UNIVERSIDADE FEDERAL DE PELOTAS

Centro de Desenvolvimento Tecnológico

Curso de Bacharelado em Ciência da Computação

Relatório

Luiz Felipe Pereira Bandeira

Orientadores:
Prof. Dr. Mauricio Zahn
Prof. Dr. Alexandre Molter

Pelotas
8 de julho de 2025
 SUMÁRIO

Sumário . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1 Regressão ou Ajuste de Curvas . . . . . . . . . . . . . . . . 4
1.1 Ajuste Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Ajuste Quadrático . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Equações de Diferenças . . . . . . . . . . . . . . . . . . . . . 19
2.1 Equações de Diferenças de Primeira Ordem . . . . . . . . . . 20
2.2 Modelos de Equações de Diferenças . . . . . . . . . . . . . . . 22
Modelo 5 – Orçamento Familiar . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Modelo 6 – Financiamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Equação Linear de Diferenças de 2a Ordem . . . . . . . . . . . 25
2.4 Equações de Diferenças Não Lineares . . . . . . . . . . . . . . 32
3 Equações diferenciais . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Equações diferenciais de primeira ordem . . . . . . . . . . . . 35
3.2 Problema do valor inicial . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Equações diferenciais autônomas . . . . . . . . . . . . . . . . 38
3.4 Modelos matemáticos com equações diferenciais de primeira
ordem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Absorção de drogas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Modelo Malthusiano de Crescimento Populacional . . . . . . . . . . . . . . . . 41
Ajuste por Regressão Exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Comparação com Dados Reais (em milhões). . . . . . . . . . . . . . . . . . . . . . 42
Modelo Logístico Contínuo (Verhulst) . . . . . . . . . . . . . . . . . . . . . . . 43
Propriedades: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Modelo de Resfriamento de um Corpo . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Equação com separação de variáveis . . . . . . . . . . . . . . 44
3.6 Equações homogêneas . . . . . . . . . . . . . . . . . . . . . . 46
3.7 Equações lineares de primeira ordem . . . . . . . . . . . . . . 48
3.8 Equações especiais . . . . . . . . . . . . . . . . . . . . . . . . 51
3.9 Equações de Clairaut . . . . . . . . . . . . . . . . . . . . . . . . 53
Redução de ordem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Equações exatas . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Fator Integrante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.11 Trajetórias ortogonais . . . . . . . . . . . . . . . . . . . . . . . 58

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 61
1 REGRESSÃO OU AJUSTE DE CURVAS
Quando queremos analisar a tendência de um conjunto de dados, uma ferra-
menta útil é a regressão linear. Ela é utilizada para expressar a relação entre uma
variável dependente e uma ou mais variáveis independentes, mostrando como a
primeira tende a variar em função das demais.

1.1 AJUSTE LINEAR

Definição 1.1 (Método dos Quadrados Mínimos). Considere um conjunto de n da-
dos observados {(xi , y i )}, com i = 1, 2, . . . , n, e uma função y(x) = f (x; a1 , a2 , . . . , ak ),
onde aj (para j = 1, . . . , k) são os parâmetros. O método dos quadrados mínimos
consiste em determinar esses parâmetros de modo a minimizar o valor:
n
X n
X
S= 2
(yi − y i ) = [f (xi ; a1 , . . . , ak ) − y i ]2 .
i=1 i=1

Um ajuste é dito linear se for da forma:

y(x) = f (x; a, b) = ax + b, (equação de uma reta).

Neste caso, devemos encontrar os valores dos parâmetros a e b que minimizam

a soma dos quadrados dos desvios:
n
X
S = S(a, b) = [b + axi − y i ]2 .
i=1

Demonstração da condição de mínimo. Para encontrar o mínimo de S, derivamos

parcialmente em relação a a e b e igualamos a zero:

 ∂S

∂b
= 0,
 ∂S = 0.

∂a

Calculamos as derivadas:
n n
∂S X ∂S X
=2 [b + axi − y i ] = 0, =2 xi [b + axi − y i ] = 0.
∂b i=1
∂a i=1
 Dividindo por 2: 
 ni=1 [b + axi − y i ] = 0,
 P

Pn xi [b + axi − y ] = 0.

i=1 i

Expandindo, obtemos o sistema linear:


nb + a ni=1 xi = ni=1 y i ,
 P P

b Pn xi + a Pn x2 = Pn xi y .

i=1 i=1 i i=1 i

Denotando:
n n n n n n
1X 1X X X X X
x= xi , y= y, Sxx = x2i , Sxy = xi y i , Sx = xi , Sy = yi.
n i=1 n i=1 i i=1 i=1 i=1 i=1

Assim, o sistema é: 
nb + aSx = Sy ,


bSx + aSxx = Sxy .



Resolvendo, da primeira equação:

Sy − aSx
b= .
n
Substituindo na segunda:
 
Sy − aSx
Sx + aSxx = Sxy .
n
Multiplicando por n:

Sx Sy − aSx2 + anSxx = nSxy .

Logo:
a(nSxx − Sx2 ) = nSxy − Sx Sy .
Portanto:
nSxy − Sx Sy
a= .
nSxx − Sx2
Em termos das médias:
P
xi y − nxy
a = P 2i .
xi − nx2
 Finalmente,
b = y − ax.

Definição 1.2 (Coeficiente de Correlação de Pearson). O coeficiente de correlação

de Pearson r mede o grau de relação linear entre as variáveis x e y, e é dado por:
P P P
xi yi − ( xi )( yi )/n
r = r .
P 2 (P xi )2  P 2 (P yi )2 
xi − n yi − n

Alternativamente, usando as médias:

P
(xi − x)(yi − y)
r = pP pP .
(xi − x)2 (yi − y)2

O coeficiente r é frequentemente utilizado para verificar se a reta ajustada por

mínimos quadrados representa bem a relação linear entre as variáveis. A verificação
é feita através de testes de hipótese sobre o coeficiente angular a.
Abaixo segue uma implementação em python do método dos minimos quadra-
dos

1 def linear_adjust(x, y):

2 xy = [x_i*y_i for x_i,y_i in zip(x,y)]
3 x2 = [x_i**2 for x_i in x]
4 sum_xy, sum_x, sum_y = sum(xy), sum(x), sum(y)
5 sum_x2, sum_y2 = sum(x2), sum([y_i**2 for y_i in y])
6 n = len(x)
7 alpha = (sum_xy-(sum_x*sum_y)/n)/(sum_x2-(sum_x**2)/n)
8 beta = (sum_y/n)-alpha*(sum_x/n)
9 return [alpha, beta]

AJUSTE LINEAR DO MODELO EXPONENCIAL

As curvas de muitos fenômenos naturais podem ser descritas pelo modelo ex-
ponencial:
y(x) = b eax , b > 0.
 Para ajustar esse modelo aos dados experimentais usando o método dos qua-
drados mínimos, podemos aplicar uma linearização pela mudança de variável:

z = ln y.

Assim, tomando logaritmo natural em ambos os lados:

ln y = ln b + ax.

Portanto, a relação exponencial é transformada na forma linear:

z = ax + ln b.

Assim, ajustamos uma reta:

z = αx + β, onde α = a, β = ln b.

Logo, podemos aplicar o método dos quadrados mínimos para determinar α e β

com base nos pontos transformados (xi , zi ), onde zi = ln yi . Depois, recuperamos
os parâmetros originais:
a = α, b = eβ .

Note que:

1. Se a > 0, a curva é crescente.

2. Se a < 0, a curva é decrescente.

Exemplo 1.1 (Poupança). A Tabela abaixo fornece a evolução do capital em uma

caderneta de poupança, em um ano.
 Mês (xi ) Capital (yi ) zi = ln yi x2i xi zi
0 1000.0 6.90775528 0 0
1 1009.7 6.91740854 1 6.91740854
2 1021.8 6.92932106 4 13.8586421
3 1032.2 6.93944773 9 20.8183432
4 1045.3 6.95205920 16 27.8082368
5 1056.9 6.96309537 25 34.8154769
6 1065.8 6.97148097 36 41.8288858
7 1077.1 6.98202752 49 48.8741927
8 1089.7 6.99365771 64 55.9492617
9 1110.1 7.01220538 81 63.1098484
10 1121.0 7.02197642 100 70.2197642
11 1132.2 7.03280077 121 77.3608084

Com os somatórios:

X X X X
zi = 83.6232359, xi = 66, x2i = 506, xi zi = 582.75584.

Pela fórmula de regressão linear, temos:

P P
xi zi − xin zi 582.75584 − 66×83.6232359
P
12
α= P ( xi )2
P = 662
= 0.0114,
2
xi − n 506 − 12
P P
zi xi 83.6232359 66
β= −α = − 0.0114 × = 6.9058.
n n 12 12
Portanto, a equação da reta ajustada é:

z = 0.0114 x + 6.9058, R2 = 0.9969.

Como β = ln b e α = a, o modelo exponencial ajustado é:

y = beax = 998.04 e0.0114 x , x ≥ 0.

Observação: Como e0.0114 x = ex ln(1.011465) = 1.011465x , temos:

y = 998.04 × 1.011465x = 998.04 × (1 + 0.011465)x .

Assim, o acréscimo mensal é de aproximadamente 1.1465% ao mês.

AJUSTE DO MODELO GEOMÉTRICO

Os modelos geométricos (ou modelos de potência) são usados para descrever

relações do tipo:
y(x) = a xb , a > 0, b > 0.

Para ajustar os parâmetros a e b via método dos quadrados mínimos, utilizamos

uma mudança de variáveis para transformar o modelo em forma linear. Aplicando
logaritmo natural em ambos os lados:

ln y = ln a + b ln x.

Definindo:
Y = ln y, X = ln x,

obtemos a equação na forma de uma reta:

Y = α + bX, onde α = ln a.

Assim, o problema torna-se um ajuste linear de Y em função de X. Após

determinar α e b pelo método dos quadrados mínimos para os pontos (Xi , Yi ) =
(ln xi , ln yi ), recuperamos o parâmetro a pela relação:

a = eα .

Portanto, a função potência ajustada é:

y(x) = a xb = eα xb .

Exemplo 1.2 (Comprimento e peso da tilápia). Considere os dados de comprimento

(x) e peso (y) da tilápia, com transformação logarítmica X = ln x e Y = ln y:
 Tabela 1 – Comprimento médio (cm) × peso médio (g) da tilápia

x (cm) y (g) X = ln x Y = ln y
11.0 26.0 2.39789527 3.25809654
15.0 59.5 2.70805020 4.08597631
17.4 105.4 2.85647021 4.65776264
20.6 200.2 3.02529108 5.29931687
22.7 239.5 3.12236492 5.47855342
25.3 361.2 3.23080440 5.88943182
27.4 419.8 3.31054301 6.03977841
28.2 475.4 3.33932198 6.16415655
29.3 488.2 3.37758752 6.19072516

A reta ajustada é dada por:

Y = 3.103X − 4.206766 (1)

Considerando que α = −4.2067 ⇒ a = e−4.2067 ≈ 0.0149.

A função potência ajustada é dada por:

y(x) = 0.0149x3.103 (2)

Figura 1 – Gráfico do crescimento de tilápias

 A seguir o codigo utilizado em python para o modelo

1
2
3 def geometric_model(x, y, x_label, y_label, title):
4 X = [[Link](x_i) for x_i in x]
5 Y = [[Link](y_i) for y_i in y]
6
7 beta, alpha = linear_adjust(X, Y)
8
9 print('Reta auxiliar')
10 plot_linear_function(beta, alpha, title='reta auxiliar')
11 a = [Link](alpha)
12 b = beta
13
14 plot_geometric_function(a, b, x_label='Comprimento (cm)', y_label='Peso (g)',
title='Crescimento das tilapias', start=10, end=40, sub_values=100, _x=x,
_y=y, _label='dados')
15

AJUSTE LINEAR DE MODELOS HIPERBÓLICOS

Os modelos hiperbólicos são usados para descrever fenômenos com crescimento

ou decrescimento limitado. As formas mais comuns são:

• Modelo hiperbólico tipo I:

1
y(x) = , a > 0, b > 0.
b + ax
Aplicando a mudança de variável:
1
z= ,
y
obtemos:
z(x) = ax + b,

que é uma equação linear.

 • Modelo hiperbólico tipo II:
b
y(x) = a + , a > 0.
x
Aplicando:
1
z= , =⇒ y = a + bz,
x
que também é linear.

Assim, em ambos os casos, podemos aplicar o método dos quadrados mínimos

aos pares (xi , zi ) ou (zi , yi ) transformados para obter a e b.

Exemplo 1.3 (Consumo mensal (médio) de ração por tilápia). A Tabela abaixo
apresenta o consumo de ração (em gramas) para a “Tilápia do Nilo” ao longo de
alguns meses.

Tempo (x) [mês] Ração (y) [g]

1 12.3
2 32.4
3 50.3
4 65.2
5 78.1
6 87.9
7 94.2
8 98.1
9 101.4

Com a mudança de variável z = x1 , obtém-se um ajuste linear entre y e z, dado

por:
y = −101.5 z + 100.8.
Portanto, a função hiperbólica ajustada é:
101.5
y = 100.8 − .
x
O coeficiente de correlação linear é:
r = −0.018,
o que mostra que a correlação é bem fraca entre as variáveis para este tipo de
ajuste.
AJUSTE LINEAR DO MODELO DE MICHAELIS-MENTEN

O modelo de Michaelis-Menten descreve reações bioquímicas catalisadas por

enzimas. A forma é:
ymax x
y(x) = ,
k+x
onde: - ymax é a velocidade máxima, - k é a constante de Michaelis.
Para linearizar, aplicamos a transformação de Lineweaver-Burk:
1 1
z= , t= .
y x
Assim:
1 k+x k 1 k 1
= = + = t+ .
y ymax x ymax x ymax ymax ymax
Portanto, na forma linear:
k 1
z = αt + β, com α = , β= .
ymax ymax
Assim, podemos determinar α e β por regressão linear sobre os dados trans-
formados (ti , zi ) e recuperar:
1 α
ymax = , k= .
β β

AJUSTE LINEAR DO MODELO EXPONENCIAL ASSINTÓTICO

Quando se trata de comportamento assintótico (tendência de estabilidade dos

dados), uma curva típica para ajuste é dada pelo modelo exponencial assintótico:

y = y ∗ − a ebx com y ∗ > 0 e b < 0.

Neste caso, considera-se a mudança de variável:

ln(y − y ∗ ) se a < 0,

z=
ln(y ∗ − y) se a > 0,


obtendo-se assim a equação da reta:

z = ln |a| + b x.
CÁLCULO DO VALOR ASSINTÓTICO — MÉTODO DE FORD-WALFORD

Considere um conjunto de dados {(xi , yi )}, com i = 1, 2, . . . , n. Suponha que

a sequência yi = f (xi ) seja tal que:

lim yi = y ∗ .
xi →∞

Então, queremos determinar o valor assintótico y ∗ de modo que:

y ∗ = lim yi .
xi →∞

O método de Ford-Walford consiste em ajustar uma função g tal que:

yi+1 = g(yi ).

Assim, a sequência de pontos (yi , yi+1 ) converge para o ponto fixo (y ∗ , y ∗ ), isto
é:
y ∗ = g(y ∗ ).

Portanto, y ∗ é o valor limite da sequência quando:


y = y = y ∗ ,
i+1 i
=⇒ y ∗ = g(y ∗ ).
y = g(y ).
i+1 i

Exemplo 1.4 (Adubação × Produção de Cana-de-Açúcar). A Tabela 2.7 apresenta

a produção de cana-de-açúcar para diversas dosagens x de nitrogênio (na forma
de sulfato de amônia):
 xi [kg/ha] yi [ton/ha] yi+1 yi+1 = g(yi ) y ∗ − yi
0 47.68 48.96 48.965 6.826
5 48.96 50.01 50.004 5.546
10 50.01 50.85 50.856 4.496
15 50.85 51.54 51.538 3.656
20 51.54 52.09 52.098 2.966
25 52.09 52.55 52.545 2.416
30 52.55 52.91 52.918 1.956
35 51.91 53.21 53.210 1.596
40 53.21 53.45 53.454 1.296
45 53.45 53.65 53.649 1.056
50 53.65 53.81 53.811 0.856
55 53.81 53.94 53.941 0.696
60 53.94 — 54.0466 0.566

Para estimar o valor assintótico da produção, ajusta-se a relação yi+1 = g(yi )

por uma reta:

yi+1 = 0.8118 yi + 10.258.

O valor assintótico y ∗ é obtido resolvendo y ∗ = yi+1 = yi :

y ∗ = 0.8118 y ∗ + 10.258 =⇒ y ∗ ≈ 54.5058.

Considerando ainda um ajuste exponencial entre xi e (y ∗ − yi ), obtemos:

y ∗ − y = 6.8134 e−0.0414 x , r = 1.

Assim, a função que ajusta xi e yi , assumindo crescimento assintótico, é dada

por:

y(x) = 54.5058 − 6.8134 e−0.0415 x .

AJUSTE LINEAR DO MODELO LOGÍSTICO

A curva logística é amplamente usada para modelar dinâmicas de populações.

Sua forma geral é:

a y∗
y(x) = , com a = y , b = ∗
− 1, λ = αy ∗ .
b e−λx + 1 y0
Características:

• y → y ∗ quando x → ∞.

• y cresce se y0 < y ∗ e decresce se y0 > y ∗ .

• A taxa de crescimento relativo é:

yi+1 − yi
λi = = ayi + b.
yi

• Existe um ponto de inflexão em:

y∗
y= .
2

LINEARIZAÇÃO DA CURVA LOGÍSTICA

Para estimar os parâmetros via ajuste linear, faz-se a mudança de variável:

 
y/a
z = ln .
1 − y/a

Substituindo a forma teórica:

   
a 1 1
y= =⇒ z = ln = ln + λx.
b e−λx + 1 b e−λx b

Portanto, obtemos a forma linear:

z = λx − ln b.

Assim, os parâmetros λ e b podem ser ajustados por regressão linear e o valor

assintótico a = y ∗ pode ser estimado com o método de Ford-Walford ou assumido
como limite superior dos dados.
Exemplo 1.5 (Crescimento de uma árvore). A Tabela abaixo fornece dados simu-
lados do crescimento médio de uma árvore, onde Xi é o tempo em anos e Yi é a
altura em decímetros:

Xi [anos] Yi [dm]
3 21.7
3.5 22.5
4 23.3
4.5 24.0
5 24.7
5.5 25.4
6 26.0
6.5 26.6
7 27.1
7.5 27.6
8 28.1
8.5 28.5
9 28.9

Definimos:

a. ∆yi = yi+1 − yi : crescimento simples;

∆yi
b. λi = : crescimento relativo.
yi
Sabe-se que a tendência da altura de uma árvore é de estabilidade. Para estimar
o valor de estabilidade y ∗ podemos usar dois métodos:
1. Ford-Walford (considerando os 6 últimos dados):

yi+1 = f (yi ) = 0.9151 yi + 2.8164.

A altura assintótica é obtida de y ∗ = yi+1 = yi :

y ∗ = 0.9151 y ∗ + 2.8164 =⇒ y ∗ ≈ 33.173 dm.

2. Modelo logístico:
 Sabemos que:
∆yi
λi = = a yi+1 + b, com λi = 0 quando yi+1 = y ∗ .
yi
Um ajuste linear entre λ e yi+1 fornece:

λ = −0.0035 y + 0.1148.

Assim:
0.1148
y∗ = ≈ 32.8 dm.
0.0035
Usando a mudança de variável:
 
yi
zi = ln = f (yi ),
y ∗ − yi

transforma-se a curva logística na reta:

z = λ x − ln b.

Neste caso:
z = 0.2231 x + 0.0003.

Portanto:
λ = 0.2231, b = e0.0003 ≈ 1.

A curva logística que ajusta o crescimento da altura da árvore é:

32.8
y(x) = .
1 + e−0.2231 x

1.2 AJUSTE QUADRÁTICO

Os modelos quadráticos descrevem curvas parabólicas da forma:

y(x) = a + bx + cx2 .

A característica principal dessa função é possuir pontos de máximo ou mínimo

locais, dependendo do sinal de c:

• c > 0: parábola voltada para cima (mínimo global)

 • c < 0: parábola voltada para baixo (máximo global)

Para determinar os parâmetros a, b, c pelo método dos quadrados mínimos,

minimizamos: n
X
f (a, b, c) = [yi − (a + bxi + cx2i )]2 .
i=1
As condições de mínimo são:
∂f ∂f ∂f
= 0, = 0, = 0.
∂a ∂b ∂c
Isso gera o sistema linear normal para os parâmetros:
P
yi = na + b xi + c x2i ,
P P





xi yi = a xi + b x2i + c x3i ,
P P P P




P 2
xi yi = a x2i + b x3i + c x4i .
P P P

Resolvendo esse sistema, obtemos os valores ótimos de a, b, c que melhor ajus-

tam a curva quadrática aos dados.

2 EQUAÇÕES DE DIFERENÇAS
Existem situações em que as equações com variações discretas são mais con-
venientes para modelar um evento, por exemplo, o crescimento populacional, em
que o crescimento ocorre em etapas discretas e não há sobreposição da variável
analisada.

Definição 2.1. Definimos uma equação de diferenças como uma equação que es-
tabelece uma relação envolvendo valores de uma variável independente em um
conjunto discreto de valores.

A solução de uma equação de diferenças é uma relação funcional que não en-
volve diferenças, definida para todos os números naturais n ∈ N e que satisfaz a
equação de diferenças, isto é, transformando-a em uma identidade.
A forma geral de uma equação de diferenças linear de ordem (m − n) é dada
por:
Xm
yn = ak yn−k .
k=1
2.1 EQUAÇÕES DE DIFERENÇAS DE PRIMEIRA ORDEM
Definição 2.2 (Equação de Diferenças de Primeira Ordem). Uma equação de dife-
renças é de primeira ordem se (n − m) = 1. Sua expressão geral é dada por:

yn = α yn−1 ,
(3)
y0 dado.


O processo recursivo fornece:

y1 = α y0 ,
y2 = α y1 = α 2 y0 ,
y3 = α y2 = α 3 y0 ,
..
.
yn = α yn−1 = αn y0 .

Neste caso, a solução geral da equação (3) é dada por:

yn = y0 αn . (4)

Uma maneira alternativa de resolver a equação (3) é supor que a solução seja
da forma:
yn = k λ n .

Substituindo esta expressão em (3), obtemos:


λ = 0, ou
k λn = α k λn−1 ⇐⇒ k λn−1 (λ − α) = 0 =⇒
λ = α.

Como, para n = 0, devemos ter y0 = k λ0 = k, então k = y0 . Portanto:


0,
 se y0 = 0,
yn = (5)
y0 αn , se y0 6= 0.


Observamos que, quando λ 6= 0, podemos ter:

Observação 2.1. Comportamento assintótico da solução yn :

• Se |λ| < 1, então yn é convergente; isto é, dado  > 0, existe um número
natural n0 tal que, se n > n0 , então

|yn − y ∗ | < .

• Se |λ| = 1, então yn é constante se λ = 1 e é oscilante entre dois valores se

λ = −1.

• Se |λ| > 1, então yn é divergente, ou seja,

lim yn = ±∞.
n→∞

Seja a equação de recorrência linear:

yn+1 = a yn + b, y0 dado. (6)

Podemos expandir recursivamente:

y1 = a y0 + b,
y2 = a y1 + b = a (a y0 + b) + b = a2 y0 + a b + b,
y3 = a y2 + b = a (a2 y0 + a b + b) + b = a3 y0 + a2 b + a b + b.

De forma geral, após n passos:

n−1
X
n
yn = a y0 + b ak .
k=0

Observe que a soma é uma progressão geométrica:


n−1
X n,
 se a = 1,
k
a = n
k=0  1 − a , se a 6= 1.

1−a
Portanto, a solução geral é:

y0 + b n,

 se a = 1,
yn =
b (1 − an )
y 0 an + , se a 6= 1.


1−a
2.2 MODELOS DE EQUAÇÕES DE DIFERENÇAS
MODELO 5 – ORÇAMENTO FAMILIAR

Consideremos uma família cuja renda mensal rn é proveniente de um salário

fixo r0 , mais o rendimento da caderneta de poupança pn do mês anterior.
Suponhamos também que o consumo mensal cn dessa família seja proporcional
à sua renda mensal.
O modelo que estabelece relações entre as variáveis renda, poupança e consumo,
dependentes do tempo (medido em meses), é dado por:

1. Poupança:
(7)


pn+1 = pn + rn+1 − cn+1 .

2. Renda:
rn+1 = r0 + α pn , (8)

onde α é o juro da poupança.

3. Consumo:
cn+1 = β rn+1 , com 0 < β < 1. (9)

Usando as equações (7), (8) e (9), podemos reescrever:


  
pn+1 = pn + r0 + αpn − β r0 + αpn = (1 − β) r0 + (1 − β)α + 1 pn .

Denotando:
a = (1 − β)α + 1, b = (1 − β) r0 ,

a equação fica:
pn+1 = a pn + b. (10)

Como p0 é dado, podemos usar a solução geral de equações de primeira ordem

não homogêneas:
1 − an
p n = an p 0 + b .
1−a
Assim, temos:

n 
n (1 − β) r0 1 − (1 − β)α + 1
(11)

pn = (1 − β)α + 1 p0 +   .
1 − (1 − β)α + 1
 Da equação (8), segue:
rn = r0 + α pn−1 . (12)
E do consumo:
cn = β rn = βr0 + αβ pn−1 . (13)

MODELO 6 – FINANCIAMENTO

Na compra de uma casa é feito um financiamento no valor c0 que deve ser pago
em 15 anos, em parcelas mensais fixas e iguais a k. Devemos determinar o juro
mensal cobrado neste financiamento.
Seja cn a dívida no mês n. A dívida evolui de acordo com:

cn+1 = (1 + α) cn − k.

Com c0 dado, podemos desenvolver por recorrência:

c1 = (1 + α) c0 − k,
c2 = (1 + α) c1 − k = (1 + α)2 c0 − (1 + α) k + k ,
 

c3 = (1 + α) c2 − k = (1 + α)3 c0 − (1 + α)2 k + (1 + α) k + k ,
 

..
.
n−1
X
n
cn = (1 + α) c0 − k (1 + α)j .
j=0

A soma é uma progressão geométrica:

n−1
X (1 + α)n − 1 (1 + α)n − 1
(1 + α)j = = .
j=0
(1 + α) − 1 α

Logo:  
k (1 + α)n − 1
cn = (1 + α) c0 − n
. (14)
α
Observação 2.2. Essa mesma expressão poderia ter sido obtida diretamente pela
forma geral das equações de diferenças.

Para que a dívida seja quitada após t meses, deve-se ter ct = 0. Assim:
 
t k (1 + α)t − 1
(1 + α) c0 = .
α
Podemos reescrever como:
α c0 1
=1− .
k (1 + α)t

Conhecendo c0 , k e t, podemos resolver numericamente para α.

Exemplo:
c0 = 30 000, k = 500, t = 180.

Substituindo:
α × 30 000 1
=1− ,
500 (1 + α)180
ou:
1
60 α = 1 − .
(1 + α)180
Para resolver, podemos usar o método da bisseção:

• α = 0.01:
1
y = 0.6, z =1− = 0.97.
(1.01)180
Como z > y, aumentamos α.

• α = 0.02:
y = 1.2, z = 0.833.

Agora z < y, logo α está entre 0.01 e 0.02.

• α = 0.015:
y = 0.9, z = 0.93.

z > y, aproximamos novamente.

Prosseguindo com o processo, obtemos:

α ≈ 0.0156,

isto é, 1.56% ao mês.

2.3 EQUAÇÃO LINEAR DE DIFERENÇAS DE 2A ORDEM
Uma equação geral de diferenças de segunda ordem é da forma:

yn = a yn−1 + b yn−2 , (15)

com y0 e y1 dados.

SOLUÇÃO
Considerando que
yn = k λ n

seja uma solução de (19), temos:

k λn − a k λn−1 − b k λn−2 = 0 k λn−2 λ2 − a λ − b = 0.

=⇒

Logo:
λ = 0 ou λ2 − a λ − b = 0.

• Para λ = 0, tem-se yn = 0 para todo n (solução trivial), que só tem sentido

se y0 = y1 = 0.

• Se λ 6= 0, o polinômio
P (λ) = λ2 − a λ − b

é denominado polinômio característico da equação, e suas raízes λ1 e λ2 são

denominadas autovalores:
√
a ± a2 + 4b
λ1,2 = .
2

As raízes λ1 e λ2 são univocamente determinadas pelos valores dos coeficientes

a e b.
Para equações lineares vale o princípio da superposição, isto é, se temos várias
soluções, então qualquer combinação linear entre elas também é solução. Como
λ1 e λ2 foram determinados com a condição de que k λn1 e k λn2 sejam soluções,
podemos concluir que:
yn = A1 λn1 + A2 λn2 (16)
também é solução de (19).
A expressão (16) será a solução geral se λ1 6= λ2 , isto é, se a2 + 4b 6= 0. Neste
caso, as constantes A1 e A2 são determinadas pelas condições iniciais y0 e y1 :

n = 0 ⇒ y0 = A1 + A2 ,


n = 1 ⇒ y 1 = A 1 λ1 + A 2 λ2 .


O sistema linear: 
A1 + A2 = y0 ,


λ1 A1 + λ2 A2 = y1 ,


admite como solução os valores:

λ1 y0 − y1
A2 = , A1 = y0 − A2 .
λ1 − λ2

SOLUÇÃO DO MODELO 4 (CRESCIMENTO DAS TILÁPIAS)

O modelo matemático para a dinâmica populacional das tilápias é uma equação

de diferenças de segunda ordem:

pn = pn−1 + α pn−2 ,
(17)
p0 = p0 , p 1 = p0 .


O polinômio característico é dado por:

λ2 − λ − α = 0,

cujas raízes (autovalores) são:

√ √
1 − 1 + 4α 1+ 1 + 4α
λ1 = , λ2 = , λ1 6= λ2 .
2 2
A solução geral é dada por:

pn = A1 λn1 + A2 λn2 ,

onde: √
λ1 p0 − p0 p0 (1 + 1 + 4α)/2
A1 = p0 − = p0 − ,
λ1 − λ2 λ1 − λ2
√
p0 (1 − 1 + 4α)/2
A2 = p0 − A1 = − √ .
1 + 4α
OBSERVAÇÃO
Quando os autovalores da equação são iguais, isto é:
a
λ1 = λ2 = ,
2
a solução geral é dada por:

 a n
yn = A1 + n A2 ,
2
e as constantes A1 e A2 são obtidas por:

y0 = A1 ,


y1 = (A1 + A2 ) a ,

2
portanto:
2 y1
A2 = − y0 .
a

CASO DE AUTOVALORES COMPLEXOS

Se os autovalores forem complexos:

λ1 = α + β i = r eiθ , λ2 = α − β i = r e−iθ ,

onde:  
p β
r = α2 + β 2 , θ = arctan ,
α
então, a solução geral real é dada por:

yn = c1 rn cos(n θ) + c2 rn sin(n θ).

De fato, usando a fórmula de Euler eiθ = cos θ + i sin θ, temos:

n
n
λn1 = α + βi = r eiθ = rn cos(nθ) + i sin(nθ) .

Portanto:
yn = A1 λn1 + A2 λn2 = B1 rn cos(nθ) + i B2 rn sin(nθ).
Como a equação é linear, tanto a parte real:

un = B1 rn cos(nθ)
quanto a parte imaginária:
vn = B2 rn sin(nθ)

são soluções, e pelo princípio da superposição:

yn = c1 un + c2 vn = rn c1 cos(nθ) + c2 sin(nθ) ,

com c1 , c2 ∈ R.
Neste caso, a sequência yn é periódica com amplitude rn e frequência propor-
cional a 1/θ: 
r > 1 ⇒ y crescente,
n
r < 1 ⇒ y decrescente.
n

Exemplo 2.1. A equação:

yn+2 + yn = 0, y0 = 0, y1 = 1,

tem polinômio característico:

λ2 + 1 = 0 ⇒ λ1 = i, λ2 = −i.

Logo:
√
 
1 π
r = 02 + 12 = 1, θ = arctan = .
0 2
A solução real é:  nπ   nπ 
yn = c1 cos + c2 sin .
2 2
Com as condições iniciais, c1 = 0, c2 = 1, então:
 nπ 
yn = sin .
2
Exemplo 2.2. A equação:

yn+2 − 2 yn+1 + 2 yn = 0, y0 = 0, y1 = 1,

tem solução:
√
n  nπ 
yn = 2 sin .
4
√
n
Neste caso, a amplitude rn = 2 é crescente e a frequência é θ = π/4.
Exemplo 2.3. A equação:

yn+2 − 2a yn+1 + 2a2 yn = 0, y0 = 0, y1 = 1, a > 0,

tem polinômio característico:

λ2 − 2a λ + 2a2 = 0,

cujas raízes são complexas:

λ1 = a (1 + i), λ2 = a (1 − i),

com:
√ π
r = a 2, θ= .
4
A solução real que satisfaz as condições iniciais é:
√
n  nπ 
yn = a 2 sin .
4
Como −1 ≤ sin(x) ≤ 1, a sequência apresenta oscilações decrescentes quando
r < 1.

2.5.2 SISTEMAS DE EQUAÇÕES DE DIFERENÇAS

Uma equação linear de segunda ordem:

yn+2 + a yn+1 + b yn = 0, (18)

pode ser transformada em um sistema linear de duas equações de primeira ordem,

considerando a mudança de variável zn = yn+1 :

yn+1 = zn ,


zn+1 = −a zn − b yn .


Reciprocamente, um sistema linear de ordem 2:


yn+1 = a11 yn + a12 zn ,


zn+1 = a21 yn + a22 zn ,


pode ser convertido na equação linear de segunda ordem:


yn+2 − (a11 + a22 ) yn+1 + a22 a11 − a12 a21 yn = 0.

A matriz:  
a11 a12
J = 
a21 a22
é denominada matriz Jacobiana do sistema. Os autovalores λ desta matriz são os
números tais que:
det(J − λ I) = 0,
onde I é a matriz identidade. Ou seja:
 
a11 − λ a12
 = 0 ⇐⇒ λ2 − (a11 + a22 ) λ + a22 a11 − a12 a21 = 0.


det 
a21 a22 − λ

O polinômio característico é, portanto:

P (λ) = λ2 − α λ + β,

onde:
α = a11 + a22 (traço da matriz J),
β = a11 a22 − a12 a21 (determinante de J),
∆ = α2 − 4 β (discriminante de J).

MODELO 7 – CRESCIMENTO POPULACIONAL DAS TILÁPIAS COM TAXAS

DE SOBREVIVÊNCIA

Vamos usar os mesmos dados do Modelo 4, considerando agora as dinâmicas

dos três estágios distintos: ovos, alevinos e adultos, juntamente com suas taxas de
sobrevivência.

CONSIDERAÇÕES

1. Somente a fêmea adulta desova e o faz a cada 2 meses.

2. Um alevino torna-se adulto em 4 meses.

 3. As probabilidades de nascer macho ou fêmea são iguais.

Se c é a quantidade de ovos em uma desova, então o número de ovos produzidos

por fêmeas adultas no estágio n é:
1
an c.
2
Se α é a taxa de eclosão, então:
αc
an
2
é a quantidade de ovos sobreviventes no estágio n.
Sejam:
αc
γ= ,
2
bn = quantidade de alevinos no estágio n,

β = taxa de conversão de alevinos em adultos, δ = taxa de sobrevivência de

adultos.
A dinâmica populacional é modelada por:



 cn = γ an−1 + γ β bn−1 ,


bn = cn−1 ,




an = δ an−1 + β bn−1 .


Taxas de mortalidade:

1 − δ : taxa de mortalidade de adultos,

1 − β : taxa de mortalidade de alevinos,

1 − γ : taxa de perda de ovos.

Assim, obtemos o sistema linear de ordem 3:


an = δ an−1 + β bn−1 ,




bn = cn−1 ,




cn = γ an−1 + γ β bn−1 .

MATRIZ JACOBIANA E POLINÔMIO CARACTERÍSTICO

A matriz Jacobiana do sistema é:

 
δ
0 β
 
J =
 0 0 1 .

γ γβ 0
O polinômio característico é obtido de:

det(J − λ I) = 0.

Cálculo do determinante:
 
δ−λ β 0
 
det 
 0 −λ  = 0.
1 
γ γβ −λ
Expansão:
−λ3 + δ λ2 + γ β λ = γ β (δ − 1).
Portanto, o polinômio característico é:

−λ3 + δ λ2 + γ β λ = γ β (δ − 1).

Se os valores dos parâmetros γ, δ, β são conhecidos, o cálculo das raízes pode

ser feito numericamente (por exemplo, pelos métodos de Newton-Raphson, Gauss
ou bisseção). Entretanto, nem sempre a solução explícita é a mais conveniente;
nesse caso, pode-se usar tabelas e gráficos gerados em ambiente computacional.

2.4 EQUAÇÕES DE DIFERENÇAS NÃO LINEARES

Uma equação de diferenças não linear de primeira ordem é uma fórmula de
recorrência do tipo:
yn+1 = f (yn ), (19)
onde f é uma função não linear em yn (por exemplo, quadrática, polinomial,
exponencial etc).
A solução de (19) é uma expressão que relaciona yn com a condição inicial y0 ,
para cada estágio n. Geralmente, não é possível obter tal solução explicitamente.
PONTOS DE EQUILÍBRIO

Uma maneira importante de analisar essas equações é estudar seus pontos de

equilíbrio, definidos por:
yn+1 = yn = y ∗ ,
isto é:
y ∗ = f (y ∗ ).
O ponto y ∗ é um ponto fixo da função f .
Graficamente, os pontos de equilíbrio podem ser obtidos pela interseção do
gráfico yn+1 = f (yn ) com a bissetriz yn+1 = yn . Esse método é conhecido como
gráfico de Lamerey.

ESTABILIDADE LOCAL

A estabilidade de um ponto de equilíbrio y ∗ pode ser determinada pelo módulo

da derivada de f em y ∗ :
df (y)
λ= .
dy y=y∗
O parâmetro λ é chamado de autovalor do equilíbrio.
Temos:

1. Se 0 < |λ| < 1, y ∗ é localmente assintoticamente estável, isto é, se yn está

próximo de y ∗ , então yn → y ∗ .

• Se 0 < λ < 1, a convergência é monótona.

• Se −1 < λ < 0, a convergência é oscilatória.

2. Se |λ| > 1, y ∗ é instável.

3. Se |λ| = 1, y ∗ é neutramente estável ou simplesmente estável. Neste caso, a

sequência oscila em torno do ponto y ∗ formando um ciclo limite.

EQUAÇÃO LOGÍSTICA DISCRETA

Consideremos a equação de diferenças não linear:

yn+1 = f (yn ) = r yn (1 − yn ), r > 0. (20)

Os pontos de equilíbrio são dados por:

y ∗ = f (y ∗ ) ⇐⇒ r y ∗ (1 − y ∗ ) = y ∗ .

Ou seja:
r y ∗ (1 − y ∗ ) − y ∗ = 0 y ∗ r (1 − y ∗ ) − 1 = 0.
 
⇐⇒
Assim, temos:
y1∗ = 0 (ponto trivial)
e
1
y2∗ = 1 − (ponto não trivial).
r
Os autovalores associados são:
df
λ= = r − 2 r y∗.
dy y=y ∗

• Para y1∗ = 0, temos:

λ1 = r.

• Para y2∗ = 1 − 1r :
λ2 = 2 − r.

Portanto:

1. Se 0 < r < 1, y1∗ = 0 é assintoticamente estável e y2∗ < 0 é instável.

2. Se r = 1, y1∗ = y2∗ = 0 é um centro de ciclo limite.

3. Se 1 < r < 3, y1∗ = 0 é instável e y2∗ é assintoticamente estável, pois:

|2 − r| < 1.

4. Se r = 3, temos λ2 = −1, e aparecem oscilações de período 2 (ciclos de dois

pontos).

De fato, para r = 3, ocorre o chamado ciclo de período 2, satisfazendo o

sistema: 
yn+1 = f (yn ),

yn+2 = yn .


Ou seja:


yn+2 = f f (yn ) = yn .
3 EQUAÇÕES DIFERENCIAIS
3.1 EQUAÇÕES DIFERENCIAIS DE PRIMEIRA ORDEM
Definição 3.1. Uma equação diferencial é definida pela presença de funções incóg-
nitas e suas derivadas, uma EDO tem como expressão geral

dy d2 y dn y
 
F x, y, , 2 , . . . , n = 0 (21)
dx dx dx
dn x
Quando podemos explicitar na equação 21 obtemos uma forma formal da
dxn
EDO de ordem n isto é

dn y dy d2 y dn−1 y
 
=f x, y, , 2 , . . . , n−1 (22)
dxn dx dx dx
A solução de uma EDO em um intervalo I é uma função y = φ(x) que juntamente
com suas derivadas satisfazem a equação 22

Definição 3.2. Uma equação diferencial ordinária de primeira ordem define-se por:
dy
= f (x, y) (23)
dx
Onde f é uma função definida em um intervalo aberto de R2 com valores reais, sua
solução é uma função y = φ(x) onde x ∈ (a, b), derivável e satisfazendo:



 (x, φ(x)) ∈ A

(24)
dφ


= f (x, φ(x))


dx
Observação 3.1. O que a equação 24 sugere é que não só cada ponto x pertence ao
intervalo (a, b) como também a imagem de sua solução também vai estar presente
no mesmo intervalo.
Observando por outro lado em seu segundo componente pode-se observar uma
relação da variação de φ(x) que para cada x temos a inclinação da solução no ponto
φ(x) é determinada pela função f (x, φ(x)), o que vale comentar é que equações
diferenciais possuem infinitas soluções e quando plotamos essa função observamos
o campo de direções da equação diferencial.
Exemplo 3.1. A seguir, apresentamos um exemplo do campo de direções da equação
diferencial dx
dy
= x − y, Esse gráfico ilustra que uma EDO possui infinitas soluções,
mas nem todas podem ser determinadas de forma analítica. Em muitos casos,
a obtenção das soluções exatas é inviável, tornando necessário o uso de métodos
numéricos para aproximá-las.

Exemplo 3.2. Dada a equação à seguir:

dy
+y =0 (25)
dx
podemos aplicar os passos a seguir para resolução:
dy
= −y
dx
1
dx = −
dy
Z Z
dy
dx + C1 = − + C2
|{z} y |{z}
∈R ∈R
x + C1 = − ln |y| + C2
−x + C3 = ln |y|
|{z}
−C1 +C2 ∈R

e−x |{z}
eC3 = y
C∈R
−x
∴ Ce =y
porém vale ressaltar que essa é só uma solução dentre varias possíveis para essa
EDO.

3.2 PROBLEMA DO VALOR INICIAL

Definição 3.3. Define-se por problema do valor inicial (P.V.I) uma equação dife-
rencial onde temos uma equação diferencial acompanhada de um valor da função
que queremos encontrar definida em um ponto x0

dy


 = f (x, y)
 dx

(26)



y(x ) = y
0 0
Teorema 3.1. Teorema de existência e unicidade de solução para o problema do
valor inicial. Supondo que em 26:

1. f (x, y) seja contínua em um disco aberto D de raio r, centrado em (x0 , y0 ),

D = {(x, y) : (x − x0 )2 + (y − y0 )2 < r}.

2. A derivada parcial ∂f
∂y
= g(x, y) exista e seja contínua em D.

Então:

• Existe uma função y = φ(x) definida em um intervalo (x0 − δ, x0 + δ) que

resolve o problema de Cauchy.

• Se y = ψ(x) for outra solução no intervalo (x0 − ε, x0 + ε), então φ(x) = ψ(x)
em (x0 − δ, x0 + δ) ∩ (x0 − ε, x0 + ε).

Disso temos que a solução é única localmente.

Exemplo 3.3. Dado o problema do valor inicial a seguir:

(
dy
dx
= cos x
y(0) = 2

Temos que a solução geral é determinada por uma simples integração:

Z
dy
= cos x ⇐⇒ dy = cos x dx ⇐⇒ y(x) = cos x dx = sin x + C
dx
Agora, usando a condição inicial, vem:

y(0) = 2 ⇐⇒ 2 = sin(0) + C =⇒ C = 2

Assim, a solução particular, que passa pelo ponto (0, 2) é y = ϕ(x) = sin x + 2.
3.3 EQUAÇÕES DIFERENCIAIS AUTÔNOMAS
Definição 3.4. Chamamos de equações diferenciais autônomas aquelas que podem
ser escritas na forma
dy
= f (y),
dx
ou seja, a derivada de y em relação a x depende apenas da variável y.
Fazendo uma manipulação formal podemos reescrever essa equação como
dx 1
= ,
dy f (y)

assumindo que f (y) 6= 0 em um intervalo adequado.

A partir disso, podemos obter a solução integrando ambos os lados:
Z y
1
x(y) = x(y0 ) + ds.
y0 f (s)

Essa equação define implicitamente a função y(x) como sendo a inversa de x(y),
o que é garantido pelo Teorema da Função Inversa, desde que f (y) seja contínua
e não nula no intervalo considerado.

Exemplo 3.4 (Problema de Cauchy e sua inversa). Vamos considerar o problema

de Cauchy:
 dy = ky

dx (1)
y(x0 ) = y0 6= 0


Podemos inverter o problema, trocando as variáveis de lugar:


 dx = 1

dy ky (2)

x(y ) = x
0 0

Resolvendo a equação (2), fazemos a integral:

Z Z
1 1 1 1
x(y) = dy + C = dy + C = ln |y| + C.
ky k y k
Usando a condição inicial x(y0 ) = x0 , encontramos C:
1 1
x0 = ln |y0 | + C ⇒ C = x0 − ln |y0 |.
k k
Substituindo de volta:
 
1 1 1 |y|
x(y) = ln |y| + x0 − ln |y0 | = x0 + ln .
k k k |y0 |

Então:  
|y|
ln = k(x − x0 ) ⇒ y = |y0 | ek(x−x0 ) .
|y0 |
Exemplo 3.5. Considere a equação diferencial autônoma:
dy a
= ky + a, y 6= − .
dx k
Podemos escrevê-la de forma diferencial:
1
dy = dx.
ky + a
Integrando ambos os lados:
Z Z
1
dy = dx.
ky + a
Fazendo a substituição u = ky + a, temos du = k dy, logo:
Z Z
1 1 1 1
dy = du = ln |ky + a|.
ky + a k u k
Portanto:
1
x= ln |ky + a| + C.
k
Isolando y, obtemos:
a 1
ky + a = ek(x−C) ⇒ y = − + ek(x−C) .
k k
Logo, a solução geral é:
a 1 a
y(x) = − + ek(x−C) , y 6= − .
k k k
a
Observe que y 6= − é uma solução de equilíbrio da equação.
k
3.4 MODELOS MATEMÁTICOS COM EQUAÇÕES DIFEREN-
CIAIS DE PRIMEIRA ORDEM
Nesta parte, vamos estudar alguns modelos clássicos baseados em equações
diferenciais ordinárias (EDOs) de primeira ordem. Esses modelos aparecem em
várias áreas do conhecimento, como Física, Biologia, Química, Farmacologia e
Engenharia, sempre que é necessário descrever como alguma grandeza varia ao
longo do tempo.

ABSORÇÃO DE DROGAS

Um dos problemas importantes em Farmacologia é entender como a concentra-

ção de uma droga no sangue de um paciente diminui com o tempo. Isso é essencial
pra definir a dosagem certa e o intervalo ideal entre as aplicações.
O modelo mais simples assume que a taxa de variação da concentração da droga
é proporcional à quantidade que ainda está no sangue. Se C = C(t) representa
essa concentração no instante t, a equação é:

dC
= −kC (27)
dt
onde k > 0 é uma constante positiva que depende do tipo de medicamento.
Se uma dose inicial C0 for aplicada e absorvida instantaneamente, a solução da
equação (27) é:

C(t) = C0 e−kt (28)

Agora, se uma segunda dose de mesma concentração for aplicada após um

tempo T , a concentração fica:


C e−kt ,
0 se 0 ≤ t < T
C(t) =
C e−kT + C e−k(t−T ) = C (1 + e−kT )e−k(t−T ) , se T ≤ t < 2T
0 0 0

Imediatamente antes e depois da segunda dose:

C(T − ) = C0 e−kT , C(T + ) = C0 e−kT + C0

 Depois de uma terceira dose, no instante 2T , a concentração passa a ser:

C(2T + ) = C0 (1 + e−kT )e−kT + C0 = C0 (1 + e−kT + e−2kT )

De forma geral, após n doses aplicadas nos tempos T, 2T, . . . , nT , a concentra-

ção no instante nT é:

C(nT + ) = C0 (1 + e−kT + e−2kT + · · · + e−nkT )

E para t ≥ nT :

C(t) = C0 (1 + e−kT + e−2kT + · · · + e−nkT )e−k(t−nT ) (29)

A soma dentro dos parênteses é uma progressão geométrica de razão e−kT ,

então podemos escrever:

1 − e−(n+1)kT
C(nT + ) = C0 ·
1 − e−kT
No limite, quando n → ∞, obtemos a concentração de saturação Cs :

1 − e−(n+1)kT C0
Cs = lim C0 · −kT
= (30)
n→∞ 1−e 1 − e−kT

MODELO MALTHUSIANO DE CRESCIMENTO POPULACIONAL

Seja P (t) o número de indivíduos de uma população no tempo t. Supondo que

a taxa de crescimento é proporcional à própria população, temos:

dP
= αP (t) (31)
dt
No modelo discreto, essa ideia se traduz em:

P (t + 1) = (1 + α)P (t) (32)

Com P (0) = P0 , a solução por recorrência é:

P (t) = (1 + α)t P0 (33)

Dado P0 e Pt , podemos estimar α por:

  1/t
Pt
α= −1 (34)
P0
Exemplo: Para P0 = 41,236.351 (1940) e P10 = 51,944.397 (1950):

α ≈ 0,0234 ⇒ 2,34% ao ano (35)

Entre 1940 e 1991 (t = 51, P51 = 146,825.475):

α ≈ 0,0252 (36)

Reescrevendo o modelo de forma contínua, temos:

P (t) = P0 eβt , com β = ln(1 + α) (37)

Para α = 0,0252, temos β ≈ 0,0249, logo:

P (t) = 41,236 · e0,0249t (38)

Ajuste por Regressão Exponencial.

Com base nos censos de 1940 a 1991, obtemos β = 0,0256:

P (t) = 41,57 · e0,0256t (39)

Comparação com Dados Reais (em milhões).

Ano Censo Modelo Discreto Modelo Contínuo

1940 41,236 41,236 41,570
1950 51,944 52,896 53,698
1960 70,992 67,851 69,365
1970 93,139 87,036 89,602
1980 119,003 111,645 115,744
1991 146,825 146,822 153,389
1996 156,804 166,288 174,335
MODELO LOGÍSTICO CONTÍNUO (VERHULST)

A partir de 1950, os dados mostram que a taxa de crescimento da população

diminui com o tempo. Para modelar isso, Verhulst propôs em 1837 uma modifica-
ção do modelo de Malthus, incluindo um fator limitante. A ideia é que a população
tende a um valor máximo P∞ (capacidade de suporte do ambiente).
O modelo é dado por:
 
dP P
= rP 1− , P (0) = P0 (40)
dt P∞
Separando variáveis e integrando:

Z      
1 1 P P0
+ dP = rt + c ⇒ ln = rt + ln
P P∞ − P P∞ − P P∞ − P 0

Isolando P (t):

P∞ P0
P (t) = (41)
(P∞ − P0 )e−rt + P0

Propriedades:

• Se P0 < P∞ , a população cresce até P∞ .

• Se P0 > P∞ , a população decresce até P∞ .

• O crescimento é máximo quando P = P∞

2
.

O tempo para o crescimento ser máximo (ponto de inflexão) é:

 
1 P ∞ − P0
tm = ln (42)
r P0
Se P0 = P∞
2
, então tm = 0.
MODELO DE RESFRIAMENTO DE UM CORPO

A Lei de Newton diz que a taxa de variação da temperatura T de um corpo é

proporcional à diferença entre T e a temperatura ambiente Ta :

dT
= −κ(T − Ta ), T (0) = T0 (43)
dt
A solução é:

T (t) = Ta + (T0 − Ta )e−κt (44)

A temperatura se aproxima de Ta com o tempo. Para o tempo t∞ em que T (t)

está a 99% de Ta :

 
−κt∞ 1 100(T0 − Ta )
T (t∞ ) = Ta + 0,01(T0 − Ta ) ⇒ e = 0,01 ⇒ t∞ = ln
κ Ta

Exemplo: Com κ = 1,3, T0 = 36,5◦ C, Ta = 25◦ C:

 
1 100(36,5 − 25)
t∞ ≈ ln ≈ 2,95 horas
1,3 25
Para 0,1% de erro:
 
1 1000(36,5 − 25)
t∞ ≈ ln ≈ 4,71 horas
1,3 25

3.5 EQUAÇÃO COM SEPARAÇÃO DE VARIÁVEIS

Definição 3.5 (Equações com Separação de Variáveis). Uma equação diferencial
ordinária de primeira ordem é dita separável se puder ser escrita na forma:

dy g(x)
= ou, equivalentemente, f (y) dy = g(x) dx
dx f (y)

com f e g funções contínuas em algum intervalo de R. Integrando membro a

membro: Z Z
f (y) dy = g(x) dx ⇒ F (y) = G(x)

Se F for inversível, então a solução é y = ϕ(x) = F −1 (G(x)).

Exemplo 3.6. Considere a equação:
dy
= x3 (1 + y)
dx
Temos f (y) = 1+y
1
(não contínua em y = −1) e g(x) = x3 . A solução constante
y = −1 é solução de equilíbrio.
Separando variáveis:

x4
Z Z
dy 3
= x dx ⇒ ln |1 + y| = +C
1+y 4

Para y < −1, temos |1 + y| = −(1 + y), então:

x4 4
ln(−1 − y) = + C ⇒ y = −1 − Kex /4 , K∈R
4
Para y > −1, a solução é:
4 /4
y = −1 + Kex

Exemplo 3.7. Considere a equação:

dy y(−2 + x)
=
dx x(1 − 2y)

Separando variáveis:
1 − 2y −2 + x
dy = dx
y x
Integrando:
Z   Z  
1 −2
− 2 dy = + 1 dx ⇒ ln |y| − 2y = −2 ln |x| + x + C
y x

Portanto, a solução implícita é:

ln |y| − 2y = −2 ln |x| + x + C

Note que a equação original não é definida para x = 0 ou y = 0, o que limita o

domínio das soluções.
3.6 EQUAÇÕES HOMOGÊNEAS
Definição 3.6 (Função Homogênea). Uma função f (x, y) é dita homogênea de grau
n se, para todo λ > 0,
f (λx, λy) = λn f (x, y)

Exemplo 3.8. A função f (x, y) = x2 + xy + y 2 é homogênea de grau 2, pois:

f (λx, λy) = (λx)2 + λx · λy + (λy)2 = λ2 (x2 + xy + y 2 ) = λ2 f (x, y)

Definição 3.7 (Equação Diferencial Homogênea). Uma equação diferencial ordiná-

ria de primeira ordem da forma:
dy
= f (x, y)
dx
é dita homogênea se a função f (x, y) for homogênea de grau zero. Nesse caso,
podemos escrever:
dy y
=F
dx x
Definição 3.8 (Mudança de Variável). Para resolver uma equação homogênea, uti-
lizamos a substituição:
y dy dz
z= ⇒ y = zx ⇒ =z+x
x dx dx
Substituindo na equação original, obtemos uma equação na forma:

dz F (z) − z
=
dx x
que pode ser resolvida por separação de variáveis.

Exemplo 3.9. Resolver a equação:

dy x+y
=
dx x−y

Verificamos que f (x, y) = x+y

x−y
é homogênea de grau zero:

λx + λy x+y
f (λx, λy) = =
λx − λy x−y
Substituindo y = zx, temos:

dy dz dz 1+z dz 1+z z 1 + z − z(1 − z) 1 + z2

= z+x ⇒ z+x = ⇒ = − = =
dx dx dx 1−z dx x(1 − z) x x(1 − z) x(1 − z)

Separando variáveis:
1−z dx
2
dz =
1+z x
Integrando:
1−z
Z Z Z Z
1 1 z 1
2
dz = dx ⇒ 2
dz− 2
dz = ln |x|+C ⇒ arctan z− ln(1+z 2 ) = ln |x|+C
1+z x 1+z 1+z 2
Voltando à variável y, com z = xy , obtemos a solução implícita:
y 1   y 2 
arctan − ln 1 + = ln |x| + C
x 2 x

Definição 3.9 (Equação Quase Homogênea). Equações da forma:

dy a2 x + b 2 y + c 1
=
dx a1 x + b 1 y + c 2
são chamadas quase homogêneas. A equação não é homogênea, mas pode ser
transformada em uma homogênea por uma mudança de variáveis apropriada, que
desloca o ponto singular para a origem.

Definição 3.10 (Ponto Singular de uma Equação Quase Homogênea). O ponto

singular é obtido resolvendo o sistema:

a x + b y + c = 0
2 2 1
a x + b y + c = 0
1 1 2

O ponto (x0 , y0 ) obtido é utilizado na mudança de variáveis:

x = u + x0 , y = v + y0

Exemplo 3.10. Resolver a equação:

dy x+y+2
=
dx x+1
A equação é quase homogênea. O ponto singular é obtido resolvendo:

x + y + 2 = 0
⇒ x = −1, y = −1
x + 1 = 0

Fazemos a mudança de variáveis:

dy dv
x = u − 1, y =v−1⇒ =
dx du
Substituindo:
dv (u − 1) + (v − 1) + 2 u+v v
= = =1+
du (u − 1) + 1 u u
Fazendo z = v
u
⇒ v = zu, temos:

dv dz dz dz 1
=z+u =1+z ⇒u =1⇒ = ⇒ z = ln |u| + C ⇒ v = u ln |Ku|
du du du du u
Voltando às variáveis originais:

y + 1 = (x + 1) ln |K(x + 1)| ⇒ y = (x + 1) ln |K(x + 1)| − 1

Usando a condição inicial y(1) = −3:

1
−3 = 2 ln(2K) − 1 ⇒ ln(2K) = −1 ⇒ K =
2e
Portanto, a solução particular é:

x+1
y(x) = (x + 1) ln −1
2e

3.7 EQUAÇÕES LINEARES DE PRIMEIRA ORDEM

Definição 3.11 (Equações Lineares de Primeira Ordem). Uma equação diferencial
ordinária de primeira ordem é dita linear se puder ser escrita na forma:
dy
+ h(x)y = g(x)
dx
onde h(x) e g(x) são funções contínuas em um intervalo (a, b) ⊂ R. Essa forma é
chamada linear porque a operação diferencial aplicada a y, ou seja, dx
d
+ h(x), é
uma operação linear.
 A solução geral é obtida utilizando um fator integrante λ(x), definido por:
R
h(x) dx
λ(x) = e

Multiplicando ambos os lados da equação por λ(x), obtemos:

Z
d
[λ(x)y(x)] = λ(x)g(x) ⇒ λ(x)y(x) = λ(x)g(x) dx + C
dx
Assim, a solução geral é dada por:
R
Z R 
− h(x) dx h(x) dx
y(x) = e e g(x) dx + C

Exemplo 3.11. Considere a equação:

dy 1
− y = x2 − 1
dx x + 1
Aqui temos h(x) = − x+1
1
e g(x) = x2 − 1. A função h(x) não é definida em
x = −1, portanto buscamos soluções fora desse ponto.
O fator integrante é:
R 1
− x+1 1
λ(x) = e dx
= e− ln |x+1| =
|x + 1|

Como estamos considerando x > −1, podemos tomar λ(x) = x+1

1
.
Multiplicando a equação por λ(x):

x2 − 1 x2 − 1
 
1 dy 1 d y
− y = ⇒ =
x + 1 dx (x + 1)2 x+1 dx x + 1 x+1
Integrando ambos os lados:
x2 − 1
Z
y
= dx + C
x+1 x+1
Fazendo divisão polinomial:
x2 − 1 x2
Z
=x−1⇒ (x − 1) dx = −x
x+1 2
Logo:
x2 x2
 
y
= − x + C ⇒ y(x) = (x + 1) −x+C
x+1 2 2
Definição 3.12 (Método da Variação da Solução Homogênea). Considere a equação
linear de primeira ordem:
dy
+ h(x)y = g(x)
dx
Se g(x) = 0, a equação é chamada homogênea, e sua solução geral pode ser
obtida por separação de variáveis:
Z Z Z
dy R
= − h(x) dx ⇒ ln |y| = − h(x) dx + C ⇒ y = Ke− h(x) dx
y
No caso não homogêneo (g(x) 6= 0), o método da variação da constante propõe
que a solução geral tenha a forma:
R
y = K(x)e− h(x) dx

Substituindo essa forma na equação original, temos:

Z
d R
− h(x) dx dK R
h(x) dx
R
[K(x)e ] = g(x) ⇒ = g(x)e ⇒ K(x) = g(x)e h(x) dx dx+C
dx dx
Portanto, a solução geral é:
R
Z R

− h(x) dx h(x) dx
y(x) = e g(x)e dx + C

Exemplo 3.12. Resolver a equação:

dy π π
= (tan t)y + cos t ; − < t <
dt 2 2
Passo 1: Resolver a equação homogênea associada:
Z Z
dy dy K
= (tan t)y ⇒ = tan t dt ⇒ ln |y| = − ln | cos t|+C ⇒ y = , com K ∈ R
dt y cos t
Passo 2: Aplicar o método da variação da constante:
K(t) dy K 0 (t) cos t + K(t) sin t
y= ⇒ =
cos t dt cos2 t
Substituindo na equação original:
K 0 (t) cos t + K(t) sin t K(t) K 0 (t) cos t + K(t) sin t K(t) sin t
= tan t· +cos t ⇒ = +cos t
cos2 t cos t cos2 t cos2 t
Eliminando termos comuns:
Z
0 2 0
K (t) cos t = cos t ⇒ K (t) = cos t ⇒ K(t) = cos t dt = sin t + C

Passo 3: Substituir K(t) na solução:

K(t) sin t + C 1
y(t) = = ⇒ y(t) = (sin t + C)
cos t cos t cos t
3.8 EQUAÇÕES ESPECIAIS
Definição 3.13 (Equações de Bernoulli). Uma equação é dita de Bernoulli se for da
forma
dy
+ g(x)y = h(x)y n
dx
onde g e h são funções contínuas em um intervalo (a, b) ⊂ R e n é uma constante
qualquer.
Observações:

• Se x0 ∈ (a, b), então o problema de valor inicial y 0 = φ(x0 ) tem uma única
solução se n = 0 ou n = 1;

• Se n = 0, a equação é linear;

• Se n = 1, a equação é linear homogênea;

Definição 3.14 (Método de Solução). Para resolver equações de Bernoulli com n 6= 0

e n 6= 1, consideramos a mudança de variável:

y = zk

Substituindo na equação original, obtemos:

dz
kz k−1 + g(x)z k = h(x)z kn
dx
Para que esta equação se torne linear, escolhemos k tal que kn − (k − 1) = 0, ou
seja:
1
k=
1−n
1
Portanto, tomando y = z 1−n , obtemos a equação linear:

dz g(x)
+ z = h(x)
dx k
Exemplo 3.13. Resolva a equação:
dy
x − y + y3 = 0
dx
Solução: Para x 6= 0, podemos escrever na forma de Bernoulli:
dy 1 1
− y = − y3
dx x x
1 1 3
Fazendo a substituição y = z 1−3 = z − 2 ⇒ dy
dx
= − 12 z − 2 dx
dz
. Substituindo na
equação original, obtemos:
1 3 dz 1 1 1 3
− z− 2 − z− 2 = − z− 2
2 dx x x
3
Multiplicando por −2z 2 :
dz 2 2
+ z=
dx x x
Resolvendo a equação homogênea associada:
dz 2 K
+ z = 0 ⇒ z(x) = 2 , K∈R
dx x x
Aplicando o método de variação das constantes com z(x) = K(x)
x2
:

dK
= 2x ⇒ K(x) = x2 + C
dx
Portanto:
x2 + C
z(x) =
x2
1
Como y = z − 2 , a solução geral é:
− 12
x2 + C

|x|
y(x) = =√
x2 x2 + C
Exemplo 3.14. Resolva a equação de Bernoulli:
dy
x3 = x2 y + y 4 tan x
dx
1 1
Solução: Fazemos a substituição y = z 1−4 = z − 3 para obter a equação linear:
dz 3
+ z = −3 tan x
dx x
A solução geral da homogênea associada é:
K
z(x) =
x3
 Aplicando variação das constantes com z(x) = K(x)
x3
:
dK
= −3 tan x ⇒ K(x) = 3 ln | cos x| + C
dx
Portanto, a solução geral é:
3 ln | cos x| + C
z(x) =
x3
1
Voltando à variável original y = z − 3 , temos:
 − 13
3 ln | cos x| + C
y(x) =
x3

3.9 EQUAÇÕES DE CLAIRAUT

Definição 3.15 (Equação de Clairaut). Uma equação diferencial de Clairaut tem a
forma geral:  
dy dy
y =x +f
dx dx
onde f é uma função derivável. Estas equações deram origem ao estudo das solu-
ções singulares.

Definição 3.16 (Método de Solução). Para resolver, fazemos a substituição:

dy
z=
dx
A equação se torna:
y = xz + f (z)
Derivando em relação a x:
dz
(x + f 0 (z)) = 0
dx
Portanto, temos duas possibilidades:

• dz
dx
= 0 ⇒ z = c (constante), levando à solução geral:

y = cx + f (c)

• x + f 0 (z) = 0, que combinada com a equação original fornece a solução

singular.
A solução singular pode ser expressa parametricamente como:

x = −f 0 (t)
y = f (t) − tf 0 (t)

onde t é um parâmetro.

Exemplo 3.15. Resolva a equação:

 3
dy dy
y=x +
dx dx

Solução: Fazendo z = dy
dx
, obtemos:

y = xz + z 3

Derivando em relação a x:
dz dz dz
z=x + z + 3z 2 ⇒ (x + 3z 2 ) = 0
dx dx dx
Temos dois casos:

1. dz
dx
= 0 ⇒ z = c, levando à solução geral (feixe de retas):

y = cx + c3

2. x + 3z 2 = 0 ⇒ x = −3z 2 , que fornece a solução singular. Usando t = z como

parâmetro: 
x = −3t2
y = −3t3 + t3 = −2t3

Eliminando o parâmetro t, obtemos:

 x 3/2
y=2 , x≤0
3
REDUÇÃO DE ORDEM

Definição 3.17 (Método de Redução de Ordem). Algumas equações diferenciais de

ordem superior podem ter sua ordem reduzida mediante a substituição:
dy
p=
dx
quando:

• A variável y não aparece explicitamente na equação

• A variável x não aparece explicitamente na equação

Exemplo 3.16. Resolva a equação:

d2 y dy
2
− =0
dx dx
Solução: Como y e x não aparecem explicitamente, fazemos p = dy
dx
:

dp
−p=0
dx
Esta equação separável tem solução:

p(x) = C1 ex

Integrando novamente:
y(x) = C1 ex + C2

Exemplo 3.17. Resolva a equação:

d2 y
+y =0
dx2
Solução: Como x não aparece explicitamente, fazemos p = dy
dx
e:

d2 y dp dp dy dp
= = = p
dx2 dx dy dx dy
Substituindo na equação original:
dp
p + y = 0 ⇒ p dp = −y dy
dy
Integrando:
p2 y2 p
= − + C1 ⇒ p = ± C1 − y 2
2 2
Separando variáveis e integrando:
Z Z  
dy y
p = ± dx ⇒ arcsin √ = ±x + C2
C1 − y 2 C1

Portanto, a solução geral é:

y(x) = k1 sin x + k2 cos x

3.10 EQUAÇÕES EXATAS

Definição 3.18 (Equação Exata). Uma equação diferencial ordinária de primeira
ordem na forma:
M (x, y)dx + N (x, y)dy = 0

é dita exata se existe uma função φ(x, y) tal que:

∂φ ∂φ
= M (x, y) e = N (x, y)
∂x ∂y
Neste caso, a solução geral é dada implicitamente por:

φ(x, y) = C

Teorema 3.2 (Condição de Euler). Sejam M (x, y) e N (x, y) funções com derivadas
parciais contínuas em um retângulo R. A equação é exata se e somente se:
∂M ∂N
=
∂y ∂x
Exemplo 3.18. Resolva o problema de valor inicial:
π
[2x sin y + ex cos y]dx + [x2 cos y − ex sin y]dy = 0, y(0) =
4
Solução: Verificamos a condição de Euler:
∂M ∂N
= 2x cos y − ex sin y =
∂y ∂x
Portanto, a equação é exata. Encontramos φ(x, y) integrando:
Z
φ(x, y) = M (x, y)dx = x2 sin y + ex cos y + h(y)

Derivando em relação a y e igualando a N (x, y):

x2 cos y − ex sin y + h0 (y) = x2 cos y − ex sin y ⇒ h0 (y) = 0

Assim, a solução geral é:

x2 sin y + ex cos y = C
Aplicando a condição inicial y(0) = π4 :
√ √
2 2
0+1· =C⇒C=
2 2
Portanto, a solução particular é:
√
2
x2 sin y + ex cos y =
2
Exemplo 3.19. Resolva a equação:
dy x−y
=
dx x − y2
Solução: Reescrevendo na forma diferencial:

(x − y)dx + (y 2 − x)dy = 0

Verificamos a condição de Euler:

∂M ∂N
= −1 =
∂y ∂x
A equação é exata. Encontramos φ(x, y):
x2
Z
φ(x, y) = (x − y)dx = − xy + h(y)
2
Derivando em relação a y:
y3
−x + h0 (y) = y 2 − x ⇒ h(y) =
3
Portanto, a solução geral é:
x2 y3
− xy + =C
2 3
FATOR INTEGRANTE

Definição 3.19 (Fator Integrante). Quando uma equação M (x, y)dx+N (x, y)dy = 0
não é exata, pode existir uma função I(x, y) tal que:

I(x, y)M (x, y)dx + I(x, y)N (x, y)dy = 0

seja exata. Tal função é chamada fator integrante.

Exemplo 3.20. Considere a equação não exata:

(xy + x2 + 1)dx + x2 dy = 0

Verificamos que ∂M
∂y
= x 6= 2x = ∂N
∂x
. Um fator integrante é I(x, y) = 1
x
(verifique).

Observação 3.2. Não existe método geral para encontrar fatores integrantes, mas
em casos especiais podemos determinar:
∂M
− ∂N
• Se depende apenas de x, então I(x) = e
R
∂y ∂x f (x)dx
N
∂N
− ∂M
• Se depende apenas de y, então I(y) = e
R
∂x ∂y g(y)dy
M

3.11 TRAJETÓRIAS ORTOGONAIS

Definição 3.20 (Trajetórias Ortogonais). Dada uma família de curvas φ(x, y, c) = 0,
as trajetórias ortogonais são curvas que interceptam cada membro da família em
ângulo reto.
Método de obtenção:

1. Encontre a equação diferencial da família de curvas derivando φ(x, y, c) = 0

em relação a x:
∂φ
∂φ ∂φ dy dy ∂x
+ =0⇒ = − ∂φ
∂x ∂y dx dx ∂y

2. As trajetórias ortogonais satisfazem a equação diferencial:

∂φ
dy ∂y
= ∂φ
dx ∂x

(o coeficiente angular é o inverso negativo do original)

Exemplo 3.21. Encontre as trajetórias ortogonais à família de hipérboles xy = k,
k 6= 0.
Solução:

1. Equação diferencial da família:

dy dy y
y+x =0⇒ =−
dx dx x

2. Equação das trajetórias ortogonais:

dy x
=
dx y

3. Solução por separação de variáveis:

y2 x2
y dy = x dx ⇒ = + C ⇒ y 2 − x2 = 2C
2 2

Portanto, as trajetórias ortogonais são outra família de hipérboles y 2 − x2 = k.

Exemplo 3.22. Encontre as trajetórias ortogonais da família de elipses concêntricas:

x2 y 2
+ 2 = c2
a2 b
Solução:

1. Equação diferencial da família:

2x 2y dy dy b2 x
+ = 0 ⇒ = −
a2 b2 dx dx a2 y

2. Equação das trajetórias ortogonais:

dy a2 y
= 2
dx bx

3. Solução por separação de variáveis:

dy a2 dx a2
= 2 ⇒ ln |y| = 2 ln |x| + C
y b x b
2 /b2
y = kxa
Quando a = b (circunferências), as trajetórias ortogonais são as retas y = kx
passando pela origem.

Observação 3.3. Em coordenadas polares (r, θ), o método para encontrar trajetó-
rias ortogonais consiste em:
dr dθ
= −r2
dθ dr
onde a primeira derivada corresponde à curva original e a segunda às suas ortogo-
nais.
 REFERÊNCIAS

[1] Todd Austin. Simplescalar. [Link] 2023. Acessado:

02 de Janeiro de 2025.

[2] David A Patterson and John L Hennessy. Organização e projeto de computa-

dores. Elsevier, 2nd edition, 2005.