos as etapas que foram seguidas abaixo: a) Definição da situação problema: De que maneira propor um modelo matemático de calibração para o micrômetro? b) Simplificação e formulação de hipóteses: a temperatura da sala onde foram realizadas as medições; o micrômetro e o jogo de bloco-padrão estavam à mesma temperatura; não havia oxidação no jogo de bloco e no micrômetro; luvas foram usadas durante a medição; o erro do observador do desconsiderado; valor da medida-padrão estava no domínio de 0,25 mm; c) Dedução do modelo matemático: De que maneira propor um modelo matemático de calibração para o micrômetro através de uma função matemática? d) Resolução do problema matemático: Apresentação dos dados coletados na calibração do micrômetro que deseja calibrar. A partir dos dados coletados e os de medida padrão, calcula-se o erro e determina-se a média aritmética simples para cada medida padrão. Logo em seguida, um gráfico com as medidas-padrão e erro médio é construído para facilitar as suposições acerca da tendência dos pontos nele contido. Para se ter o modelo de calibração do micrômetro, a diferença entre o ado observado (y) e o erro estimado (E(x)), que deve retornar à medida-padrão. Tem-se, então, que o diâmetro da peça medido será C(x) = x – E(x). e) Validação do modelo: Essa validação é feita com os dados usados na determinação do modelo como descrito acima, utilizando-se o Excel que permite comparar as medidas-padrão com os dados calculados pelo modelo de calibração. Para o CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 26 modelo ser considerado válido, a diferença entre o valor encontrado e a medida- padrão deve ser próximo de zero. f) Aplicação do modelo: Escolheu-se aleatoriamente blocos padrão no domínio de 0 mm a 25 mm observou-se os diâmetros dos blocos-padrão escolhidos. Foi estimado um erro de 0,001073 mm para a observação de 1,051 mm. Considerou- se 6 casas decimais no erro estimado E(x), para que as medidas não fossem distorcidas já que aproximações realizadas ao longo da atividade podem acarretar em distorções no modelo. Após as análises, é fundamental ter em mente que o modelo encontrado por meio do ajuste de função tem por finalidade minimizar os erros das medições feitas através do micrômetro e nãozerá-los. Dessa maneira, é possível que o modelo ajustado cause distorções em algumas medições e piorem os dados coletados. Para a resolução de modelos matemáticos, existem duas categorias de métodos: métodos numéricos e métodos analíticos. O método numérico é aquele em que há uma sequência finita de operações aritméticas que levam à solução ou aproximação da solução do problema. Já o método analítico é aquele que fornece as soluções exatas de um problema real. Comumente, as soluções são obtidas com o auxílio de fórmulas explícitas. No método numérico, a solução aproximada é obtida, comumente, de forma construtiva: partindo de aproximações iniciais, constroem-se novas aproximações até que uma dessas aproximações considerada “adequada” seja obtida. Dessa maneira, tem-se que um método numérico pode ser escrito em forma de algoritmo com as operações, ou grupo dessas, sendo repetidas quantas vezes forem necessárias. No método analítico, tem-se um menor erro de arredondamento (ɛa), cuja definição e aplicação estudaremos mais adiante. Opta-se por utilizar o método analítico na resolução dos modelos matemáticos por ele levar a uma maior exatidão na solução do problema proposto. Ambos os métodos tem a vantagem de trazer informações gerais ao invés de particularizadas, além de uma maior informação em relação à dependência e à natureza das funções envolvidas no modelo. Porém, a resolução de modelos matemáticos obtidos através da modelagem aplicada a problemas reais de algumas áreas pode ser complexa e não envolver fenômenos não-lineares, tornando impossível a evidência de uma solução analítica para o problema dado. Uma opção para resolução do modelo, então, seriam os métodos numéricos. Para uma melhor CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 27 compreensão e diferenciação entre os métodos analítico e numéricos, vejamos, abaixo, exemplos simples de suas aplicações: 1ª exemplo: Usa-se o método analítico para determinar os zeros de uma função quadrática , com a ≠0 Lembrando que a fórmula de Bhaskara é: Os zeros da são: 2ª exemplo: Como exemplo de método numérico, tem-se o algoritmo de Eudoxo para determinar uma aproximação para a raiz quadrada de um número real p, que seja maior que 1: Do fato que p>1, temos que 1< < p. Então, tem-se, com uma 1ª aproximação para , , isto é, a média aritmética entre 1 e p. Logo: Faz-se uma nova aproximação , ou seja, a média aritmética entre e x0. Vê-se, novamente, que Seguindo essa lógica, tem-se uma sequência de aproximações dada por: CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 28 se n=0 se n≥1 A tabela 1 fornece os valores de algumas aproximações para obtidas pelo algoritmo de Eudoxo. Para que se possa avaliar a precisão das aproximações, são fornecidos também os quadrados dessas aproximações. Trabalhando com 14 dígitos depois do ponto decimal, é possível observar que, na quinta aproximação x4, temos, x4 = 2,00000000000000 0 1,50000000000000 2,25000000000000 1 1,41666666666667 2,00694444444444 2 1,41421568627451 2,00000600730488 3 1,41421356237469 2,00000000000451 4 1,41421356237310 2,00000000000000 Tabela 1: Algoritmo de Eudoxo para 2 Fonte: Freitas (2000, p.11) Caso tenha se interessado pelo algoritmo de Eudoxo e queira saber mais, basta consultar o artigo intitulado Raiz Quadrada Utilizando Médias que foi publicado na Revista de matemática 45 (CARNEIRO, 2001). O artigo traz as justificativas que levam ao funcionamento deste método, bem como um procedimento generalizado para o cálculo aproximado de raízes quadradas de números reais maiores que 1 a partir de uso de médias. Há, também, uma discussão sobre a precisão do processo ao calcular o erro cometido nas aproximações. SAIBA MAIS Existe uma variedade de pacotes de software para PCs que podem solucionar muitos modelos matemáticos. Porém, há́ dificuldades que devem ser evitadas, como usar modelos matemáticos que são, necessariamente, uma idealização abstrata do problema, de modo que em geral se requerem aproximações e suposições simplificadas, caso queira que o modelo seja possível de ser resolvido. Por isso, deve-se garantir que o modelo permaneça uma representação válida do problema. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 29 E quem foi Eudoxo? Eudoxo foi um astrônomo, matemático e filósofo grego que vivem entre os anos de 408 a.c. e 355 a.c. Ele nasceu em Cnidos que corresponde à Turquia nos dias de hoje. De modo geral, o objetivo do cálculo numérico é criar respostas numéricas para problemas matemáticas, isto é, estudar técnicas numéricas que trazem soluções de problemas matemáticos utilizando os modelos matemáticos. Pode-se afirmar que o cálculo numérico possua grande importância na formação de profissionais de engenharia e da área de ciências extas por possibilitar aos alunos conhecerem um leque variado de técnicas para a solução de determinados problemas, conseguindo escolher entre os métodos o que responderá melhor ao problema proposto e aplicando- os de maneira a obter a solução para o problema em questão. Mas, afinal de contas, o que são métodos numéricos? Os métodos numéricos desenvolvidos e estudados no cálculo numérico servem, em geral, para a aproximação da solução de problemas complexos que normalmente não são resolúveis por técnicas analíticas. Uma característica importante de se frisar é que a aplicação das técnicas adquiridas no cálculo numérico na resolução de problemas demanda, comumente, um esforço computacional alto, o que faz ser imprescindível trabalhar de maneira integrada com calculadoras, preferencialmente, científicas, gráficas ou programáveis. Os ambientes computacionais programáveis também podem ser utilizados, já que possuem ferramentas gráficas, numéricas e algébricas, o que facilita e possibilita o trabalho em si. Com o advindo de computadores digitais e dos ambientes de programação cada vez mais avançados, a importância dos métodos numéricos tem crescido de forma significativa na resolução de problemas. Espero que você tenha compreendido a importância e o papel do cálculo numérico como dispositivo na resolução de problemas reais nas áreas das ciências extas. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 30 CAPÍTULO 3 TÉCNICAS DE MODELAGEM MATEMÁTICA Imagem da capa: os gradientes como setas abaixo da representação da grade curva de uma função de duas variáveis: f (x, y) = - (cos² x + cos² y) ² Fonte: Wikimedia Commons Disponível em: < https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/3d-gradient-cos.svg/2444px-3d-gradient-cos.svg. png A modelagem computacional é uma área de conhecimento multidisciplinar que trata da aplicação de modelos matemáticos e técnicas da computação à análise, compreensão e ao estudo da fenomenologia de problemas complexos em áreas tão abrangentes quanto as engenharias, ciências exatas, biológicas, humanas, economia e https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/3d-gradient-cos.svg/2444px-3d-gradient-cos.svg.png https://upload.wikimedia.org/wikipedia/commons/thumb/d/d2/3d-gradient-cos.svg/2444px-3d-gradient-cos.svg.png CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 31 ciências ambientais. Arenales et al. (2015) mencionam que fazer ciência é a capacidade de observar e descrever fenômenos naturais, sociais, econômicos, entre outros, e que a matemática tem uma importância fundamental na descrição desses fenômenos. A partir da observação de fenômenos, processos ou sistemas, que podem ser físicos, químicos, biológicos, econômicos, buscam-se as leis que os regem. Essas leis, se passíveis de serem descritas por relações matemáticas, dão origem aos modelos matemáticos. O termo modelo usado neste capítulo procura imitar as principais características de um objeto real para fins de representá-lo.Andrade (2009) menciona que a metodologia da pesquisa operacional é mais desenvolvida para a solução de problemas que podem ser representados por modelos matemáticos. O modelo mais apropriado para um dado contexto ou problema depende de vários fatores, como: • a natureza matemática das relações entre as variáveis; • os objetivos do encarregado da decisão; • a extensão do controle sobre as variáveis de decisão; • o nível de incerteza associado ao ambiente da decisão. Com base nessas informações, Batalha (2008) e Andrade (2009) ressaltam que os modelos matemáticos podem ser divididos ainda em dois grandes grupos. 3.1 Modelos de simulação Os modelos de simulação procuram oferecer uma representação do mundo real com o objetivo de permitir a geração e a análise de alternativas antes da implementação de qualquer uma delas. Dessa forma, permitem que o analista tenha um considerável grau de liberdade e flexibilidade em relação à escolha da ação mais conveniente. Com isso, o administrador poderá criar ambientes futuros possíveis e testar alternativas, visando responder perguntas como: “e se...?”, “o que acontecerá se...?”. É importante mencionar que a escolha da melhor alternativa não é fixada na estrutura do modelo, sendo aplicada pelo analista. Para facilitar o entendimento, acompanhe a Figura 1. Figura 1. Processos de decisão com modelos de simulação Fonte: Andrade (2009, p. 15). CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 32 Estes modelos não permitem flexibilidade na escolha das alternativas, uma vez que são estruturados para selecionar uma única alternativa, que será considerada “ótima” de acordo com o critério estabelecido pelo analista. O critério faz parte da estrutura do modelo, que encontra a melhor alternativa a partir de uma análise matemática. Essa análise matemática, por sua vez, é processada por métodos sistemáticos de solução, os quais são chamados de algoritmos. Para facilitar o entendimento, observe a Figura 2. Figura 2. Processo de decisão com modelos de otimização Fonte: Andrade (2009, p. 15). ANOTE ISTO O modelo matemático é uma representação simplificada (abstração) do problema real. Logo, o modelo deve ser suficientemente detalhado para captar os elementos essenciais do problema, mas também suficientemente “simples”, a fim de ser resolvido por métodos de resolução e computadores disponíveis. Os modelos matemáticos também podem ser classificados segundo a natureza de sua contribuição para o processo decisório das organizações ou, em outras palavras, de acordo com o tipo das informações que eles produzem e das respostas que fornecem, sendo, segundo Andrade (2009): • Modelos prescritivos: são modelos de otimização baseados em relações matemáticas como: Y = f(X1, X2,...Xn), onde X1, X2, ... Xn são variáveis independentes e, por isso, sob controle da administração. Logo, esse tipo de modelo visa alertar a direção e quais devem ser os valores das variáveis independentes que produzirão o valor ótimo para a variável dependente. • Modelos preditivos: geralmente são modelos de simulação que têm por objetivo estimar valores futuros para o objetivo desejado. Em alguns casos, a relação funcional entre as variáveis independentes xi e dependente Y é conhecida, porém, em outros casos, é necessária uma análise estatística que estime a relação funcional. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 33 • Modelos descritivos: são considerados modelos de simulação, mas com a característica principal de haver uma grande incerteza sobre os valores futuros das variáveis independentes. Esses modelos produzem cenários futuros cuja possibilidade de concretização é determinada a partir de probabilidades subjetivas. • Modelos de análise estatística: são baseados em todos os métodos estatísticos (descritivo, diferencial, inferencial, bayesiana, regressão, multivariada, entre outros) que formam os módulos analíticos de softwares de amplo uso pelas empresas. Por exemplo, a inferência bayesiana pode auxiliar a prever situações futuras, permitindo estimar o grau de certeza de uma hipótese a partir da observação de evidências. Segundo Batalha (2008), os modelos de otimização matemática têm um papel destacado na pesquisa operacional e podem ser divididos em duas partes: • Modelos de programação matemática (determinística): além da programação linear, discreta, não linear e fluxos em redes, incluem a programação multiobjetivos (como, por exemplo, programação de metas, análise de Pareto e curvas de trade- off, análise de envoltório de dados DEA), que consideram situações com múltiplos objetivos (critérios a serem otimizados) possivelmente conflitantes. Também há os modelos baseados em técnicas de programação dinâmica determinística. • Modelos estocásticos: incluem os modelos baseados em programação estocástica e otimização robusta, programação dinâmica estocástica, teoria de decisão, teoria de jogos, controle de estoque, previsão e séries temporais, cadeias de Markov e processos markovianos de decisão, teoria de filas e simulação. 3.2 Construção De Modelos De Programação Matemática A Programação Linear (PL) envolve técnicas de modelagem matemática desenvolvidas para otimizar o uso de recursos limitados. Devido à eficiência computacional, a PL é uma base para o desenvolvimento de algoritmos de solução de outros tipos de modelos de Pesquisa Operacional (PO), incluindo programação inteira, não linear e estocástica (BELFIORE; FÁVERO, 2012). Formalmente, um modelo matemático é escrito da seguinte maneira: CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 34 Maximizar/Minimizar f(x), sujeito a: g(x) ≥ a h(x) ≤ b s(x) = c l ≤ x ≤ u Em que f(x) é uma função, linear ou não linear, a ser otimizada (maximizada ou minimizada), sujeita às restrições (lineares ou não lineares) que indicam uma necessidade a ser satisfeita (“maior ou igual”), uma disponibilidade a ser respeitada (“menor ou igual”) ou um condicionante a ser satisfeito de maneira exata (“igual”). A pesquisa operacional e, em particular, a programação matemática tratam de problemas de decisão, fazendo uso de modelos matemáticos que procuram representar o problema real (de forma parcial), de acordo com Arenales et al. (2015). De modo geral, o modelo de PL ou PO consiste em três elementos básicos: 1. Variáveis de decisão que se busca determinar; 2. Objetivo (meta) que se deseja otimizar; 3. Restrições que se deve respeitar. A abordagem de resolução de um problema por meio de pesquisa operacional envolve várias fases, conforme pode ser visto na Figura 3, que apresenta uma ilustração do processo simplificado da abordagem de solução de um problema usando a modelagem matemática. Obviamente, a elaboração de qualquer modelo matemático se tornará mais simples se for seguida uma certa sistemática para a análise do problema. Dessa forma, é possível garantir que o modelo em desenvolvimento seja adequado ao problema e que, uma vez desenvolvido, poderá ser usado de maneira efetiva. Figura 3. Processo de modelagem matemática Fonte: Batalha (2008, p. 163). CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 35 A formulação/modelagem define as variáveis e as relações matemáticas para descrever o comportamento relevante do sistema ou problema real. A dedução/análise aplica técnicas matemáticas e tecnológicas para resolver o modelo matemático e visualizar quais conclusões ele sugere. A interpretação/ inferência argumenta que as conclusões retiradas do modelo têm significado suficiente para inferir conclusões ou decisões para o problema real. Comumente, uma avaliação ou um julgamento dessas conclusões ou decisões inferidas mostra que elas não são adequadas e que a definição do problema e sua modelagem matemática precisam de revisão, e, então, o ciclo é repetido (ARENALES et al., 2015). Entre as várias fases, tem-se, para os problemas de simulação: • Definiçãodo problema: define o escopo do problema em estudo. • Construção do modelo: traduz a fase (i) em relações matemáticas ou lógicas de simulação ou, então, uma combinação delas. Para a construção dos modelos, é necessário identificar as variáveis rele- vantes, as quais podem ser: • Variáveis endógenas: representarão aspectos de interesse do sistema que foram identificados na fase (i) e, também, outras que serão geradas dentro do modelo, para se chegar à solução final. • Variáveis exógenas: são variáveis que representam valores importantes determinados por influências externas ao sistema e incluem, também, aquelas variáveis que estão sob o controle e a decisão direta do gerente/administrador. • Solução do modelo: utiliza métodos de solução e algoritmos conhecidos para resolver o modelo da fase (ii). Uma vez definido o conjunto de variáveis significativas, as relações entre elas devem ser formalmente escritas em termos matemáticos. Essas relações podem ser: • Definidas pela lógica do problema, como, por exemplo: Receita =venda x preço unitário. • Empíricas, as quais são obtidas a partir de técnicas de estimação, como, por exemplo: Lucro Bruto = K · Volume de Vendas, onde o fator K é estimado a partir de dados históricos. • Derivadas de outras variáveis por meio de relações algébricas. • Validação do modelo: verifica se o modelo proposto representa de maneira apropriada o problema. Esta é uma fase trabalhosa do processo e deve ser CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 36 realizada com cautela. Os testes do modelo são realizados com o objetivo de ajustar o modelo ao que se espera dele e validá-lo, visando promover sua aceitação. Uma vez que tenha sido validado, o modelo pode ser usado para gerar respostas para as questões identificadas na fase (i). • Implementação da solução: preocupa-se com a implementação da solução na prática, traduzindo os resultados do modelo em decisões. SAIBA MAIS Cabe ressaltar que um modelo matemático nem sempre é formulado em uma única vez, podendo haver ciclos (ou subciclos) das fases (i)-(v) para revisão do modelo matemático. Com o avanço tecnológico, tem sido possível resolver modelos de pesquisa operacional (e, consequentemente, modelos matemáticos) cada vez mais complexos, o que não era possível no passado. Mas aí você pode estar questionado o estudo de modelos matemáticos diante das facilidades do uso dos mais variados softwares comerciais já existentes. Nem sempre é possível resolver problemas de aplicação direta nesses aplicativos computacionais, sendo necessário algum domínio da teoria em que se baseia o método. Além disso, o não conhecimento pode conduzir a um uso equivocado dos softwares. Porém, conforme descrito anteriormente, os modelos podem ser de simulação e otimização. Como os modelos de otimização têm características diferentes com relação aos modelos de simulação, os passos que devem ser seguidos são diferentes, de acordo com Andrade (2009). • Definição do problema: desde o início já deve-se reconhecer que existe um problema para o qual é indicada a procura da melhor solução pela pesquisa dos valores ótimos das variáveis de decisão. Será mais útil empregar técnicas de otimização quando: • Existirem muitas variáveis de decisão ou quando as variáveis puderem assumir valores em uma ampla faixa de viabilidade, fazendo com que os modelos de simulação se tornem muitos lentos. • Houver restrições nos recursos ou variáveis que tornem complexo o processo de escolha dos valores das variáveis. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 37 • Os sistemas forem tais que algumas variáveis devem ter seus valores calculados de maneira precisa para respeitar restrições ou evitar grandes variações no resultado final. Identificação das variáveis relevantes: o conjunto de variáveis importantes inclui: • As variáveis de decisão para as quais o administrador procura valores • ótimos. • Variáveis exógenas que servem de base para a definição de restrições ou de variáveis endógenas. • Variáveis endógenas que, dependendo dos valores de outras, muitas vezes, entram na formação da função objetiva ou das restrições que o administrador deve especificar. • Formulação da função objetivo: reflete o critério de otimização das variáveis de decisão e deve ser escrita em forma matemática. • Formulação das restrições: as restrições devem ser escritas em forma matemática; da mesma forma, a relação entre as variáveis deve ser formulada matematicamente. • Escolha do método matemático de solução: após definido o problema, deve-se escolher um método matemático adequado para a solução do modelo. A escolha do método deve ser baseada tendo em vista o tipo de modelo matemático criado e as análises e questões para as quais o modelo deve fornecer subsídios. • Aplicação do método de solução: consiste em um exercício matemático que pode ser realizado manualmente ou por computador, porém, é necessário um conhecimento de algoritmo, indiferentemente da opção escolhida. • Avaliação da solução: após alcançar a solução, deve-se verificá-la e avaliá-la à luz das expectativas e experiências do administrador antes de efetivamente implementá-la. Atualmente, a principal utilização dos modelos matemáticos é como ferramenta nos processos de tomada de decisão. No ambiente empresarial e nos negócios (tanto no setor privado quanto no setor público), os modelos matemáticos podem ser utilizados em: otimização de recursos; roteirização; localização; carteiras de investimento; alocação de pessoas; previsão de planejamento; alocação de verbas de mídia; determinação de mix de produtos; escalonamento e planejamento da produção; planejamento financeiro; análise de projetos; entre outros. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 38 ANOTE ISSO A modelagem matemática pode ser aplicada em indústrias de diferentes segmentos, como, por exemplo: indústria de petróleo (extração, refinamento, mistura e distribuição); indústria de alimentos, como a ração animal (problema da mistura); planejamento da produção (dimensionamento de lotes – o que, quando e quanto produzir); indústria siderúrgica (ligas metálicas – problema da mistura); indústria de papel (otimização do processo de cortagem de bobinas); indústrias de móveis (otimização do processo de cortagem de placas retangulares); aplicações financeiras (otimização do fluxo de caixa, análise de carteiras de investimento). Com o intuito de facilitar o entendimento, são apresentados, a seguir, dois exemplos práticos do uso de modelos de simulação e otimização. Exemplo prático de modelo de simulação Andrade (2009) apresenta um exemplo prático do uso de um modelo matemático de simulação. Imagine que uma indústria de queijo vende apenas um único tipo de queijo e necessita simular o lucro final que poderia obter a partir de várias hipóteses de preço. Nesse caso, visa-se relacionar o preço ao lucro obtido, sendo necessário examinar a relação entre preço e receita, considerando-se que o produto apresenta determinada elasticidade, ou seja, o preço e a demanda variam em relação inversa. Consequentemente, a receita também varia em função do preço, mas em uma relação não diretamente proporcional. Para a construção do modelo, podem ser definidas as seguintes variáveis: • Preço: é o preço de venda de um queijo. • Quantidade: é a quantidade de queijo vendida em um mês. • Receita: é a receita total obtida com a venda do produto. • Lucro: lucro líquido obtido no mês. Como o proprietário do estabelecimento conhece o mercado, ele estima que a relação pode ser representada de acordo com a Figura 4. Figura 4. Função da demanda do produto. Fonte: Andrade (2009, p. 17). CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 39 Com base na relação “preço x demanda” e na função de demanda apresentada na Figura 4, pode-se montar o modelo que simula o valor Lucroem função do Preço estabelecido pelo empresário, sendo a função escrita como:/lucro Quantidade = 1000 – 10 × PREÇO Receita = quantidade × PREÇO Lucro = Receita - custo Ao variar o preço do produto, podem ser verificadas as variações no lucro da empresa. À medida que ocorre a variação do preço do produto, são obtidos vários valores para a variável de decisão lucro. Exemplo prático de modelo de otimização Tomando como exemplo o mesmo problema do modelo de simulação, agora, visa- se estudar a política de estocagem de modo a otimizar sua operação, reduzindo eventuais custos. Após ser realizado um levantamento, verificou-se que o custo anual para manter os queijos em estoque é de R$ 50,00, sendo contabilizado, nesse valor, o capital investido, o custo das instalações, refrigeração, limpeza e seguro, durante um ano, e dividindo-se pelo número estimado de queijos que irão compor o estoque no mesmo período (um ano). Para isso, vamos considerar que esse número seja constante e igual a 1.000 por ano. Considere que o suprimento do produto seja feito em quantidades constantes a intervalos regulares e que a colocação de cada encomenda tem um custo fixo de R$ 1,000,00. Dessa forma, o objetivo é descobrir a quantidade de mercadoria que deve ser encomendada de cada vez, de modo a minimizar o custo total de operação de estoque. Como única restrição do problema, suponha que o fornecedor poderá entregar no máximo 200 unidades do produto por vez. As seguintes variáveis para o modelo do problema são definidas: • A = quantidade anual do produto que a empresa comercializa; • S = custo de manutenção do estoque, por unidade, por ano; • P = custo fixo de colocação da encomenda, por pedido; • Q = quantidade ordenada ao atacadista para suprimento. Para esse problema, a montagem do modelo se resume a escrever matematicamente a função objetivo, a qual pode ser escrita como: CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 40 Custo Total (CT) = custo de manutenção do estoque + custo de colocação da encomenda Sendo que: Custo de manutenção do estoque = nível médio x custo unitário de manutenção Custo de colocação da encomenda = nº de pedidos x custo de colocação do pedido Dessa forma, o modelo do problema é: Minimizar: CT = (Q/2) · S +(A/Q) · P; sendo que a restrição é Q ≤ 200. Assim, pode-se resolver o problema derivando a função (CT) com relação à variável de decisão Q e igualando o resultado a zero: d(CT)/dQ = S/2 – (A·P/Q²) = 0 Logo, Q* = √2 ∙ A ∙ P/S; sendo Q* a quantidade a encomendar para mínimo custo anual total. Ao utilizarmos os dados do problema, obtemos: Logo, a encomenda que minimizaria o custo total da operação do estoque seria Q* = 200 unidades mensais. Porém, como existe a restrição de que o fornecedor pode entregar no máximo 180 unidades, a encomenda mais econômica torna-se, obviamente, Q = 180 itens do produto por vez. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 41 CAPÍTULO 4 ERROS E SUAS FONTES Imagem: Ilustração sobre erro de paralaxe Fonte: wikimedia Commons Disponível em < https://upload.wikimedia.org/wikipedia/commons/4/42/Spiegelskala2.jpg > Olá caros(as) alunos(as), sejam bem vindos(as) a mais uma aula de cálculo numérico! Sobre a imagem da capa, o erro de paralaxe é causado pelo desvio óptico entre o observador e a escalar a ser lida. Tanto a posição do observador, quanto o meio material (vidrarias), que o separa da escala graduada afetam a leitura do valor. Dentro do contexto do estudo dos erros, também há uma discussão sobre as diferenças entre precisão e exatidão. São teorias que interessam muito os físicos experimentais, teóricos, matemáticos, estatísticos, economistas, dentre outros. Os conceitos de precisão e exatidão são de grande importância para o estudo do erro. O conceito https://upload.wikimedia.org/wikipedia/commons/4/42/Spiegelskala2.jpg CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 42 de exatidão diz respeito ao quão perto determinada medição encontra-se ou não do valor verdadeiro. Precisão trata-se sobre quão próximas as medidas estão umas das outras considerando um mesmo item ou grupo. A precisão independe da exatidão. Analisando o exemplo de um alvo de dardos considerando o centro como o verdadeiro valor. Quanto mais perto os dardos caem do centro do alvo, mais exatos são. Se os dardos não estiverem perto do centro do alvo, nem próximos uns dos outros, não haverá exatidão nem precisão, conforme figura 1A. Se todos os dardos caírem muito próximos uns dos outros, mas longe do centro do alvo, haverá precisão, mas não exatidão, conforme figura 1C. Se os dardos pousam perto do centro do alvo e juntos, há exatidão e precisão, conforme figura 1B. Figura 1: diferença entre precisão e exatidão Fonte: wikimedia Commons Disponível em < https://upload.wikimedia.org/wikipedia/commons/thumb/e/e9/Precision_versus_accuracy.svg/2543px-Precision_ versus_accuracy.svg.png> Como os conceitos de precisão e exatidão poderiam ser aplicados em problemas simples? Um biólogo precisa sair em um barco para coletar e registrar dados de temperatura e salinidade de um registrador que está conectado a uma boia submarina. O biólogo verifica a previsão do tempo na noite anterior à viagem para saber o que vestir no barco. O meteorologista da TV diz que estará entre 26 e 31 C° ao meio-dia do dia seguinte. A leitura da temperatura real, no dia seguinte, no barco ao meio-dia é de 28°C. Observe que o valor real representa quase que o valor médio em relação a CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 43 faixa estimada. Então, qual seria a margem de erro ou tolerância para classificar um resultado como preciso ou exato? A resposta é: depende das métricas e das ordem de grandeza. Certas análises de dados demandam maior rigor do que outras, entretanto, os conceitos da precisão e exatidão você já conhece. Um jogador de dardos pode ver a precisão de seus lançamentos, comparando a localização dos dardos lançados, com o alvo. Isso ocorre, pois, os círculos delimitam, razoavelmente, por meio da sua geometria, o que é ou não preciso e exato. Se atribuirmos valores de raio, diâmetro ou área para estes círculos poderemos fazer algumas analogias utilizando números. Esta discussão deve ser levada em consideração durante a coleta e análise de dados experimentais nas práticas laboratoriais de física, matemática, engenharia, dentre outras. Entendeu? Esta aula tem como propósito o estudo das principais fontes de erros e apontar erros absolutos e relativos. Pode-se afirmar que erros surgirão na resolução de problemas reais utilizando os métodos numéricos. Ao longo deste capítulo, serão estudadas as variadas fontes de erros que podem causar alteração nas soluções de problemas. A análise dos erros é essencial devido ao fato de os métodos numéricos fornecerem soluções aproximadas para os problemas sugeridos. Para nos auxiliar em um melhor entendimento acerca dos conceitos tratados ao longo da disciplina, trabalharemos as noções de erro absoluto e erro relativo. Existem 4 fontes principais de erros que podem ocasionar as diferenças entre a solução exata e a solução aproximada do problema real, sendo possível de ocorrerem tanto na fase de modelagem quanto na fase de resolução: a) Erros nos dados; b) Simplificações na construção do modelo matemático; c) Erros de truncamentos; d) Erros de arredondamentos nos cálculos. Pode-se afirmar que os erros nos dados e as simplificações da construção de um modelo físico e matemático ocorrem durante a fase da modelagem. Já os erros de truncamento e arredondamento na fase de resolução. A seguir, trataremos de cada um desses tipos de erro de maneira particularizada. Erros inerentes aos dados: um modelo matemático é composto por equações, relações dados e parâmetros que são medidos experimentalmente e que podem ter uma grande repercussão no resultado final. Isso ocorreporque os dados em si nem CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 44 sempre são exatos. Logo, operações sobre valores não exatos propagam seus erros aos resultados gerados; Erros nos dados Como os dados e parâmetros de um problema real são provenientes de medidas adquiridas através de experimentos, levantamentos ou pesquisas, eles estão sujeitos a imprecisões ou incertezas sejam de ações humanas, sejam dos instrumentos de pesquisas ou ainda dos equipamentos de medições em si. O próprio armazenamento dos dados no computador pode gerar os erros nos dados, uma vez que o computador utiliza um número finito de dígitos na representação de números reais. Sendo assim, a representação exata de números irracionais se torna praticamente impossível. Vale ressaltar, também, que até certos os números racionais podem ter sua representação exata ameaçada dependendo do sistema numérico escolhido. Outro cenário que pode ocorrer é de os dados serem provenientes de outro problema que possua erros em si. Esse é um tipo de erro que se define como exterior ao processo de cálculo. Simplificações na construção do modelo matemático Um mesmo problema real pode ter vários modelos matemáticos propostos para a sua resolução, ocorrendo, às vezes, de um modelo matemático não traduzir de forma fidedigna o problema real e, em outras vezes, o modelo ser muito complexo para ser aplicado. Em ambas as situações, na tentativa de ser ter um modelo considerado tratável, é necessário forçar algumas restrições de simplificações do modelo. Tem-se, dessa maneira, um modelo aproximado que não elucida fielmente a realidade. Quando a solução, mesmo que exata, de um modelo aproximado, derivar de alterações e/ ou simplificações, é necessário considerar os erros nela surgidos. Por conseguinte, recomenda-se que sejam realizados experimentos que visem a verificação das simplificações feitas e a compatibilidade dessas com os dados experimentais, isto é, é sensato que o modelo simplificado seja validado. Portanto, são considerados os melhores modelos matemáticos aqueles que incluem as características do problema real necessárias para reduzir os erros na fase do cálculo a um nível plausível; alguns exemplos de simplificação de modelos são: desconsiderar o atrito ou a resistência nos movimentos, subestimar a massa de um pêndulo quando calcular o ser período. Isso ocorre porque, dificilmente, um modelo matemático representa os fenômenos reais. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 45 Erro de truncamento (ɛt) Esse tipo de erro ocorre quando se interrompe um processo infinito ou muito grande em um ponto estabelecido, isto é, quando se substitui o processo infinito por um processo com uma limitação prefixada. Logo, pode-se dizer que um erro de truncamento ocorre ao substituir-se um processo matemático exato, seja finito ou infinito, por um processo aproximado que corresponda a uma parte do processo exato. O truncamento da série ou sequência ocorrerá por se desprezar alguns termos de uma série ou sequência como sem 7, e3, ln(10), 41/5. Um exemplo que temos é a série de Taylor para y= f(x) e que tenha imagem e derivadas sucessivas em x = a é a seguinte fórmula: Como não se consegue usar os infinitos termos, ela será interrompida e o erro de truncamento (ɛt) é gerado. Um outro exemplo é a série de Maclaurin onde o valor exato é dado pela série: A representação desse somatório seria: Porém, como é impossível somar os infinitos termos da série, faz-se uma aproximação por um número finito de termos, que nos retornará: onde N é um determinado número natural. A aproximação será mais precisa à medida que N aumentar e, consequentemente, o erro de truncamento, diminuir. ISTO OCORRE NA PRÁTICA Para a série de Maclaurin interrompida no 6º termo, obtém-se com ɛa ≤ 10-9: e = 1 + 1 + + + + = 2,718055556 Se aumentarmos os termos, tem-se: e = 1 + 1 + + + + + + + = 2,718305585 Pode-se observar que o erro ocorreu na 4ª casa decimal. CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 46 Erro de Arredondamento (ɛa) Os erros de arredondamento decorrem dos cálculos/operações matemáticas envolvidas em um método numérico. Ele ocorre sempre que se despreza a parte decimal de um número e isso se dá ao operar com números irracionais ou dízimas periódicas por estes serem representados por valores aproximados no computador e na calculadora já que suas casas decimais são infinitas e a representação na máquina é finita, o que é chamado de aritmética de precisão finita. Portanto, quando o resultado de uma operação for um número em que não seja possível sua representação exata no sistema, é necessário fazer arredondamentos onde dígitos podem ser desprezados e arredondamento do número ser realizado. ANOTE ISTO Lida-se fundamentalmente, nas soluções numéricas, com valores aproximados o que leva a erros em quase todos os cálculos. Logo, não se pode ignorar a existência de erros na utilização de métodos numéricos. Ressalta-se que não se pode contar com um resultado exato de uma operação mesmo que haja parcelas ou fatores de uma operação representados de forma exta no sistema. Por exemplo, não é possível multiplicar o número 0,333 por 2 já que não se tem o último algarismo. No computador ou na calculadora, considera-se uma parte muito grande o número 0,3333333333333333 para se realizar a multiplicação, tendo 0,6666666666666666 como resultado. Como, no exemplo acima, parte do número foi desprezada a partir da 16ª casa decimal, então tem-se que ɛa ≤10-16. Outro exemplo corre ao se escrever o número π como 3,1 ou 3,14 ou 3,1415, cometem-se ɛa da ordem de 10-1, 10-2, e 10-4 respectivamente. Abaixo, seguem alguns outros exemplos: • 4.568,7389:3 = 1.522,9130 (valor correto com ɛa≤10-4). Pode-se, também, multiplicar por 0,3333 esperando ter quatro casas decimais corretas, obtendo- se: 4.568,79 x 0,3333= 1.522,7605. Observe que o erro apareceu na 1ª casa decimal; CÁLCULO NUMÉRICO PROF. JEAN CARLOS RODRIGUES FACULDADE CATÓLICA PAULISTA | 47 • 45 : (4-√15 = 354,284 (valor correto com ɛa ≤ 10-3 ). Ao tomar a raiz quadrada de 15 como 3,872 obtém-se 45 : (4-3,872) = 351,563. Observe que o erro apareceu na casa das unidades. • Para se calcular a área de um círculo com r= 5,3749 m, usa-se a fórmula A= πr2. Utilizando-se π = 3,14 * (5,3749)2 = 90,7131870314 m2 .Como o π usado foi com 2 casas, tem-se o ɛa≤10-2, dando-se a resposta A = 90,71. Como o raio foi medido com 4 casas decimais, para dar uma resposta com ɛa≤10-4, o π deve ser usado com o máximo possível de casas decimais, como na calculadora ou no computador. Ao usar a calculadora obtém-se A = 90,75919807..., considerando ɛa≤10-4, A= 90,7592. O erro de arredondamento pode ocorrer, também, na mudança de base numérica já que computadores e calculadoras, ao passarem números da base 10 para a base 2, introduzem esse tipo de erro. O número 0,6, por exemplo, ao ser representado na base dois se transforma em dízima periódica como podemos ver abaixo: 0,610 = 0,1001 ... 2 (dízima periódica). O erro de arredondamento pode, na aplicação de métodos numéricos, ser controlado até certo ponto. Portanto, para se evitar erros de arredondamento, deve-se procurar operar com mais casas decimais do que a resposta pretendida. Outra forma de se melhorar a precisão decorrente do arredondamento é reformular o problema proposto. Um outro cuidado que se deve ter é, em grandes operações com dados numéricos e em certas operações instáveis, trabalhar de forma que os erros de arredondamento não se propaguem em proporções que venham interferir drasticamente nos resultados. Como pode-se observar, modelos matemáticos em geral, sejam de álgebra linear ou não linear, estatística, cálculo diferencial e integral, análise de dados, podem trazer algumas formas de erros de arredondamento, sendo os mais comuns: 1) Erros de precisão nas mediações:
Compartilhar