Apostila Fundamentos Matemática

Notas de Aula de Fundamentos de Matemti
a Programa de Ps-Graduao em Engenharia Me ni a UDESC
Eduardo Lenz Cardoso

22 de Outubro de 2014
Contedo
1 Introduo
1.1
1.2
1.3
Con eitos Bsi os
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1
Armaes do tipo Se-Ento . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2
Armaes do tipo Se-e-somente-se . . . . . . . . . . . . . . . . . . . . .
10
Operadores Lgi os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.2.1
E Lgi o (AND)
11
1.2.2
No Lgi o (NOT)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.2.3
Ou lgi o (OR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
Provas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.1
Prova Direta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.2
Contra-Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Teoria de Conjuntos
15
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.2
Quanti adores
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.2.1
Negao de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.2.2
Unio de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.3
Operaes om Conjuntos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Nmeros Reais
3.1
21
Algumas Propriedades dos nmeros reais.
. . . . . . . . . . . . . . . . . . . . .
4 Funes
4.1
Composio de Funes
5.2
23
25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
33
5 RN
5.1
17
Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conjuntos abertos e fe hados em
. . . . . . . . . . . . . . . . . . . . . . . .
6 Espaos Vetoriais
36
38
43
6.1
Transformaes Lineares e Fun ionais . . . . . . . . . . . . . . . . . . . . . . . .
44
6.2
Transformao Linear de Espaos Finito Dimensionais
. . . . . . . . . . . . . .
46
6.3
Mudana de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
CONTEDO
6.4
Mudana de Base Apli ada a Operadores Lineares . . . . . . . . . . . . . . . . .
55
6.5
Formas lineares, bilineares e quadrti as
57
. . . . . . . . . . . . . . . . . . . . . .
7 Produto Interno
63
7.1
Ortogonalidade
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
7.2
Projeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
7.3
Ortogonalizao de Gramm-S hmidt
. . . . . . . . . . . . . . . . . . . . . . . .
69
7.4
Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
8 Autovalores e Autovetores
73
8.1
Autovalores e Autovetores Reais . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
8.2
Multipli idade de Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
8.3
Subespaos Prprios
81
8.4
Problema Generalizado de Autovalores e Autovetores
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
83
9 Continuidade
87
10 Sequn ias
91
10.1 Sequn ias de Cau hy
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
10.2 Espao Completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
11 Srie de Fourier
97
12 Con eitos Bsi os de Cl ulo Numri o
105
12.1 Representao de nmeros naturais em diferentes bases . . . . . . . . . . . . . . 105

12.2 Representao da parte fra ionria de um nmero real
12.3 Representao de Nmeros em Computadores
12.4
Epsilon
da Mquina
. . . . . . . . . . . . . . 107
. . . . . . . . . . . . . . . . . . . 107
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
12.5 Valores espe iais reservados pela norma . . . . . . . . . . . . . . . . . . . . . . . 110

12.6 Pre iso e A ur ia (Exatido)
12.7 Propagao de Erros
. . . . . . . . . . . . . . . . . . . . . . . . . . . 111
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
12.8 Di as Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
13 Des rio Bsi a de um Algoritmo

13.1 Exemplos
115
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
14 Razes de Equaes
119
14.1 Mtodo da Bise o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

14.2 Mtodo
Regula Falsi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
14.3 Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

14.4 Mtodo da Se ante
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
CONTEDO
15 Operaes Bsi as om Matrizes
127
15.1 Multipli ao por um es alar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

15.2 Soma de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
15.3 Transposta de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
15.4 Multipli ao de Matriz por um vetor . . . . . . . . . . . . . . . . . . . . . . . . 130
15.5 Produto de duas Matrizes
15.6 Norma
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
15.7 Trao de Uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

15.8 Complexidade de um Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
16 Triangularizao de uma Matriz Quadrada
135
16.1 Mtodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

16.1.1 Pivotamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
16.2 Cl ulo de Determinante de uma matriz obtida por triangularizao . . . . . . . 138
16.3 Soluo de um Sistema de Equaes Lineares . . . . . . . . . . . . . . . . . . . . 139
16.3.1 Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
17 De omposio LU
143
17.1 Cal ulo de Determinante por De omposio LU

17.2 Inversa de uma Matriz por De omposio LU
. . . . . . . . . . . . . . . . . . 147
. . . . . . . . . . . . . . . . . . . 147
18 Mtodo de Cholesky
149
18.1 De omposio LDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
19 Condi ionamento de uma Matriz
153
19.1 Matrizes de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
20 Mtodos Iterativos para a Soluo de Sistemas Lineares
157
20.1 Mtodo de Gauss-Ja obi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
20.2 Mtodo de Gauss-Seidel
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
20.3 Mtodo do Gradiente - Steepest Des ent
. . . . . . . . . . . . . . . . . . . . . . 162
20.4 Mtodo dos Gradientes Conjugados . . . . . . . . . . . . . . . . . . . . . . . . . 164
21 Sistemas de Equaes Lineares Complexas
169
22 Soluo de Sistemas No-Lineares
173
23 Problema de Mnimos Quadrados
175
23.0.1 Es alonamento das Variveis . . . . . . . . . . . . . . . . . . . . . . . . . 177

23.1 Problema de Mnimos Quadrados Denido por uma Equao no Linear dos
Coe ientes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
CONTEDO
24 Soluo de Problemas de Autovalores e Autovetores

24.1 Mtodo da Potn ia
181
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
24.1.1 Mtodo da Potn ia Inversa
. . . . . . . . . . . . . . . . . . . . . . . . . 184
24.2 Mtodo de Ja obi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

24.3 De omposio Cholesky
24.4 Mtodo QR
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
24.4.1 Utilizando a De omposio
QR
para Solu ionar Sistemas de Equaes
Lineares Mal-Condi ionados. . . . . . . . . . . . . . . . . . . . . . . . . . 197

24.5 OPCIONAL - Mtodo de Leverrier-Faddev . . . . . . . . . . . . . . . . . . . . . 199
25 De omposio em Valor Singular

25.1 Relao entre SVD,
Rank
207
e Espao Nulo de um Operador
25.2 Compresso de Imagens Utilizando o SVD -
. . . . . . . . . . . . 209
Low-Rank Matrix Approximation
26 Derivada Numri a
215
26.1 Diferenas Finitas Complexas

26.2 Cl ulo do Vetor Gradiente
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
27 Integrao Numri a
27.1 Regra dos Trapzios
. 210
221
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
27.2 Regra de Simpson de Segunda Ordem (Primeira Regra de Simpson) . . . . . . . 222

27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra de Simpson)
. . . . . . . 223
27.4 Integrao por Quadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

27.4.1 Quadratura de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
27.4.2 Relao entre os pontos de quadratura e os polinmios de Legendre. . . . 229
28 Transformada Dis reta de Fourier - DFT

aliasing . .
DFT omo um Filtro Digital - Spe tral Leakage
231
28.1 Inun ia da taxa de amostragem -
. . . . . . . . . . . . . . . . . . 238
28.2
. . . . . . . . . . . . . . . . . . 241
28.2.1 Janelamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
29 Equaes diferen iais

29.1
245
Classi ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
29.2 Equaes Diferen iais omo Operadores . . . . . . . . . . . . . . . . . . . . . . . 250

29.3 Equaes Diferen iais Par iais Lineares . . . . . . . . . . . . . . . . . . . . . . . 250
30 Mtodo dos Resduos Ponderados
253
Captulo 1
Introduo
Os on eitos apresentados aqui serviro para que o leitor seja apaz de ompreender um texto
da rea de me ni a omputa ional, bem omo entenda a lgi a por trs das implementaes
omputa ionais que sero dis utidas ao longo do urso de mestrado.
O texto organizado de maneira a introduzir os on eitos fundamentais em uma sequn ia
lgi a.
Para isto, iremos ini iar om uma reviso de on eitos e nomen laturas bsi as da
matemti a. Aps, ser apresentado o on eito de onjunto e todas as propriedades de interesse

neste urso, uma dis usso sobre os nmeros reais e suas propriedades, on eitos sobre funes
e uma dis usso sobre o
RN
e suas propriedades. Com esta reviso de on eitos fundamentais,
iremos estudar em detalhes os espaos de funes para, aps, nos on entrarmos na denio
dos problemas a serem estudados na dis iplina e na sua implementao numri a.
importante salientar que este material de apoio e
ograa bsi a sobre os assuntos abordados.
no pretende substituir a bibli-
Para tanto, sugiro fortemente que o leitor
onsulte sempre que possvel livros lssi os da rea, omo por exemplo os livros: Optimization
by Spa e Methods de David. G. Luemberger, Engineering Mathemati s de Stroud and Booth,
Mathemati al Methods for Physi s and Engineering (3rd edition): A Comprehensive Guide de
K.F. Riley, Advan ed Engineering Mathemati s de Kreyszig e Introduo Anlise Linear-1,
2 e 3 de Donald Kreider.
1.1 Con eitos Bsi os

Para ini iar, vamos relembrar alguns onjuntos bsi os
N = {0, 1, 2, 3, ....}
N = {1, 2, 3, 4, ....}
Z = {0, 1, 1, 2, 2, ...}
Z = {1, 1, 2, 2, ...}
m
Q = { : m, n Z, n 6= 0}
n
m
Q = { m Z e , n Z }
n
7
CAPTULO 1. INTRODUO
onde
o onjunto dos nmeros naturais,
Quotient ).
nmeros ra ionais (de
Z dos
nmeros inteiros (do alemo
Zhalen ) e Q dos
Com estes onjuntos bsi os, podemos onstruir denies
mais avanadas, omo por exemplo:
Denio: Nmero par

Um nmero par um nmero natural divisvel por 2.
Observem que a denio de par depende de 3 on eitos prvios: nmero natural, divisvel
e
2.
Alguns so bvios, omo o 2 (que j ne essrio para denirmos o onjunto
N)
mas
alguns que pare em bvios para ns nem sempre so to laros omo pare em. Vamos denir
o on eito de divisvel:
Denio: Divisvel
Sejam
que
bc = a.
inteiros. Dizemos que
Dizemos tambm que
um divisor de
a.
divisivel por
divide
a,
A notao orrespondente
ou que
se existe um inteiro
um fator de
a,
ou que
tal
b| a.
Desta forma, sempre partimos de on eitos primitivos (axiomas) para obtermos on eitos
derivados, por meio de infern ias lgi as. O importante dominar os on eitos fundamentais e,
om algumas ferramentas da matemti a, onstruir o onhe imento na nossa rea de interesse.
Desta forma, tendo o on eito de divisvel e de inteiro, podemos es rever:
Denio: Nmero par (denio alternativa)

Um nmero natural
onde lemos que
par se
divisor de
2| a
ou que
divide
a.
Com esta idia bsi a sobre omo devemos pro eder para onstruirmos on eitos mais avanados, devemos agora denir algumas ferramentas muito utilizadas na bibliograa t ni a da
nossa rea. Uma forma de denirmos on eitos derivados pelo estabele imento de um Teorema (ou os seus equivalentes). Um teorema nada mais do que uma armao de larativa
sobre matemti a, para a qual existe uma PROVA (uma armao de larativa algo omo
"vai hover"ou "o Interna ional melhor do que o grmio"). Assim, podemos dizer que um
teorema uma armao sobre algo que sabemos ser verdade e sabemos provar. Por sua vez,
uma Conje tura no tem prova, omo por exemplo, "todo o inteiro par maior do que
de dois primos"( onje tura de Goldba h,
1742).
2 a soma
Podemos rodar um programa de omputador
por 500 anos sem que isto se verique falso, mas para um matemti o isto no uma prova
(para apli aes de engenharia, pode servir, desde que se mostre que as nossas trabalharemos
na faixa de valores veri ados pelo programa). Atualmente, a armao verdadeira para a
faixa
[4, 4 1018 ].
1.1.
CONCEITOS BSICOS
Existem alguns termos utilizados em textos matemti os, omo por exemplo
Teorema: quando importante :0)
Resultado: mesma oisa, s que menos importante
Fato: teorema de importn ia limitada (1+1=2)
Proposio: Um teorema de importn ia limitada
Lema: Um teorema ujo objetivo ajudar a provar um outro teorema
Corolrio: Resultado om uma prova rpida, onde usamos resultados j provados em

outros teoremas
Alegao: Equivale a um lema.
Como os on eitos mais importantes que devemos utilizar estaro na forma de um teorema
(ou um sinnimo), devemos entender omo eles so apresentados e quais so os on eitos bsi os
envolvidos nas provas que deveremos ler. Vamos avaliar dois tipos de apresentao de teoremas:
se-ento e se-e-somente-se.
1.1.1 Armaes do tipo Se-Ento

So armaes que apresentam a seguinte estrutura: "Se
e
A,
ento
B ",
onde
uma hiptese
uma on luso. Vamos a um exemplo:
Teorema: Se
forem pares ento
Podemos observar que
x+y
par.
A seria a parte "Se x e y forem pares"e que B seria "ento x+y par".
Desta forma, temos uma impli ao em somente um sentido, de tal forma que o simbolismo gr o para este tipo de estrutura
A B.
No entanto, nada dito sobre, por exemplo, a soma
de dois impares tambm resultar em um par. Por isto, importante sempre pensarmos na lgi a (booleana mesmo) destas armaes. Assim, podemos onstruir a seguinte tabela verdade:
AB
Possvel
Impossvel
Possvel
Possvel
que pode ser veri ada om a seguinte armao:

os alunos de FM1 sero aprovados".
on luso
"Se eu ganhar na Mega-Sena, todos
Neste aso, a hiptese
"ganhar na Mega-Sena"e a
seria a aprovao de todos os alunos de Fundamentos da Matemti a.
avaliar a tabela verdade:
Vamos
CAPTULO 1. INTRODUO
10
1)
B:
mas no
Isto viola a armao, pois se eu ganhar os alunos tem que passar. Por
isto (lembrem-se que estamos falando de matemti a, onde no tem enganao !) esta situao
onsta omo impossvel;
2)
B:
3)
mas no
Situao em que
A:
se veri a e, portanto,
o orre;
Pode ser que eu no ganhe, mas os alunos sejam muito bons e, portanto,
sero aprovados de qualquer forma;

4) Nem
nem
B:
Pode ser que eu no ganhe, mas os alunos reprovem por falta de ompe-
tn ia, sem qualquer relao om o resultado da Mega-Sena.

Observem que a situao IMPOSSVEL basta para mostrar que um teorema falso (veremos
isto mais para frente quando estudarmos os tipos de prova).
interessante tambm veri ar que a situao no
A mas B , omo no aso da soma de dois
mpares resultar em um par, possvel e o teorema no arma que isto no possa o orrer.
Este tipo de armao pode ser es rita de formas alternativas, omo por exemplo:
"A impli a em
"Sempre que
B"
A,
temos
"A su iente para
B"
B"
"A ondio su iente para
B"
1.1.2 Armaes do tipo Se-e-somente-se

So armaes que apresentam a seguinte estrutura: "Se
ento
e se
ento
A".
Vamos
a um exemplo
Teorema: Um inteiro
par se e somente se
que poderia ser lido omo "Se um inteiro
x+1
impar.
x par, ento x + 1
impar, e se
x + 1 impar, ento
x par (observem omo a redundante..). Neste teorema, temos ento que A seria "x par"e
B seria "x + 1 impar". Para indi ar este aminho em duas vias, utilizamos a notao A B ,
om a seguinte tabela verdade:
AB
Possvel
Impossvel
Impossvel
Possvel
E um exemplo bem onhe ido a frase "Um ponto
x de uma funo ontnua um mximo
lo al se e somente se a primeira derivada neste ponto for nula e a segunda derivada for negativa".
Observem que nesta frase temos as seguintes partes:
um mximo lo al"e a parte
A "Um ponto x de uma funo ontnua
"primeira derivada neste ponto for nula
e a segunda derivada
for negativa". Assim, do l ulo I, sabemos que estas ondies s o orrem juntas e, portanto,
hamamos
de " ondio ne essria e su iente"para
A.
Outras formas utilizadas so:
1.2. OPERADORES LGICOS
11
"A sse
"A i
B"
B"
"A equivalente a
B ".
1.2 Operadores Lgi os

1.2.1 E Lgi o (AND)
Observem que no exemplo da seo anterior utilizamos duas ondies para montar o
meira derivada neste ponto for nula
e a segunda derivada for negativa".
B:
"pri-
e que est unindo as
ondies "primeira derivada neste ponto for nula" om "segunda derivada for negativa" um
operador lgi o (E, AND ou
e tem a seguinte tabela verdade
AeB
um exemplo: "Todo o inteiro ujo algarismo das unidades zero divisvel por 2
e por 5".
1.2.2 No Lgi o (NOT)

Simplesmente inverte o signi ado lgi o do operador. Por exemplo "todo nmero par no
impar"pode ser visto omo
simplesmente:
e o simbolo alternativo
A not(B)
ou, SE par ENTO NO impar. A tabela verdade
nao A
1.2.3 Ou lgi o (OR)

um operador que admite a possibilidade de ao menos uma armao ser verdadeira, ou em
outras palavras, se um elemento for satisfeito ento a ondio onjunta satisfeita. Um exemplo seria "se a primeira derivada for nula em um ponto
de mximo
ou
uma inexo".
derivada for nula em um ponto

inexo". Assim,
x,
ento este ponto de mnimo
Observem que nesta armao temos:
x"e B
vale "este ponto de mnimo
ou
ou
vale "se a primeira

de mximo
ou
uma
ser vlido se ao menos uma ondio for satisfeita (no pre isamos que
todas sejam satisfeitas ao mesmo tempo). A tabela verdade para este operador :
CAPTULO 1. INTRODUO
12
A B
e o smbolo alternativo
A ou B
1.3 Provas
Uma prova uma argumentao que mostra, de maneira irrefutvel, que uma armao verdadeira.
Para entendermos uma prova, pre isamos ompreender a linguagem utilizada para
es rever um texto matemti o e as impli aes da lgi a dis utida nas sees anteriores. Existem vrias maneiras de provar ou de refutar uma armao.
1.3.1 Prova Direta

A prova direta uma forma de mostrar que uma armao verdadeira ou falsa atravs de
uma ombinao de axiomas e teoremas (nas suas mais variadas formas) j onhe idos.
Vamos analizar a prova direta de duas proposies do tipo Se-Ento (A
B).
Proposio 1. A soma de dois inteiros pares par.

Prova: Sejam x e y inteiros pares: omo x par, sabemos que 2| x. De forma anloga, 2| y .
Portanto, existem inteiros a e b que satisfazem x = 2a e y = 2b, tal que x+y = 2a+2b = 2(a+b).
Assim, existe um inteiro c tal que x + y = 2c e, portanto, c = a + b, tal que 2|c.
-
Proposio 2. Sejam a, b e c inteiros. Se a| b e b| c, ento a| c.

Prova: Como a| b, existe um inteiro x tal que b = ax. Da mesma forma, existe um inteiro
y tal que c = by. Portanto, existe um inteiro z tal que c = az , pois c = (ax)y = axy = az.
Para provarmos uma armao do tipo Se-e-Somente-Se, temos que realizar o ra io nio nos
dois sentidos, na forma
A B
A B
Proposio 3. Seja x um inteiro. Ento x par se e somente se x + 1 impar

Prova:
supondo que x par, temos que 2| x. Logo, existe um inteiro a tal que x = 2a e, somando
1 em ambos os lados obtemos x + 1 = 2a + 1, que satisfaz a ondio de um nmero mpar.
1.3. PROVAS
13
supondo que x + 1 mpar, pela denio temos que existe um inteiro b tal que x + 1 =
2b + 1. Subtraindo 1 de ambos os lados, obtemos x = 2b, que a ondio para x ser par (por
denio).
1.3.2 Contra-Exemplo
Mais f il do que onstruir destruir. Assim, podemos refutar uma armao se mostrarmos
que ela falha em uma determinada situao. Para a lgi a matemti a, basta um aso invlido
para refutar a validade da armao omo um todo (ao ontrrio de mostrar que fun iona em
uma situao espe a, que no su iente).
Vamos a um exemplo:
Proposio 4. Sejam a e b inteiros. Se a| b e b| a, ento a = b.

Prova por ontra-exemplo: Se es olhermos a = 6 e b = 6, temos que 6| 6 e 6| 6 mas
obviamente 6 6= 6. Assim, a armao in orreta.
Refutao Direta: Se a| b ento existe um inteiro x tal que b = ax. Da mesma forma, existe
um inteiro y tal que a = by. Assim, substituindo a segunda expresso na primeira, obtemos
b = (by)x e onsiderando que b diferente de zero, podemos dividir ambos os lados por b, tal
que xy = 1. Este resultados pode ser obtido om x = 1 e y = 1, no entanto, nesta situao
teremos b = 1a e a = 1b, tal que b = a ou a = b.
Observem que a refutao direta mais geral do que simplesmente indi ar um ponto falho
na teoria, mas devemos enfatizar que ambas so sufu ientes para refutar a armao ompletamente.
Como literatura omplementar, sugiro o material

http://www.d .uni amp.br/anamaria/ ursos/MC348/2010-2/livro-apost-03.pdf
14
CAPTULO 1. INTRODUO
Captulo 2
Teoria de Conjuntos
2.1 Introduo
Um onjunto uma oleo de objetos distintos e bem denidos.
(
sets )
O on eito de onjuntos
foi introduzido por Georg Cantor, que utilizou a seguinte denio "Um onjunto um
ajuntamento em um onjunto de objetos denidos e distintos de nossa per epo e do nosso

pensamento - que so hamados de elementos do onjunto". No entanto, esta denioo are e
de uma formalidade matemti a e pode ser onsiderada um axioma. O mais importante do
axioma que um onjunto tem elementos e que dois onjuntos so iguais se e somente se ontm
os mesmos objetos.
Assumindo que o on eito de onjunto primitivo, assim omo o de objeto e o on eito de
"perten er", indi amos que um elemento
x perten e (faz parte de) um onjuto A om a notao

xA
e um onjunto pode ser denido extensivamente
A = {2, 4, 6, 8, 10}
ou ompreensivamente
A = {x N, x > 1 e x 1000}
onde a primeira parte da denio hamada de domnio,
de ondio (observem o uso do operador lgi o
est ontido em
B (A B )
e).
x N,
e a segunda parte hamada
Sendo dois onjuntos
se e somente se todo elemento de
B,
dizemos que
for elemento de
B:
(perten ente ao universo),
A B sse x U x A x B
onde se l:
perten e a
est ontido em
impli a em
se e somente se, para todo
perten er a
B.
O on eito de universo um artif io para
onsiderarmos todos os possveis elementos existentes (no es opo do problema).

Observem que esta denio de onhe imento geral, mas novamente utilizamos uma srie
15
CAPTULO 2. TEORIA DE CONJUNTOS
16
de smbolos e on eitos que devem ser bem denidos. Em espe ial, vamos denir os quanti adores.
2.2 Quanti adores

Na denio de
para todo,, que um quanti ador universal.
utilizamos o on eito de
Esta
denio impli a em onsiderarmos todos os possveis valores, na forma
x A,
armao sobrex
om as seguintes variaes:
"todo inteiro par ou mpar"
"todos os inteiros so pares ou mpares"
" ada inteiro ou par ou mpar"
"seja
um inteiro qualquer. Ento
par ou mpar"
Para provarmos uma armao om "para todo", temos que mostrar que a armao
sempre vlida, para qualquer o orrn ia de
Um outro quanti ador o

do elemento, na forma
existe, , que impli a na existn ia de ao menos uma o orrn ia

x A,
Este um
x.
quanti ador existen ial
armao sobre
e pode ser es rito nas seguintes variaes:
"Existe um nmero natural que primo e par"
"Existe um x, membro de
N,
tal que
primo e par"
interessante notar que para provarmos uma armao om Existe, basta mostrar que
par e primo e, portanto, a
"No existe inteiro que seja simultaneamente par e mpar".
Podemos representar esta
uma o orrn ia da armao verdadeira (neste aso, o nmero

armao vlida).
2.2.1 Negao de quanti adores

Vamos onsiderar a seguinte armao:
armao das seguintes formas

1)
2)
(x Z, x
x Z, (x
par e mpar)
par e mpar)
2.3.
OPERAES COM CONJUNTOS
onde na primeira verso lemos

lemos para todo x inteiro
no
no
17
( existe x inteiro que par e impar) e na segunda
existe x par e mpar. As duas armaes so equivalentes.
Mais um exemplo: "Nem todos os inteiros so primos":

1)(x
2)
Z, x
x Z, (x
que signi am:
primo)
primo)
no
(todo x inteiro primo) e existe x inteiro
no
primo.
2.2.2 Unio de quanti adores

possvel agrupar quanti adores para ns de breviedade de notao. Vamos a alguns exemplos:
"Para todo o x, existe um y tal que x+y=0"...x, y, x
"Existe um y, tal que para todo o x, temos
+y =0
x+y=0"...y, x, x + y = 0
No entanto, devemos ter muito uidado om a sequn ia dos quanti adores. Vamos provar
a primeira armao:
Proposio 5. x, y, x + y = 0
Prova: Seja um x arbitrrio e seja y = x.Ento x + y = x x = 0.
No entanto, uma pequena alterao pode mudar totalmente o sentido da armao, omo
por exemplo
Proposio 6. y, x, x + y = 0
Contra-Exemplo: dado um y = 2 podemos es olher x = 10, que viola a ondio e, portanto,

invalida a armao.
2.3 Operaes om Conjuntos

Com as denies das sees anteriores, podemos fo ar om mais profundidade no on eito de
onjunto e suas operaes.
Unio de Conjuntos:
Sejam dois onjuntos
em
ou em
B,
B.
A unio de
o onjunto de todos os elementos que esto
tal que
A B = {x : x A x B}
18
Interseo de Conjuntos:
Sejam dois onjuntos
esto em
e em
B,
B.
A interseo de
o onjunto de todos os elementos que
tal que
A B = {x : x A x B}
Com as seguintes propriedades ( omutativas, asso iativas e distributivas):

1.
AB =BA
2.
AB =BA
3.
A (B C) = (A B) C
4.
A (B C) = (A B) C
5.
A (B C) = (A B) (A C)
e, em relao ao onjunto vazio, observamos que

1.
A =A
2.
A = .
Para provarmos estas propriedades, podemos utilizar os on eitos de unio e interseo, omo
por exemplo:
Prove que
A (B C) = (A B) C :
Da denio de unio entre onjuntos, temos que
BC
pode ser es rita omo
B C = {x : x B x C}
tal que o lado esquerdo da armao que estamos tentando provar pode ser es rito omo
A (B C) = {x : (x A) (x B x C)}.
Usando a propriedade asso iativa do operador
ou
podemos es rever
{x : (x A) (x B) (x C)}
2.3.
OPERAES COM CONJUNTOS
19
que equivale a
{x : (x A B) (x C)}
ou
(A B) C.
Observem que om este tipo de onstruo podemos provar vrias propriedades de onjuntos.
Diferena de Conjuntos:
A diferena entre dois onjuntos denotada por
elementos que perten em a
mas no perten em
AB
a B , tal
e signi a que queremos todos os

que
A B = {x : x A x
/ B}.
Diferena Simtri a de Conjuntos:

A diferena simtri a entre dois onjuntos denotada por
os elementos que esto em
e no em
E em
AB
mas no em
e signi a que queremos todos
A,
tal que
AB = (A B) (B A).
Produto Cartesiano de Conjuntos:

Sejam dois onjuntos
A e B.
O produto artesiano de
A e B,
denotado por
AB
o onjunto
de todos os pares ordenados (listas de dois elementos) formados tomando-se um elemento de

juntamente om um elemento de
de todas as maneiras possveis, tal que
A B = {(a, b) : a A, b B}
20
Como exemplo, vamos onsiderar

temos que
A = {1, 2}
B = {3, 4}.
Assim, pela denio a ima,
A B = {(1, 3), (1, 4), (2, 3), (2, 4)}

B A = {(3, 1), (3, 2), (4, 1), (4, 2)}
e, om isto, veri amos que o produto artesiano entre dois onjuntos no uma operao
omutativa
(A B 6= B A).
Cardinalidade de um Conjunto ( ardinality)

A ardinalidade de um onjunto nada mais do que o nmero de membros distintos que ele
ontm.
Assim, um onjunto
A = {1, 1, 2, 3, 4}
tem ardinalidade
|A| = 4,
pois ontamos somente os
elementos distintos. Note que as seguintes relaes entre ardinalidade e as operaes denidas
a ima podem ser obtidas:
A ardinalidade do produto artesiano igual ao produto das ardinalidades

Sejam dois onjuntos
B.
Ento,
|A B| = |A| |B|
e, voltando ao exemplo anterior, temos que

onjunto
{(1, 3), (1, 4), (2, 3), (2, 4)} tem
|A| = 2
|B| = 2,
tal que
quatro elementos (pares).
|A B| = 4,
pois o
Captulo 3
Nmeros Reais
Os nmeros reais,
R,
so utilizados para representar quantidades ontnuas e so a expanso
do onjunto dos nmeros ra ionais, pela onsiderao dos nmemeros irra ionais (fraes que
no podem ser obtidas pela diviso de dois inteiros). Assim, temos que
N Z Q R...
O onjunto dos nmeros reais obtido por meio de alguns axiomas, onhe idos omo axiomas
de orpo. Assim,
Adio:
Multipli ao:
um onjunto no vazio onde podemos denir duas operaes fe hadas:
+ :RR R
ou
(x, y) x + y ;
:RRR
ou
(x, y) x y ;
om os axiomas asso iados a soma:
Asso iatividade:
(x + y) + z = x + y + z
Comutatividade:
x + y = y + x x, y R;
Elemento Neutro:
Simtri o:
x, y, z R;
x + 0 = x x, 0 R;
x + (x) = 0 x, 0 R;
e om os axiomas asso iados a multipli ao:
Asso iatividade:
(x y) z = x y z
x, y, z R;
Comutatividade:
x y = y x x, y R;
Elemento Neutro:
Inverso Multipli ativo:
x 1 = x 1, 0 R;
x x1 = 1 x, 1 R x 6= 0;
alm do axioma da distributividade, que estabele e que
x (y + z) = x y + x z
x, y, z R.
Por m, mas no menos importante, temos um onjunto de axiomas referentes ao on eito
de Conjunto Ordenado (ou Corpo Ordenado), que d origem ao on eito de inequaes. Para
21
CAPTULO 3. NMEROS REAIS
22
este m, denimos um sub onjunto

aos seguintes axiomas:
P R, que ontm os elementos positivos de R, atendendo
A soma e o produto de nmeros positivos so positivos;
Para
ou seja,
xP
temos trs alternativas:
x = 0, x P , (x) P ;
R = 0 P (P ), onde o onjunto P
onhe ido omo onjunto dos nmeros (reais)
negativos.
Uma vez que ordenamos os nmeros reais, podemos observar que
x > 0 se x P ;
x < 0 se x P ;
x 0 se x P 0;
x 0 se x P 0;
e
x > y x y > 0;
x < y x y < 0;
x y x y 0;
x y x y 0;
dando origem ao on eito de desigualdade, que fundamental para denirmos intervalos de
nmeros reais.
Um intervalo nada mais do que um sub onjunto de
R,
denido entre dois valores (nitos
ou innitos). Desta forma, temos as seguintes possibilidades:
(a, b) = {x R : x > a x < b};

[a, b] = {x R : x a x b};
(a, b] = {x R : x > a x b};
[a, b) = {x R : x a x < b};
para intervalos nitos e
(a, +) = {x R : x > a};

[a, +) = {x R : x a};
(, a) = {x R : x < a};
(, a] = {x R : x a};
para intervalos innitos.
3.1.
ALGUMAS PROPRIEDADES DOS NMEROS REAIS.
23
3.1 Algumas Propriedades dos nmeros reais.

Vamos apresentar algumas denies importantes ao trabalharmos om nmeros reais:
Cota superior e ota inferior:

Seja um onjunto
S R.
mente, dizemos que
uR
Dizemos que
vR
ota inferior de
ota superior de
se
se
s S, v s.
s S, s u.
Analoga-
assim, de uso da denio a ima, podemos tambm denir
Conjunto Limitado por baixo e Conjunto Limitado por Cima:

Se um onjunto
tem ota inferior, dizemos que ele limitado por baixo ou limitado inferior-
mente. Analogamente, se o onjunto tem ota superior, dizemos que ele limitado por ima
ou limitado superiormente.
Como exemplo, podemos itar o onjunto dos nmeros naturais, que tem uma ota inferior,
0,
mas no tem ota superior. Avaliando as denies a ima, podemos veri ar que um onjunto
limitado por ima, por exemplo, pode ter diversas otas superiores.
armao, vamos onsiderar o onjunto
A = [0, 1].
Para veri armos esta
Qualquer nmero real maior ou igual a
0 ser ota inferior,
ser uma ota superior para o onjunto e qualquer nmero menor ou igual a
pois a denio espe i a que as otas devem perten er a
R.
Com isto em mente, podemos
denir os on eitos de Supremo e de Inmo:
Supremo de um onjunto / Inmo de um onjunto:

Se um onjunto
sup(S) a menor de suas

hamamos de inmo ou inf (S) a
limitado por ima, hamamos de supremo de
otas superiores. Analogamente, se
limitado por baixo,
ou
maior de suas otas inferiores.

omo exemplos, podemos itar os seguintes onjuntos:
1)
A = {x R : 0 x 1}
Neste aso, temos que o onjunto est denido entre
innitas otas superiores, pois qualquer nmero real na faixa

entanto,
1,
in lusive.
Assim,
ontm
[1, ) satisfaz a denio 3.1.
No
a menor das otas superiores e, portanto, o supremo do onjunto. O mesmo vale
para o extremo esquerdo do intervalo. Assim:

2)
inf (A) = 0
sup(A) = 1.
B = {x R : 0 x < 1}
O que muda no segundo exemplo o fato de o limite superior do intervalo agora ser denido
por um intervalo aberto. Neste aso, as otas superiores estaro na faixa
ser o menor valor deste intervalo. Assim,
sup(B) = 1,
importante na prti a da me ni a omputa ional:
sup(A) A
sup(B)
/ B
(1, )
e o supremo
mas om uma diferena que muito
CAPTULO 3. NMEROS REAIS
24
ou seja, no segundo aso o supremo no est ontido no onjunto.
Valor Absoluto de um nmero real:

Seja um nmero
a R.
O valor absoluto (ou em mdulo) de
|a| =
assim, se
a = 1,
temos que
seguintes relaes:
|a| = |a| , a R
2.
|ab| = |a| |b| , a, b R
3.
|a| k a [k, k], a, k R
4.
|a| a |a| , a R.
dado por
+a se a > 0
a se a < 0
|a| = (1) = 1.
1.
Teorema 1.
Com esta denio, podemos estabele er as
Desigualdade Triangular
Sejam a, b R,
|a + b| |a| + |b|
e este teorema to utilizado, que vamos apresentar a prova para que que bem lara a impli a-
|a| a |a| e que |b| b |b| , podemos somar estas

duas denies, obtendo |a||b| a+b |a|+|b| . Da denio de que |a| k a [k, k],
veri amos que k , nesta expresso, assume a forma de |a| + |b|, e, portanto, a armao pode
o desta desigualdade: Sabendo que
|a + b| |a| + |b|.
exemplo, vamos utilizar a = 1
ser es rita omo

Como
1 + 2 = 3.
Como
1 < 3,
b = 2.
Neste aso
|1 2| = |1| = 1
veri amos que a desigualdade triangular faz sentido.
|1| + |2| =
Captulo 4
Funes
De forma bem simplria, podemos defnir uma funo omo sendo uma entidade que transforma
uma quantidade em outra.
De maneira mais formal, temos a seguinte denio:
Funo:
Uma relao
hamada de funo desde que
(a, b) f
(a, c) f
impliquem em
b = c.
Nesta denio utilizamos o on eito de relao. Uma relao nada mais do que um onjunto
de pares ordenados, na forma
R = {(1, 2), (3, 4), (5, 6)}

onde podemos ver os pares omo sendo
(entrada, saida)
da funo. Assim, o que a denio
de funo est dizendo, que se apli armos as entradas da funo e observarmos as sadas, no
poderemos ver um resultado diferente para uma mesma entrada. Assim, a relao
R = {(1, 2), (1, 4), (2, 7)}

no uma funo, pois para uma mesma entrada,
1,
tivemos duas respostas diferentes
Assim, de forma alternativa, poderamos es rever
Funo (denio alternativa):

Uma relao
hamada de funo desde que
f (a) = b
f (a) = c
assim, por exemplo, podemos denir uma funo omo
f = {(x, y) : x, y Z, y = x2 }
que, em termos de pares ordenados teria a forma
f = {(1, 1), (2, 4), (3, 9), (4, 16), ...}.
25
impliquem em
b = c.
4.
CAPTULO 4. FUNES
26
Funes Multivaloradas (Poldromas):

Algumas "funes" omo por exemplo raiz quadrada ou funes trigonomtri as inversas apresentam mais de um valor para o mesmo argumento de entrada. Neste aso, mesmo sendo muito
omuns, no podemos utilizar a nomen latura de funo. O orreto seria hamar de relao,
onforme vimos anteriormente. Contribuio de
Barbara Haens h S hneider.
importante entender o on eito de funo e omo ela se rela iona om a teoria de onjun-
tos que revisamos anteriormente. Para isto, vamos estudar as seguintes denies:
Domnio de uma funo:

Seja uma funo
de
f.
O onjunto de todos os primeiros elementos possveis dos pares ordenados
hamado de domnio de
ou
dom f .
Em notao matemti a:
dom f = {a : b, (a, b) f }
ou, de forma mais direta:
dom f = {a : f (a) def inido}

assim, na denio
f = {(x, y) : x, y Z, y = x2 }
o domnio
Z.
Imagem e ontradomnio de uma funo:

Seja uma funo
de
f.
O onjunto de todos os possveis segundos elementos dos pares ordenados
hamada de imagem de
ou
im f .
Em notao matemti a:
im f = {b : a, (a, b) f }
ou, de forma mais direta:
im f = {b : b = f (a) para algum a dom f },

ou mais diretamente ainda, a imagem a prpria sada da funo. O ontradomnio da funo,
por sua vez, um onjunto mais amplo, que ontm a imagem. Por exemplo, a imagem de
f = {(x, y) : x, y Z, y = x2 }
so os quadrados perfeitos e o ontradomnio
Z.
f :AB
f uma funo e sejam A e B onjuntos. Dizemos que f uma funo de A para B se

dom f = A e se im f B , onde B o ontradomnio. Alternativamente, dizemos que f uma
apli ao de A em B .
Seja
Assim, a funo seno uma funo que mapeia o onjunto dos reais no onjunto dos reais, pois
f = {(x, y) : x, y R, y = sen(x)},
e, portanto, temos que
dom f = R
im f = [1, 1] R
27
a1
a1
f(a1)
f(a1)
a2
a2
f(a2)
f no um-a-um
f um-a-um
Figura 4.1: Funo um-a-um
Funes inversas:
Seja uma funo
f : A B= {(a1 , b1 ), (a2 , b2 ), ....}.
A inversa da funo, denotada por
f 1
obtida pela inverso dos termos de ada um dos pares que formam a relao, tal que
f 1 = {(b1 , a1 ), (b2 , a2 ), ...}
importante salientar que a inversa da funo f : A B no ne essariamente uma funo f 1 : B A. Para entendermos isto, vamos onsiderar os onjuntos
A = {1, 2, 3, 6, 8}
B = {2, 4, 5, 4, 7}
Neste aso, a inversa de
dom f
= {4, 5, 2} =
6 B.
(4, 1)
f : A B= {(1, 4), (2, 5), (3, 4), (6, 2), (8, 5)}.
f
= {(4, 1), (5, 2), (4, 3), (2, 6), (5, 8)} que no
(4, 3), bem omo (5, 2) e (5, 8). Ainda, temos que
ser dada por
uma funo pois temos os pares
e a funo
No entanto, esta ondio no geral e podemos ter situaes em
que a inversa uma funo e, ainda, mapear os onjuntos na forma esperada.
Funo um-a-um (injetiva):

Uma funo
f (x) = f (y)
hamada de um-a-um se
se e somente se
x = y.
(x, b), (y, b) f x = y .
Em outras palavras,
Assim, temos que uma funo um-a-um aquela que mapeia ada valor distinto
de A em um valor distindo de B .
Um exemplo bastante simples de uma funo um-a-um um polinmio linear om forma
ax + b.
Se a funo for injetiva, temos que satisfazer a ondio
ax + b = ay + b
e, se
a 6= 0,
x = y.
podemos subtrair
b dos
dois lados e depois dividir por
Um exemplo de uma funo que no injetiva a funo
Neste aso, teriamos que veri ar se igualdade
a2 = b2
a.
Neste aso, provamos que
f = {(x, y) : x, y R, y = x2 }.
CAPTULO 4. FUNES
28
f sobre
f no sobre
Figura 4.2: Funo sobre
a = b, o que obviamente no o orre para a, b R (podemos pensar no aso bvio

a = 1 e b = 1). Uma observao interessante, que se a funo fosse denida no
impli a em
onde
onjunto dos nmeros naturais, ento o resultado seria diferente. Porque ?

Com esta denio, podemos ento armar que:
Seja
f 1 uma funo
im f = dom f 1 .
uma funo. A relao inversa
aso, temos que
dom f = im f
se e somente se
for injetiva. Neste
A seguinte denio tambm muito importante para entendermos vrios resultados futuros:
Sobre:
Uma funo
f (a) = b,
f :AB
ou seja,
dita sobre
im f = B .
desde que, para todo
Em linguagem matemti a:
b B,
exista um
aA
tal que
b B, a A, f (a) = b
Portanto, para que a funo seja sobre, todo elemento de B deve ter um orrespondente em A, ou de forma mais direta, temos que a essar todos os elementos de
B.
Assim, dado
f : A B,
(um-a-um). Com isto, se
para que
f 1 seja
ainda for sobre
B,
uma funo ne essrio que
ento podemos armar que
aso:
seja injetiva
f 1 : B A.
Neste
Bijeo:
Seja
f : A B. f
Exemplo:
pares.
Sejam
hamada de uma bijeo se ao mesmo tempo injetiva e sobre.
o onjunto dos nmeros inteiros pares e
Vamos mostrar que
f (x) = x + 1
uma bijeo.
um-a-um. Para isto, basta mostrarmos que
x+1=y+1
o onjunto dos inteiros m-
Primeiro, vamos mostrar que
4.1.
COMPOSIO DE FUNES
e, des ontando
29
dos dois lados, mostramos que
x = y.
Para veri armos se sobre, temos que sele ionar um elemento de
forma genri a omo
x = 2k,
y = 2k + 1.
B,
Por denio, um elemento de
que pode ser es rito na
pode ser es rito na forma
tal que a funo a ser estudada pode ser es rita na forma
f (x) = x + 1 = 2k + 1
que mostra que
sobre e, portanto
Observem que se os onjuntos
uma bijeo.
forem nitos, podemos estabele er as seguintes rela-
es:
Prin pio da Casa do Pombo:

Sejam
onjuntos nitos e seja
f : A B.
Se
|A| > |B|,
ento
no um-a-um.
Se
|A| < |B|,
ento
no sobre.
Isto f il de entender, pois se

para diferentes elementos de
os elementos restantes de
Da mesma forma, se
b.
|A| > |B|
ento os primeiros
Aps isto, no h elementos em
elementos de
sero levados
aos quais podemos apli ar
A.
|A| < |B|,
para obrir todos os elementos em
ento sabemos que no existem elementos su ientes em
B.
Tarefa:
Domnio
Contradomnio
x x3
um a um ?
sobre ?
Bijeo ?
x x3
x |x|
x x2
! Justique ada uma das armaes !
4.1 Composio de Funes

f : A B e g : B C.
A para C , om notao
Sejam duas funes

diretamente de
possvel denirmos uma funo que mapeie
(g f )(a) = g[f (a)], a A
CAPTULO 4. FUNES
30
e que hamamos de omposio de

(f est mais prximo e
a)
f.
Observem que a notao indi a que apli amos
e depois apli amos
f (a)
no resultado desta operao. Ainda, temos que
dom (g f )(a) = dom f

pois no estamos modi ando a entrada do pro esso. O mais importante diz respeito ao a oplamento entre
g,
pois a sada de
deve ser uma entrada vlida para
g.
Isto pode ser
garantido om
im f dom g
e, muito importante, devemos lembrar que
(g f ) 6= (f g).
Vamos a dois exemplos:
1) Sejam
(g f )(4),
f :ZZ
g : Z Z,
om
f (x) = x2 + 1
pro edemos da seguinte forma:
g(x) = 2x 3.
Para al ularmos
f (4) = (4)2 + 1 = 17
g(f (4)) = 2 17 3 = 31
ou, de modo geral
(g f ) = 2(x2 + 1) 3 = 2x2 + 2 3 = 2x2 1.

2) Com as mesmas funes do exemplo 1, podemos ver que
(f g) = (2x 3)2 + 1 = 4x2 12x + 10

de modo que a omposio de funes no satisfaz a propriedade omutativa.
No entanto,
satisfaz a propriedade asso iativa.
Propriedade Asso iativa:

Sejam
f : A B, g : B C
h : C D,
ento
h (g f ) = (h g) f
A = {1, 2, 3, 4, 5}, B = {6, 7, 8, 9}
g : B C so denidas por
Exemplo:
Sejam
f :AB
C = {10, 11, 12, 13, 14}.
f : {(1, 6), (2, 6), (3, 9), (4, 7), (5, 7)}
g : {(6, 10), (7, 11), (8, 12), (9, 13)}
As funes
4.1.
COMPOSIO DE FUNES
31
f
g(f(a))
f(a)
gof
Figura 4.3: Composio de funes.
ento
(g f ) = {(1, 10), (2, 10), (3, 13), (4, 11), (5, 11)}
onde utilizamos o seguinte ra io nio:
entrada para g que tem a forma
onde o b deve ser igual. Assim,
gera duas saidas em
g,
(1, 6)
um par de
na forma
(a, b)
que serve omo
(b, c). Assim, a omposio retorna um par na forma (a, (, c))

b = 6 est presente em f nos pares (1, 6) e (2, 6), tal que isto
pois temos
(1, (, 10))
(2, (, 10)).
Um on eito muito Interessante o de funo identidade:
Funo Identidade em um onjunto:

Seja
um onjunto. A funo identidade em
a funo
idA
ujo domnio
e satisfaz
idA = {(a, a)a A}

os seja, a imagem sempre igual ao domnio.
sendo que as seguintes propriedades so observadas
Sejam dois onjuntos
e uma funo
f : A B,
ento
f idA = idB f = f
e
Sejam dois onjuntos
e uma funo
f :AB
que um-a-um e sobre, ento
f f 1 = idB
f 1 f = idA
vamos a um exemplo para deixar estes on eitos mais laros.
A = {1, 2, 3} e B = {2, 4, 6} e a funo f = {(1, 2), (2, 4), (3, 6)},

f = {(x, y) : x A, y B, y = 2x}. Neste aso, temos que
Exemplo: Considere os onjuntos

que nada mais do que
idA = {(1, 1), (2, 2), (3, 3)}
CAPTULO 4. FUNES
32
idB = {(2, 2), (4, 4), (6, 6)}

e a inversa da funo tal que
y
f 1 = {(2, 1), (4, 2), (6, 3)} = {(y, x) : y B, x A, x = }.
2
Assim, ao apli armos as denies a ima, observamos que
f 1 f = {(1, 1), (2, 2), (3, 3)} = idA

f f 1 = {(2, 2), (4, 4), (6, 6)} = idB
e
f idA = {(1, 2), (2, 4), (3, 6)}

idB f = {(1, 2), (2, 4), (3, 6)}.
Devemos observar que as funes identidade podem ser denidas omo
idA = {(x, x) : x A, x}
idB = {(y, y) : y B, y}
tal que
f idA = f (x) = 2x
idB f = y (2x) = 2x
e
1
f 1 f = (2x) = idA
2
y
f f 1 = 2( ) = idB .
2
Captulo 5
RN
Para ini iarmos os nossos estudos sobre espaos vetoriais, iremos abordar o
RN .
No
RN
os
elementos so hamados de vetores e so formados por uma oleo de nmeros reais, omo
por exemplo
(2, 1) no R2
ou
(1, 2, 3) no R3
(que em duas e trs dimenses permitem uma repre-
sentao gr a que j de onhe imento de qualquer aluno de graduao). importante que
os on eitos aprendidos aqui sejam bem xados, pois iremos re-utilizar estes on eitos quando
formos estudar os espaos de funes, mais adiante. De maneira mais formal
RN :
RN
o onjunto das n-plas ordenadas de nmeros reais, na forma
RN = {u = (u1, u2 , u3 , ....., uN ) : ui R, i = 1, ..., N}
Tendo em mente esta denio, podemos ento denir um espao vetorial sobre os reais, na
forma:
33
CAPTULO 5.
34
RN
Espao Vetorial sobre os reais:

Um espao vetorial
sobre os reais um onjunto ujos elementos hamamos de vetores, om
duas operaes binrias: soma e multipli ao por um es alar, tais que:
u + v = u + v, u, v V
(u + v) + w = u + (v + w), u, v, w V
0 V : 0 + u = u, u V
u V, v, u + v = 0
1 V : 1u = u, u V
( + )u = u + u, , R, u V
(u) = ()u, R, u V
(u + v) =u + v, R, u, v V
Como exer io, podemos veri ar todas as armaes a ima onsiderando
R2
De posse destas informaes, podemos agora denir algumas operaes de interesse no
RN :
Produto interno:
Seja
espao vetorial sobre os reais. Um produto interno uma funo de
notao
u, v u v
ou
< u, v > om
as seguintes propriedades
V V R,
om
u u > 0, u V, u 6= 0
u v = v u, u, v V
(u) v = (u v), R, u, v V
(u + v) w = u w + v w, u, v, w V
sendo que no
RN
o produto interno anni o de onhe imento geral, na forma
u v = u1v1 + ... + un vn
mas isto no impli a na existn ia de somente esta implementao de produto interno.
fato, temos que
De
uAv, onde A uma matriz positivo-denida (vamos denir formalmente o este
on eito mais para frente) de dimenses

requisitos listados a ima. Por exemplo,
(u1, u2 )
"
5 1
1 5
N N,
v1
v2
tambm gera uma operao que atende aos
= 5v1 u1 u1 v2 u2 v1 + 5u2v2
35
e a primeira propriedade (positividade), teria a forma
u u = 5u21 2u1u2 + 5u22

que estritamente positiva para
anni o,
u 6= (0, 0).
Assim, podemos dizer que no produto interno
assume a forma da identidade ( aso parti ular).
Outro on eito importante o de norma. A norma nada mais do que uma medida de
um elemento do espao (vetor), sendo que, assim omo o produto interno, tem uma denio
geral e seus asos parti ulares.
Norma
Dado um espao vetorial
V,
uma norma uma funo de
que satisfaz as seguintes ondies:
ku + vk kuk + kvk , u, v V
V R,
denotada por
u kuk
(desigualdade triangular)
kuk = kuk u V, R
kuk > 0, u V, x 6= 0
e, quando um espao vetorial tem uma norma asso iada, este dito espao normado (veremos
isto em mais detalhes no aptulo sobre espao de funes). Relembrando o
norma usual
kuk =
R2 ,
temos omo
u21 + u22
que satisfaz os requisitos listados na denio da norma.
No entanto, podemos estender o
on eito para
N
X
kukP =
uPi
i=1
! P1
, p N , p par
que gera a norma usual (tambm hamada de norma-2 ou

Um aso interessante a norma om
p ,
kk2 ) quando p = 2 e innitas normas.
tambm hamada de
max,
pois
kuk = max ui
1iN
retornando o maior valor (em mdulo) do vetor.

interessante notar que om o on eito de norma podemos denir o on eito de distn ia
entre dois vetores, pois
Distn ia
Seja V um espao vetorial normado e
distn ia entre
u,v
dois elementos deste espao.
o es alar
d(u, v) = ku vk
Denimos omo a
RN
CAPTULO 5.
36
Se um espao normado e tem produto interno denido, ento a seguinte denio se apli a:
Teorema 2. Seja V RN um espao vetorial normado om produto interno. Ento

kuk2 =
uu
e veri a-se a desigualdade de Cau hy-S hwartz

|u v| kuk2 kvk2
5.1 Bases
Um on eito fundamental quando lidamos om espaos vetoriais o on eito de Base, que est
rela ionado ao on eito de vetores linearmente independentes. Assim, interessante ini iarmos
om alguns on eitos bsi os:
Combinao Linear:
Sejam
forma
V RN
um espao vetorial e
um membro deste espao. Se
u=
N
X
puder ser es rito na
i vi
i=1
onde
i R
vi V ,
ento dizemos que
obtido por meio de uma ombinao linear de
outros membros do espao.

Vetores Linearmente Dependentes e Linearmente Independentes:
u e v V RN . Se u no puder ser es rito por meio de uma ombinao

dizemos que u e v so linearmente independentes. Alternativamente, se u
Sejam dois elementos

linear de
ento
puder ser es rito por meio de uma ombinao linear de
v,
dizemos que
so
linearmente
V.
Se nenhum
dependentes.
Conjunto Linearmente Dependente e Linearmente Independente:
Seja
V RN
elemento de
S,
um espao vetorial e
um onjunto que ontm
elementos de
puder ser es rito por meio de uma ombinao linear dos outros elementos de
ento o onjunto dito
linearmente independente.
Neste aso, temos que
1 u1 + .... + m um = 0
se e somente se
1 = 2 = ... = m = 0.
Do ontrrio, o onjunto dito
linearmente dependente.
Span (Gerador) :
Seja
V RN
um espao vetorial e seja
Se ada vetor em
dizemos que
onde
v V .
S = {u1 , u2 , ..., un }
um onjunto de elementos de
S,
Pn
puder ser es rito omo uma ombinao linear dos elementos de
S spans V ,
ou
gera
V.
Alternativamente, podemos dizer que
v=
V.
ento
i=1
i ui
5.1.
BASES
37
Tendo em mente estes on eitos, podemos sele ionar um sub onjunto

armente independente. Por exemplo, no
de
V,
que seja line-
temos omo vetores linearmente independentes o
B = {(1, 0), (0, 1)}. Estes vetores so L.I, pois no possvel gerar (1, 0) = (0, 1)
2
quaisquer valores de R. No entanto, outros vetores de R podem ser obtidos a partir
onjunto
para
de uma ombinao linear de elementos de
B,
omo por exemplo:
(2, 4) = 2(1, 0) + 4(0, 1)

(33.5, 100) = 33.5(1, 0) 100(0, 1).
Assim, podemos veri ar que o onjunto
truir quaisquer outros elementos de
B R2
ontm os elementos que servem para ons-
, de tal forma que
onhe ido omo base do espao
(nesta aso parti ular, tambm hamada de base anni a)
Base:
Seja
V RN
um espao vetorial e
linearmente independente
spans
um onjunto de
dito base de
se:
importante salientar que:
um espao pode ter mais de uma base
a ardinalidade de B dene a dimenso do espao
diferentes bases de um mesmo espao tero a mesma ardinalidade
Vamos a um exemplo: Utilizando o
R2
por uma questo de simpli idade, podemos veri ar que
os onjuntos
B1 = {(1, 0), (0, 1)}

B2 = {(3, 1), (2, 1)}
so linearmente independentes, pois
(1, 0) 6= (0, 1), R

(3, 1) 6= (2, 1), R
e podemos gerar um dado elemento de
de
B1
ou de
B2 .
Por exemplo,
(7, 9)
R2
por meio de uma ombinao linear dos elementos
pode ser gerado por
(7, 9) = 1 (1, 0) + 2 (0, 1)

(7, 9) = 1 (3, 1) + 2 (2, 1)
CAPTULO 5.
38
RN
tal que, para a primeira base podemos obter os oe ientes diretamente, pois
7 = 1 e 9 = 2
e, para a segunda base temos
7 = 31 22
9 = 1 + 2
uja soluo
1 = 5, 2 = 4.
5.2 Conjuntos abertos e fe hados em RN

Antes de ini iarmos a denio de onjuntos abertos e onjuntos fe hados, pre isamos denir
uma bola em
RN .
Bola aberta em
Vamos apresentar trs denies distintas:
RN :
Uma bola aberta de raio
e entro
denida por
Br (u) = {v RN : d(u, v) < r}

Bola fe hada em
RN :
Uma bola fe hada de raio
e entro
denida por
Br (u) = {v RN : d(u, v) r}
Esfera em
RN :
Uma esfera de raio
e entro
denida por
Br (u) = {v RN : d(u, v) = r}
sendo que a ni a diferena est na desigualdade/igualdade. Estas denies nada mais so do
que a espe i ao de uma regio no entorno de um ponto
tos vizinhos
v,
u,
onde iremos onsiderar elemen-
de a ordo om alguma norma pr-denida. No que segue, iremos utilizar o
on eito de bola aberta.
O on eito de onjunto aberto e de fe hado ausa muita onfuso. No devemos pensar em

uma aixa aberta ou fe hada, mas sim respeitar as denies que sero apresentadas a seguir:
Conjunto Aberto:
Um onjunto
G RN
aberto em
RN
se para todo o
u G existe > 0 real tal que B (u) G
Ou seja, um onjunto aberto se qualquer ponto deste onjunto pode ser pertur-
5.2.
CONJUNTOS ABERTOS E FECHADOS EM
RN
39
bado por uma quantidade innitesimal em qualquer direo e ainda ontinuar no

onjunto (a bola toda deve estar ontida no onjunto).
A = {x : x (0, 1)}. Se denirmos uma

x teremos B (x) = (x , x + ). Agora vamos
Como exemplo, vamos onsiderar o onjunto

bola de raio
em uma posio genri a
tem valores na faixa min{ x2 , 1 x2 } ento, se nos aproximarmos de zero, teremos

B (x 0) = (x x2 , x + 1 x2 ) (0, 1) A.
imaginar que
Outro exemplo:
genri a
teremos
perturbamos em
I = {x : x [0, 1]}.
B (x) = (x , x + ).
O onjunto
em uma posio
Agora vamos imaginar que estamos em
genri o. Termos um intervalo
intervalo no est ontido em
Se denirmos uma bola de raio
(, )
x=0
e que
sendo que o extremo esquerdo deste
I.
aberto pois omo se extende ao innito, sempre podemos olo ar uma
bola que onter pontos no
RN
Assim, para intervalos unidimensionais f il de ver que se o intervalo for

aberto, ento possvel hegar arbitrariamente perto do extremo aberto e ainda
denir uma bola innitesimal que esteja ontida no intervalo. Se o intervalo for
fe hado, ento podemos nos posi ionar exatamente sobre o extremo e mostrar que
uma bola entrada neste ponto ter pontos fora do intervalo.
interessante notar que o onjunto vazio
aberto (por va uidade, pois se no tem pontos,
ento no podemos denir a noo de uma bola).
Complemento de um Conjunto:
O omplemento
(V )
de um onjunto denido por
(V ) = RN \V = {u RN : u 6= F }
e, omo exemplo, podemos itar
[1, ),
para
A = (0, 1).
(I) = (, 0) (1, ),
para
Dois omplementos interessantes so:
I = [0, 1]
() = R
e
e
(A) = (, 0]
(RN ) = .
Conjunto Fe hado:
Um onjunto
F RN
fe hado em
RN
se seu omplemento aberto
Assim, onsiderando os exemplos om os quais estamos trabalhando, observamos que
1) O omplemento de
no aberto, pois se posi ionarmos a bola em
um pedao da bola aberta fora do omplemento (dentro de

2) O omplemento de
A).
Assim,
0]
ou em
[1
teremos
no fe hado;
aberto, pois possvel posi ionar a bola em qualquer ponto do
omplemento e garantir que a bola estara ontida no omplemento (no possuir pontos em
Assim,
fe hado.
I ).
CAPTULO 5.
40
RN
Interessante notar que um onjunto pode ser aberto e fe hado ao mesmo tempo. Por exem-
plo,
RN
aberto e fe hado (pois o seu omplemento aberto). Da mesma forma,
tambm
tem omplemento aberto, sendo portanto fe hado.

Um onjunto pode no ser aberto e nem fe hado. Em exemplo seria o onjunto
(0, 1]}.
E.
O interessante que o omplemento de
tambm no aberto, pois podemos olo ar uma bola em
1 e, om isto, ter
E , (E) = (, 0] (1, )
Este onjunto no aberto, pois podemos posi ionar a bola aberta em
pontos da bola fora de
E = {x : x
e ela onter pontos de
E.
Assim,
no aberto e nem fe hado.
Vizinhana, Ponto interior, ponto de fronteira e exterior:

Sejam
u RN
A RN :
Uma vizinhana de
um onjunto que ontm um sub onjunto aberto que ontenha
um ponto interior de
um ponto de fronteira de
um ponto exterior de
se existe uma vizinhana de
u ontida
se toda a vizinhana de
uest
em
ontida em
e em seu
omplemento
se existe uma vizinhana de
Tal que podemos estabele er que se um onjunto
em
(A)
aberto, ento:
todos os seus pontos so interiores
uma vizinhana de todos os seus pontos
no ontm pontos de fronteira
e, se
u ontida
um onjunto fe hado, ento:

ontm todos os seus pontos de fronteira.
Ponto de A umulao:
Um ponto
u RN
um ponto de a umulao de
pelo menos um ponto de
diferente de
u.
S RN
se toda vizinhana
B (u)
ontm
Como exemplo, podemos onsiderar:
S R limitado superiormente om u = sup S

/ S . Neste aso, u ponto
de S , uma vez que existem > 0 e v S tal que v (u , u + );
um onjunto
a umulao
de
5.2.
CONJUNTOS ABERTOS E FECHADOS EM
um onjunto
[0, 1]
denido pelo intervalo
ponto de a umulao de
(0, 1).
RN
41
Neste aso, qualquer ponto no intervalo
(observe que um ponto fora do onjunto pode ser de
a umulao);
N = {0, 1, 2, 3, 4, 5, ....} no tem ponto de a umulao, pois podemos onsiderar uma bola
om entro em qualquer nmero e olo ar um raio pequeno o su iente para onter apenas
o entro da bola (lembrem-se que estamos trabalhando om nmeros inteiros positivos e,

portanto,
0.00001
no faz parte de
N;
De modo geral, podemos armar que onjuntos nitos ( om nmero limitado de elementos) no possuem ponto de a umulao, pois podemos denir uma vizinhana (real) que
no ontenha pontos do onjunto;
no tem ponto de a umulao (embora seja innito, omo o
O onjunto
(2, 3) {4} tem omo pontos
vizinhana em torno de
{4}
de a umulao
N);
[2, 3], pois podemos olo ar uma
que no inter epte pontos do onjunto (alm do
4)
Desta forma, podemos denir o on eito de Conjunto Fe hado de uma forma alternativa
Conjunto Fe hado (denio alternativa)

Um onjunto
F RN
fe hado se e somente se ontm todos os seus pontos de a umulao.
Teorema 3. Bolzano-Weierstrass no RN
Todo sub onjunto ininito e limitado de RN tem pelo menos um ponto de a umulao.
onde devemos observar que o sub onjunto ser limitado se for limitado superiormente E inferiormente. Este teorema pare e meio bvio se olharmos o exemplo que foi dis utido anteriormente:
S R limitado superiormente om u = sup S

/ S.
de S . O mesmo pode ser dito para o inf S .
um onjunto
a umulao
Neste aso,
ponto de
Vamos analizar novamente os nossos exemplos:
innito, mas ilimitado (no tem limite superior e nem inferior);
A = (0, 1) {2, 3, 4, 5, .....}
innito mas no limitado superiormente.
no pode armar nada sobre este aso, mas podemos observar que
a umulao !!
A = {1, 2, 3}
nito e, portanto, no tem pontos de a umulao.
[0, 1]
O teorema
so pontos de
42
CAPTULO 5.
RN
Captulo 6
Espaos Vetoriais
Todos os on eitos aprendidos om o

os membros (vetores) so funes.
RN
podem ser estendidos para espaos mais gerais, onde
Embora possa pare er algo muito vago em um primeiro
momento (pois estamos a ostumados a pensar em vetores omo e has no
R2
ou no
R3
este
on eito muito til para todas as nossas apli aes em me ni a omputa ional.
Como exemplo, vamos pensar em um onjunto de polinmios, na forma
P = {1 + x2 , 3x + 4x3 , 6 3x + 2x2 + x3 }.
O onjunto
ontm elementos, que so polinmios na forma
a + bx + cx2 + dx3
e laro que
um sub onjunto de todos os polinmios de ter eiro grau que existem (espao de polinmios).
A base para
formada por um onjunto
B = {1, x, x2 , x3 }
e, por exemplo,
1 + x2 = 1(1, 0, 0, 0) + 0(0, x, 0, 0) + 1(0, 0, x2 , 0) + 0(0, 0, 0, x3).
a base deste espao tem ardinalidade
4,
Observem que
embora existam inmeros polinmios dentro deste
espao.
Um outro exemplo que justi a o estudo de espaos de funes vem da soluo de uma
equao diferen ial, na forma
onde
x [0, 1].
d2 u
k 2 u = 0, k > 0
2
dx
Como sabemos, a soluo da equao diferen ial uma famlia de funes
que satisfaz a equao diferen ial para
x [0, 1].
u(x)
Esta famlia de funes gera um espao de
funes, que podem ser es ritas a partir de um onjunto de funes base. Aqui, sabemos que
u(x) deve fazer parte de um espao V , que ontm funes duas vezes diferen iveis no intervalo
[0, 1]. Este onjunto dado por B = {ekx , ekx } tal que qualquer elemento de V (soluo da
eq. diferen ial) ter a forma
Da mesma forma que no
u(x) = 1 ekx + 2 ekx .
RN , podemos estender o on eito de norma para espaos de funes,
na forma
43
CAPTULO 6. ESPAOS VETORIAIS
44
Z
kukp =
onde
p 1.
so funes mensurveis e
|u|
p1
Estas normas so onhe idas omo Normas de
Lebesgue. Outas normas so possveis, omo por exemplo a famlia de normas de Sobolev:
kukm,p =
e, omo exemplo, podemos denir a norma
kukm,p =
e podemos veri ar que se
"Z
m=0
||m
kuk1,2
p1
|D u|p
em
[0, 1] [0, 1]
# 12
2 2 #

du
du
|u|2 + + dxdy
dx
dy
"
a norma de Sobolev se iguala a norma de Lebesgue.
Deve-se enfatizar que estas normas so denidas para apli aes distintas. Assim, normas
de Sobolev so ne essrias para des revermos espaos de funes e derivadas su ientemente
ontnuas para alguma apli ao, omo por exemplo na soluo de equaes diferen iais par iais.
Como exer io, imagine o

r ulo de raio
valor).
R2
equipado om normas
Lp
em torno da origem (lembrem-se que
para
igual a
p=
1, 2
e desenhe um
impli a em sele ionar o maior
Lembre-se que o raio sempre uma distn ia (asso iada a norma) que depende das
oordenadas do ponto em relao a origem ( entro do r ulo).

Desta forma, onhe endo o espao vetorial de soluo do nosso problema e as propriedades
dos operadores envolvidos, saberemos tudo sobre as suas propriedades (se tem soluo, quantas
tem, estrategias de soluo, et ...).
6.1 Transformaes Lineares e Fun ionais

A relao entre elementos de dois onjuntos foi denida omo uma funo.
Observem que
desde o in io da nossa matria, o on eito de elemento tem sido estendido.
Atualmente,
estamos onsiderando onjuntos ujos elementos so funes e iremos agora denir relaes
entre funes. Um exemplo seria a seguinte equao diferen ial:

du(x)
d
a
= f (x)
dx
dx
onde
f (x)
so onhe idos e
u(x)
deve ser en ontrado. Uma outra maneira de es rever esta
equao diferen ial na forma
T (u) = f
6.1.
TRANSFORMAES LINEARES E FUNCIONAIS
45
ou
T :U V
que pode ser lida omo:
ontm
u, U,
d
d
T = dx
a dx
um operador que rela iona o espao de funes que
om o espao de funes que ontm
f, V .
Assim, se onhe ermos as proprieda-
des do operador, podemos estudar a soluo de equaes de forma mais geral. Vamos estudar
algumas denies pertinentes:
Transformao Linear:
uma transformao linear de um elemento no espao
ada elemento
observadas:
u U
orresponde a um elemento
T (u) = T (u) u U, R,
T1
T2
v V
em um elemento do espao
se
e se as seguintes propriedades so
homogneo
T (u1 + u2 ) = T (u1 ) + T (u2 ), u1 , u2 U ,

e, se
so duas transformaes lineares,
aditivo
T1 T2
tambm ser uma transformao linear
(pense em omposio de funes).

interessante notar que podemos re-utilizar todos os on eitos que aprendemos om funes e estender para o on eito de operador. Por exemplo, os on eitos de domnio e de imagem
so anlogos, bem omo a de um-a-um (injetivo). No entanto, ostumamos hamar um opera-
monomorsmo (para ada u temos um v distinto) e "sobre"ou sobrejetivo

assume a onotao de epimorsmo (todo V utilizado). Neste ontexto, se o operador for
um monomorsmo E um epimorsmo, ento ele dito um isomorsmo (bijeo) e, portanto,
dor injetivo de um
possvel denir um operador inverso.
Vamos apresentar algumas denies adi ionais:
N leo de uma transformao (Kernel):

O n leo de uma transformao (tambm onhe ido omo espao nulo) dado por
(T ) = {u : u U, T (u) = 0}
Exemplo: Vamos onsiderar a transformao

desta transformao denido por
T :U V
tal que
(T ) = {u U : u1 + u2 = 0}
tal que elementos que tenham a estrutura
(u2 , u2 )
T (u) = u1 + u2 .
O n leo
46
ompe o n leo desta transformao. Desta forma,
v = (1, 1)
base do n leo de
T.
Transformao Linear:
T :U V
(T ) = {0}.
Uma transformao Linear

nulo trivial, isto ,
um-a-um (monomorsmo) se e somente se o espao
Exemplo: Conforme j dis utido, um operador um-a-um aquele que gera sadas distintas
para entradas distintas. Desta forma, o operador do exemplo anterior no um monomorsmo
e uma maneira de testar por isto veri ar a estrutura do espao nulo.
Conforme visto no
exemplo, o espao nulo neste aso no trivial.

Exemplo: Vamos onsiderar a transformao linear
aso,
T :U V
tal que
T (u) = 7u.
Neste
(T ) = {u U : u = 0}
A dimenso do subespao
(T ) = Im (T ) V
Exemplo: Do segundo exemplo a ima temos que

da dimenso
(dimenso de
V ).
A dimenso do espao nulo hamada de

a dimenso de
hamada de
U e V RN ,
nullity
de
T.
transformao igual a
rank
om o
nullity
igual
Exemplo: Voltando a transformao
ao
O Rank da transformao ser
A soma do
Exemplo: Ainda om o mesmo exemplo, temos que o Rank de
Rank da transformao T : U V
T :U V
tal que
e o
T (u) = u1 + u2 ,
nullity
zero.
temos que o
1 e que a dimenso do espao nulo 1 (um parmetro a). U
rank
da
orresponde
, o que est de a ordo om a denio.
6.2 Transformao Linear de Espaos Finito Dimensionais

U e V dois espaos nito dimensionais e T : U V uma transformao linear. Se
{1 , 2 , ...., n } base de U e {1 , 2 , ....., m } base de V , podemos es rever qualquer membro de U e V na forma
Sejam
u =
v =
n
X
i=1
m
X
j=1
i i
j j
6.2.
TRANSFORMAO LINEAR DE ESPAOS FINITO DIMENSIONAIS
e, para ada
v,
temos que
T (u) = v
T (u) =
pode ser es rito na forma
n
X
i T (i ) =
i=1
e, omo
T (i ) V,
47
m
X
j j ,
j=1
podemos es rever
T (i ) =
m
X
tji j
j=1
tal que
m
X
j=1
ou
j j
m
X
j=1
n
X
m
X
i=1
tji j
j=1
n
X
tji i
i=1
=0
j = 0
que pode ser es rita na forma matri ial
= T
onde
uma matriz de dimenses
podemos veri ar que:
m n,
ontendo os termos
tji .
Baseados nesta deduo,
A transformao entre dois espaos vetoriais nitos pode ser representada pela apli ao
do operador
A matriz
nas bases de ada espao;
a forma nito dimensional (dis reta) do operador
Estes resultados so utilizados a todo instante na me ni a omputa ional, pois trabalhamos

om espaos nito dimensionais para representar modelos dis retos de problemas ontnuos
(innito dimensionais).
Vamos apresentar dois exemplos bem simples:
Exemplo 1:
Seja
o espao dos polinmios de ter eiro grau e
o espao dos polinmios de primeiro grau.
Embora existam innitos polinmios de primeiro e ter eiro graus, as suas bases so nitas,
tendo a forma
= {1, x, x2 , x3 }
= {1, x}
P
U tem a forma genri a u = 4i=1 i i = 1 + 2 x + 3 x2 + 4 x3
P2
de V tem a forma genri a v =
j=1 j j = 1 + 2 x (m = 2).
tal que um elemento de

(n
= 4)
e um elemento
48
Um operador linear que mapeia (transforma) entre
D=
o operador diferen ial
d2
dx2
e, portanto,
D:U V
signi a que
4
X
i=1
e, omo o operador
i i
i D(i ) =
i=1
D(i ) V,
j j
j=1
linear, podemos passar para dentro do somatrio em
4
X
e omo
2
X
2
X
i,
tal que
j j
j=1
podemos es rever
D(i ) =
2
X
dji j
j=1
signi ando que estamos es revendo este resultado na base de
i = 1..4,
ou seja,
V.
Vamos avaliar
D(i )
para
{1, x, x2 , x3 }:
D(1 ) = D(1) = 0
D(2 ) = D(x) = 0
D(3 ) = D(x2 ) = 2
D(4 ) = D(x3 ) = 6x
mas omo queremos es rever estes termos na base de
V,
observamos que
D(1) = d11 1 + d21 x = 0 1 + 0 x

D(2) = d12 1 + d22 x = 0 1 + 0 x
D(3) = d13 1 + d23 x = 2 1 + 0 x
D(4) = d14 1 + d24 x = 0 1 + 6 x
tal que
4
X
i=1
i D(i ) =
2
X
j j
j=1
pode ser es rito omo
1 (0 1 + 0 x) + 2 (0 1 + 0 x) + 3 (2 1 + 0 x) + 4 (0 1 + 6 x) = 1 1 + 2 x
6.2.
TRANSFORMAO LINEAR DE ESPAOS FINITO DIMENSIONAIS
de onde observamos que ada termo da base de
49
pode ser olo ado em evidn ia:
1 1 0 + 2 0 + 3 2 + 4 0 = 1
2 1 0 + 2 0 + 3 0 + 4 6 = 2
ou, na forma matri ial
)
"
#
(
1
2
0 0 2 0
=
.
0 0 0 6
2
tal que
0 0 2 0
0 0 0 6
a forma dis reta do operador diferen ial que mapeia
D=
"
em
V.
De fato, se onsiderarmos o
polinmio
p(x) = 7 + 2x + 15x2 0.5x3

e realizarmos a operao
ou seja, o polinmio
D : U V,
obteremos
"
#
(
)
0 0 2 0
2
30
=
0 0 0 6
15
3
0.5
v = 30 3x.
Exemplo 2:
Dado um vetor
obter um novo
do tipo
u = (x1 , x2 , x3 ) no R3 , podemos apli ar uma rotao em torno do eixo 3 para
vetor v = (x1 , x2 , x3 ). Esta transformao, tambm onhe ida omo rotao,
R : R3 R3
e tem a forma
R(x1 , x2 , x3 ) = (x1 cos() x2 sin(), x1 sin() + x2 cos(), x3 ).

Como sabemos que as bases do
R3
formam o onjunto
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}, se
seguirmos
o ra io nio apresentado no exemplo anterior, veri amos que o operador dis reto asso iado a
esta transformao pode ser obtido om
R(1, 0, 0) = (cos(), sin(), 0)

R(0, 1, 0) = (sin(), cos(), 0)
R(0, 0, 1) = (0, 0, 1)
50
tal que
cos()
sin() 0
R = sin() cos() 0 .
0
0
1
TAREFA: Verique se as transformaes dos exemplos a ima tem inversa e, se tiverem,
deduza a forma dis reta do operador.
TAREFA: Seja o operador, j na forma dis reta,
1 0 0
T= 0 1 0
0 0 0
tal que
T : R3 R3 .
Qual o
kernel
deste operador ?
Exemplo: Um polinmio bi o tem a forma

um espao de dimenso
hamar este espao de
4,
P.
onde diferentes valores de

tes de um vetor) e
p(x) = a0 + a1 x + a2 x2 + a3 x3
pois esta a ardinalidade de sua base
Na forma matri ial, temos
e membro de
U = {1, x, x2 , x3 }.
Vamos
1
2
3
p = [1, x, x , x ]
= Ua
a2
a ara terizam elementos distintos do espao (pensem nas omponen-
formado por olunas que possuem vetores linearmente independentes.
Observem que uma oisa o vetor (elemento do espao dos polinmios bi os)
oisa um dado valor que
p(x)
assume para um valor de
x,
pP
e outra
que um valor real. Isto a laro
se es revermos a relao
p(s) = C(s)p
onde
C(s) hamado de operador de avaliao em s e um fun ional linear em P , pois mapeia
para um nmero real. Assim,
a
0
a
1
2 3
.
p(s) = C(s)Ua = [1, s, s , s ]
a2
a
3
interessante notar que existem problemas prti os onde temos os valores

determinar quais so os polinmios
p(s)
que esto asso iados a estes valores.
e queremos
Assim, vamos
6.3.
MUDANA DE BASE
assumir que temos
51
valores distintos de
e seus orrespondentes
p(s)
onhe idos. Portanto,
a0
a
1
= p (si ) , i = 1..4
[1, si , s2i , s3i ]
a
3
forma um sistema de equaes na forma
E(S)a = v
onde
S = {s1 , s2 , s3 , s4 }
v = {p (s1 ) , p (s2 ) , p (s3 ) , p (s4 )}
so vetores oluna e
a matriz
onde ada linha ontm os valores das bases avaliadas em um dos pontos onhe idos. Portanto,
ao realizarmos a operao
a = E1 (S)v
estamos realizando um pro edimento de interpolao (re uperao de uma funo a partir de
um onjunto de valores) e o operador
E1
hamado de
Interpolao de Lagrange.
6.3 Mudana de Base

Se um espao pode ter mais de uma base e se espaos nito dimensionais admitem uma representao matri ial, ento interessante investigar omo podemos rela ionar as bases de um
determinado espao. De forma geral, podemos denir uma operao
T : u u , u , u V
onde
u =
PN
i=1 i i des rito na base
e u =
PN
j j
j=1
des rito na base
que o elemento um s, estando somente des rito em bases diferentes.

T
N
X
i i
i=1
N
X
j j
j=1
impli a em
N
X
i T (i ) =
i=1
e, omo
T (i )
mapeia para a base
,
N
X
i=1
N
X
j j
j=1
podemos es rever esta equao na forma
N
X
j=1
rji j =
N
X
j=1
j j
Enfatiza-se
Assim,
52
ou, na forma matri ial
r11 ... r1N

1
. .
.
.
.
..
..
.
.
.
rN 1 ... rN N
N
onde
..
=
(6.1)
um operador que transforma os oe ientes utilizados para representar um elemento
nas duas diferentes bases.
Exemplo 1:
e a base
Sejam
tal que
u V ,
P : u u ,
om
V R2 .
Vamos obter o operador
entre a base
de a ordo om o denido a ima:
u = 1 1 + 2 2
(6.2)
u = 1 1 + 2 2
onde deve ar laro que
u = u ,
pois o mesmo elemento sendo des rito em duas bases
diferentes.
Como
uma base de
V,
ento gera
tal que
1 = r11 1 + r12 2
(6.3)
2 = r21 1 + r22 2
pode ser substituido na primeira linha da Eq.(6.2), resultando em
u = 1 1 + 2 2 = 1 (r11 1 + r12 2 ) + 2 (r21 1 + r22 2 )

e, omo o elemento sendo des rito sempre o mesmo, on lumos que
1 1 + 2 2 = 1 (r11 1 + r12 2 ) + 2 (r21 1 + r22 2 )

ou, separando por termos de
1 1 = r11 1 + r21 2
2 2 = r12 1 + r22 2
tal que
"
r11 r21
r12 r22
o aso parti ular da Eq. (6.1) para
#(
N = 2.
1
2
1
2
6.3.
MUDANA DE BASE
assim, se
53
= {(1, 0), (0, 1)}
= {(3, 1), (2, 1)},
temos, de a ordo om a Eq. (6.5), que
(1, 0) = r11 (3, 1) + r12 (2, 1)

(0, 1) = r21 (3, 1) + r22 (2, 1)
do origem a dois sistemas simultneos de equaes (um por linha da equao a ima)
1 = 3r11 2r12
0 = 1r11 + 1r12
e
0 = 3r21 2r22
1 = 1r21 + 1r22
r11 = 0.2, r12 = 0.2, r21 = 0.4
resultando em
R=
"
r22 = 0.6,
0.2 0.4
0.2 0.6
tal que
tal que
"
0.2 0.4
0.2 0.6
#(
1
2
1
2
Conforme ilustrado em exemplos anteriores, um elemento
(5, 4)
na base
(7, 9) na base tem representao
De fato,
"
0.2
0.4
0.2 0.6
#(
7
9
5
4
pois
7(1, 0) + 9(0, 1) = 5(3, 1) + 4(2, 1).
Exemplo 2 (Operao inversa):

operador
entre a base
e a base
Sejam
tal que
u V ,
P : u u :
u = 1 1 + 2 2
om
V R2 .
Vamos obter o
(6.4)
u = 1 1 + 2 2
onde deve ar laro que
diferentes.
u = u ,
pois o mesmo elemento sendo des rito em duas bases
54
Como
uma base de
V,
ento gera
tal que
1 = p11 1 + p12 2
(6.5)
2 = p21 1 + p22 2
pode ser substituido na segunda linha da Eq.(6.4), resultando em
u = 1 1 + 2 2 = 1 (p11 1 + p12 2 ) + 2 (p21 1 + p22 2 )

e, omo o elemento sendo des rito sempre o mesmo, on lumos que
1 1 + 2 2 = 1 (p11 1 + p12 2 ) + 2 (p21 1 + p22 2 )

ou, separando por termos de
1 1 = p11 1 + p21 2
2 2 = p12 1 + p22 2
tal que
"
tal que os oe ientes
p11 p21
p12 p22
#(
1
2
1
2
sero obtidos por
= P1,
demonstrando que
R = P1 .
Na prti a, se a base
ser
Assim, se
"
= {(1, 0), (0, 1)}
p11 p21
p12 p22
"
anni a, ento a matriz do operador
11 12
21 22
= {(3, 1), (2, 1)},
temos que
(3, 1) = p11 (1, 0) + p12 (0, 1)

(2, 1) = p21 (1, 0) + p22 (0, 1)
do origem a dois sistemas simultneos de equaes (um por linha da equao a ima)
3 = p11
1 = p12
6.4.
MUDANA DE BASE APLICADA A OPERADORES LINEARES
55
2 = p21
1 = p22
resultando em
p11 = 3, p12 = 1, p21 = 2
p22 = 1.
"
P=
tal que
"
3 2
Assim,
3 2
#(
5
4
7
9
Tarefa:
Proponha dois onjuntos de bases para o
R2
e deduza a forma matri ial de
e de
R.
Aps,
valide a soluo e, utilizando os on eitos de isomorsmo, verique porque o operador de

mudana de base isomr o.
6.4 Mudana de Base Apli ada a Operadores Lineares

J vimos que a mudana de base faz om que um vetor
x, observado em uma base i
e des rito
por uma ombinao linear na forma
x=
n
X
i i
i=1
passe a ser des rito por um novo onjunto de oe ientes
x =
n
X
em uma nova base
j ,
tal que
j j .
j=1
Esta operao realizada, em um espao nito dimensional, por um produto
x = Rx
onde
o operador de mudana de base na forma matri ial. A operao inversa des rita
por
x = R1 x.
Se o observador que utiliza a base
vetor
apli ar uma operao linear
por meio da operao
s = Ax
sobre
x,
obtendo um
56
o observador que utiliza a base
ir realizar um operao equivalente, tal que
s =Ax.
interessante notar que podemos apli ar a mudana de base no operador

diretamente o operador
A,
A,
obtendo
pois
s = Ax Rs = ARx
e, multipli ando a equao por
R1 ,
obtemos
s = R1 ARx s = A x
tal que
A = R1 AR.
Exemplo:
Um operador linear des rito, utilizando a base anni a do

matriz
R3 ,
na forma dis reta pela
0 1
A = 2 1 0 .
2 0 1
Supondo que o mesmo observador des reva um valor
na base anni a, omo sendo
x= 2
ento a apli ao do operador no vetor forne e omo resultado
s = Ax = 0 .
Um outro observador, utilizando outra base ir observar

exemplo, o operador de mudana de base for
R=
1
2
1
2
1
2
1
2
om valores diferentes.
Se, por
6.5.
FORMAS LINEARES, BILINEARES E QUADRTICAS
ento o vetor observado ser
57
sqrt2
1
1
.
x = R x = 3 sqrt2
O operador nesta nova base obtido por
3.5
2.5
A = R1 AR =
0.5
1.5
22 22
1
2
1
2
e este observador ir obter, omo resultado da apli ao deste operador em
s =Ax =
3.5
3.5
.
2
Finalmente, podemos observar que ada observador obteve um resultado des rito em sua base,
mas omo sabemos que o operador de mudana de base
R permite des rever
um vetor da nova
base na base anni a, veri amos que
s = Rs = 0 .
6.5 Formas lineares, bilineares e quadrti as

Existem diversos asos na rea de me ni a em que ne essitamos de relaes lineares, bilineares
e quadrti as. Um exemplo de relao quadrti a se d no l ulo da energia de deformao, que
funo quadrti a das deformaes. De forma esquemti a: espao das deformaes>forma
quadrti a->energia de deformao.
Desta forma, importante estudarmos os on eitos
envolvidos e suas propriedades.
Fun ional Linear

Vamos onsiderar um espao vetorial
sob o ampo dos reais e um operador linear
l : U R.
l nada mais do que uma transformao que mapeia para um espao em parti ular, no aso,
R (ou seja, um es alar). Neste ontexto, l hamado de um fun ional linear ou uma forma
linear.
Na literatura, os fun ionais so muitas vezes hamados de
funes de funes.
58
Exemplo: Funes Lineares em RN

Neste aso mais simples, podemos denir um fun ional na forma
l : R R, l(u) =
onde
ai
N
X
ai xi
i=1
so oe ientes.
Exemplo: Integrao
O operador de integrao pode ser visto omo um fun ional linear, pois
l : C[a, b] R, l(f ) =
f (x) dx,
e sabemos que o operador de integrao homogneo e aditivo (portanto linear).
Forma Bilinear
Forma Bilinear:
Sejam
espaos vetoriais om
u, u1 , u2 U , v, v1 , v2 V
R.
B :U V R
que satisfaz:
B(u1 + u2 , v) = B(u1 , v) + B(u2 , v)

B(u, v1 + v2 ) = B(u, v1 ) + B(u, v2 )
B(u, v) = B(u, v) = B(u, v)
hamada de uma
forma bilinear.
interessante notar que se
forem nitos, tais que
u =
i i
v =
ento
B(u, v) =
XX
i
j j
i j B(i , j ) =
XX
i
i j bij
Ento
6.5.
59
que permite a representao matri ial
B(u, v) = T B
om os seguintes resultados
Forma bilinear:
Uma forma bilinear
B(u, v) : U V R
simtri a se
anti-simtri a (skew)
dita:
B(u, v) = B(v, u)
B(u, u) = 0, u U
de tal forma que
Se
simtri a, ento
Se
skew, ento
bij = bji
bij = bji
De omposio Polar:
Toda forma bilinear pode ser representada omo a soma de uma forma simtri a om uma
anti-simtri a
B(u, v) =
1
1
[B(u, v) + B(v, u)] + [B(u, v) B(v, u)] = Bs (u, v) + Bss (u, v)
2
2
Nada melhor do que alguns exemplos:
1)
B : R R R, B(x, y) = xy
2)
B : R2 R2 R, B((x, y), (z, t)) = xz 2yt
3)
B : U V R, om U
espao dos polinmios de ter eiro grau, de base
espao dos polinmios de segundo grau, de base

a forma bilinear omo
B(u, v) =
onde
B(u, v)
1
0
(u v) dx =
{1, x, x2 }.
Assim, se denirmos, por exemplo,
a1 + a2 x + a3 x2 + a4 x3
pode ser olo ada na forma matri ial
60 30
1
30 20
B=
60
20 15
15 12
20
15
12
10
{1, x, x2 , x3 }, e V
b1 + b2 x + b3 x2
dx
60
tal que
B(u, v) =
a1 a2 a3
u = + ,
b1
o 1 30 20 15
a4
b2
60
20 15 12
b3
14 12 10
Exemplo: O tensor gradiente de deslo amento

na forma
60 30 20
u =
ui
admite uma de omposio polar
xj
onde o primeiro termo, parte simtri a, est asso iado a deformao e
o segundo termo, parte anti-simtri a, est asso iado a vorti idade. Esta mesma interpretao
se estende para diversas outras medidas fsi as utilizadas ao longo do mestrado.
Formas Quadrti as
Uma forma quadrti a um fun ional
Q(u)
tal que
Q(u) = 2 (u)
e, por esta denio, observamos que se
uma forma bilinear simtri a
Q(u) = B(u, u) = Bs (u, u)
duas formas bilineares tem a mesma parte simtri a ento geram a mesma
forma quadrti a. Desta forma, aproveitando os exemplos do item anterior, temos que:
tal que se
1)
2)
3)
B : R R R, B(x, y) = xy
gera a forma quadrti a
Q(x) = x2
B : R2 R2 R, B((x, y), (z, t)) = xz 2yt gera a forma quadrtiva Q((x, y)) = x2 2y 2
B : U V R,
om
espao dos polinmios de ter eiro grau. Vamos denir a
seguinte forma bilinear
B(u, v) =
que gera a forma quadrti a
Q(u) =
ou, na forma dis reta
Forma Positivo Denida:

Uma forma quadrti a
70
Q:U R
(3u v) dx
1
0
(3u u) dx
420 210 140 105
210 140 105 84
140 105 84 70
105 84 70 60
positivo-denida se
Q(u) > 0, u U, u (U)

/
Um outro exemplo lssi o de forma quadrti a o fun ional de energia de deformao. Em
6.5.
61
um ponto de um orpo hiperelsti o bidimensional e isotrpi o, a energia interna por unidade

de volume pode ser es rita omo
1
u() = (C33 23 + C22 22 + C22 C12 1 2 + C12 1 2 + C11 21 )
2
onde
so as deformaes e
ontm as propriedades do material.
62
Captulo 7
Produto Interno
O on eito de norma permite estabele er o "tamanho"de um elemento do espao e, ainda, denir a distn ia entre dois elementos quaisquer. O on eito de produto interno permite, por sua
vez, obter uma medida de "ngulo"entre 2 elementos do espao.
Produto Interno (relembrando...):

Seja
U U R que asso ia a ada dois elementos

interno e denotada por (u1 , u2 ) ou < u1 , u2 >.
um espao vetorial linear. A forma bilinear
do espao um es alar hamada de produto
O produto interno deve seguir os seguintes axiomas:
< u1 , u2 >=< u2 , u1 > u1 , u2 U
(simetria)
< u1 , u2 >= < u1 , u2 > u1 , u2 U e R
(homogneo)
< u1 + u2 , u3 >=< u1 , u3 > + < u2 , u3 > u1 , u2 , u3 U

< u, u >> 0 e < u, u >= 0 sse u = 0(positivo
(aditivo)
denido)
Quando um espao vetorial tem produto interno denido, hamamos este espao de
(pr)-
Hilbert
Espao de
(o espao deve ser ompleto, mas veremos este on eito depois) e, portanto, po-
demos interpretar estes espaos de funes omo generalizaes do espao Eu lidiano ao qual
estamos a ostumados a trabalhar.
Espao de (pr)-Hilbert:
Um espao vetorial
um espao vetorial equipado om produto interno e uja norma
kvk =
induzida por este produto interno.
< v, v >
Desta forma, a distn ia entre dois elementos de um
espao de pr-Hilbert dada por
d(v1 , v2 ) = kv1 v2 k =
< v1 v2 , v1 v2 >
interessante notarmos que esta generalizao do Espao Eu lidiano ontempla operao om

63
CAPTULO 7. PRODUTO INTERNO
64
funes. Por exemplo, se onsiderarmos o espao das funes quadrado integrveis

por funes que satisfazem
L2 , omposto
|f |2 d <
onde a integral de Lebesgue, temos o produto interno denido omo
< u, v >=
uvd.
Outro exemplo o espao ponderado

ontnuas
tal que
L2 ,
Z
formado por funes quadrado integrveis e funes
|f |2 w d <
om produto interno
< u, v >=
Exemplo: Sejam as funes
uvwd.
f = sin(x)sin(y)
interno dado por
< f, g >=
1
0
g = x
em
sin(x)sin(y) x dx dy =
L2 [0, 1] [0, 1].
O produto
2
.
2
7.1 Ortogonalidade
De posse da denio de produto interno, podemos avaliar o ngulo entre dois elementos do
espao. Assim, da mesma forma que em um espao Eu lidiano tradi ional, podemos avaliar se
dois elementos so ortogonais.
Ortogonalidade
Dois elementos
de um espao vetorial om produto interno
so ditos ortogonais se
< u, v >= 0
e um onjunto de elementos no nulos
ortogonal, isto
B = {ui }, i = 1..n
dito ortogonal se ada par
i, j
for
i, j
for
< ui , uj >= 0, ui , uj B e i 6= j
e um onjunto de elementos no nulos
ortogonal, isto
B = {ui }, i = 1..n
dito ortonormal se ada par
< ui , uj >= ij , ui , uj B
Assim, om esta denio, podemos estender o on eito do Teorema de Pitgoras, pois se
7.2.
PROJEO
dois elementos
v1
65
v2
forem ortogonais, ento
kv1 + v2 k2 =< v1 + v2 , v1 + v2 >=< v1 , v1 > +2 < v1 , v2 > + < v2 , v2 >= kv1 k2 + kv2 k2
Exemplo: Seja o onjunto
2
B = {cos(nx)}
n=1 L [, ].
Este onjunto ortogonal, pois
cos(nx)cos(mx) dx = 0, m, n [1, ), m 6= n
e podemos veri ar o teorema de Pitgoras para dois elementos quaisquer, pois
kv1 + v2 k =
[cos(nx) + cos(mx)] [cos(nx) + cos(mx)] dx = 2
kv1 k =
[cos(nx)] [cos(nx)] dx = .
Teorema 4. Um onjunto de vetores ortogonais linearmente independente

Seja {ui } um onjunto ortogonal. Assim, se os elementos deste onjunto forem L.I , ento
n
X
i=1
i ui = 0 i = 0 i [1, n].
Desta forma, da propriedade de ortogonalidade, sabemos que

0 =<
n
X
i ui , uj >= 1 < u1 , uj > +2 < u2 , uj > +... + n < un , uj >
i=1
om j [1, n]. Supondo que j = 1, temos

0 = 1 a + 0 + 0 + 0 + 0... + 0 1 = 0, pois a 6= 0
sendo que o mesmo padro se repete para todos os .

interessante notar que dada uma base, podemos gerar um onjunto de vetores ortogonais.
Para isto, utilizamos o pro edimento de ortogonalizao de Gram-S hmidt, que baseado nos
importantes on eitos de
Projeo e Projeo Ortogonal.
7.2 Projeo
Projeo:
Uma projeo
uma transformao linear de um espao em si mesmo tal que
Exemplo ( lssi o) : Considere o operador
tal que
P (x, y, z) = (x, y, 0).
P (P ) = P .
66
Este operador uma projeo do espao tridimensional no plano xy.

uma projeo, mapeia pontos do
propriedade de que
P (P ) = P ,
no prprio
Podemos veri ar que
,e linear (Verique !).
Ainda, da
temos que
P (P (x, y, z)) = P (x, y, 0) = (x, y, 0)

ou, na forma matri ial, podemos es rever que
1 0 0
P = 0 1 0
0 0 0
tal que
1 0 0
1 0 0
1 0 0
P (P ) = 0 1 0 0 1 0 = 0 1 0 = P.
0 0 0
0 0 0
0 0 0
Um aso espe ial de projeo a hamada
Projeo Ortogonal, de fundamental impor-
tn ia para o desenvolvimento do ontedo deste texto e, tambm, base teri a para vrios
mtodos de aproximao que sero vistos no aptulo de Resduos Ponderados.
Projeo Ortogonal:
O operador
proju =
projeta o vetor
vetores no
R2 ,
ortogonalmente em
u.
< , u >
u
< u, u >
Isto pode ser fa ilmente visualizado om o uso de
pois da lgebra I sabemos que
< u, >= kuk kk cos()

tal que
kk cos() =
o tamanho da projeo de
sobre
unitrio om a mesma direo de
u.
A direo de
u
e=
tal que
proju =
< u, >
kuk
u
pode ser representada por um vetor
u
kuk
< , u >
< u, > u
=
u.
kuk kuk
< u, u >
Como de ostume, podemos estender o on eito de ortogonalidade para operadores:
7.2.
PROJEO
67
Projeo Ortogonal:
A projeo
em um espao om produto interno
dita ortogonal se seu al an e (range)
ortogonal ao seu espao nulo
(P ) (P )
ou seja, se
u (P )
v (P ), ento < u, v >= 0.

P (u) (P ) e u P (u) (P ),
De fato, sabemos que
assim
< P (u), u P (u) >= 0

e onsiderando que em um espao nito dimensional
P (u) = Pu,
onde
uma matriz que
representa o operador, ento
< Pu, u Pu >= (Pu)T (u Pu) = uT PT u uPT Pu

que ser zero quando
P = PT
(pois neste aso
PT P = PT ),
ou seja, quando a matriz do
operador for simtri a (ao ser es rita em uma base ortonormal) o que tambm equivale ao fato
de o operador ser auto-adjunto.
Exemplo: A projeo do exemplo anterior uma projeo ortogonal, pois
1 0 0
1 0 0
0 1 0 = 0 1 0 .
0 0 0
0 0 0
Com as denies a ima, podemos estabele er o importante Teorema da Projeo:
Teorema 5. Teorema da Projeo

Seja
um espao om produto interno e
ada elemento
e
v (P );
wV
uma projeo ortogonal em
pode ser es rito ex lusivamente omo
V.
Ento,
w = u + v,
onde
u (P )
kwk2 = kuk2 + kvk2 ;

(P )
(P )
so subespaos lineares fe hados de
(P ) = (P )
V;
(P ) = (P )
Exemplo:
Ainda onsiderando o operador P dos exemplos anteriores, sabemos que para este operador
(P ) = (0, 0, a)
(P) = (u1 , u2, 0).
Assim,
< (0, 0, a), (u1, u2 , 0) >= 0.
68
w
N(P)
R(P)
Figura 7.1: Vetor obtido pela ombinao linear de elementos do espao nulo e do
Podemos onstruir qualquer elemento de
V R3 ,
range.
pois
w = (u1 , u2 , 0) + (0, 0, a)
onforme ilustrado na gura 7.1.
Exemplo: Vamos onsiderar a projeo ortogonal de um vetor
di ada por um vetor
de
sobre
a,
aR
u R3
sobre uma direo in-
(Figura ). Neste aso, a projeo nada mais do que o omprimento
que iremos hamar de
c.
A forma geral seria
Pu = ca
e, sabendo que
u Pu
deve ser perpendi ular a
a,
(7.1)
podemos armar que
0 =< a, u Pu >= aT u aT Pu
e, da Eq. (7.1), podemos es rever
aT u aT ca = 0
e, isolando o omprimento da projeo, obtemos.
c=
Assim, se
u = (0, 6)
aT u
.
aT a
e se onsiderarmos uma linha om direo dada por
c=
10+16
=3
11+11
tal que
Pu = (3, 3)
a = (1, 1),
teremos
7.3.
ORTOGONALIZAO DE GRAMM-SCHMIDT
Figura 7.2: Projeo ortogonal de um vetor
69
sobre uma linha
e, onforme j armamos,
u Pu = (6, 0) (3, 3) = (3, 3)

ortogonal a
a,
pois
< (1, 1), (3 3) >= 3 3 = 0.
7.3 Ortogonalizao de Gramm-S hmidt

A obteno de um onjunto ortogonal ne essria para o desenvolvimento de diversos mtodos
utilizados na me ni a omputa ional. Desta forma, o pro edimento de Gramm-S hmidt de
fundamental importn ia.
{i }ni=1 V
{uk }nk=1 V
Pro edimento de Ortogonalizao de Gram-S hmidt: Dada uma base

apli ar uma transformao que gera uma nova base ortogonal
, podemos
i1
X
< i , uk >
ui = i
uk
<
u
k , uk >
k=1
Exemplo: Seja o onjunto
L.I ,
{1, x, x2 , x3 }
denido no
L2 [1, 1].
Este onjunto sabidamente
mas no ortogonal (verique). No entanto, apli ando o pro edimento de ortogonalizao
temos
{u1 } = 1

< x, 1 >
{u2 } = {x}
1 = {x}
< 1, 1 >

< x2 , x >
1
< x2 , 1 >
2
2
1+
x = x
{u3 } = {x }
< 1, 1 >
< x, x >
3

3
< x , x2 31 >
1
< x3 , x >
< x3 , 1 >
2
3
x
1+
x+
{u4 } = {x }
< 1, 1 >
< x, x >
3
< x2 31 , x2 31 >
n
o
x
= x3
15
70
e podemos veri ar que, por exemplo,

1
x
3
2

Z 1
1
xo
1 n 3
3
2
, x x
x
dx = 0.
=
x
15
3
15
1
Verique os demais valores.

importante salientar que embora tenhamos demostrado o on eito de projeo usando o
, apli amos a ortogonalizao a uma base polinomial sem problemas. De fato, estes on eitos
se apli am a espaos de funes de maneira absolutamente geral (desde que o espao seja dotado
de produto interno).
7.4 Complemento Ortogonal

Complemento Ortogonal:
Seja
um espao om produto interno e
denotado por
sub onjunto de
V.
O omplemento ortogonal de
denido omo
M = {u V :< u, v >= 0, v M}
sendo tambm um sub onjunto de
Exemplo: Seja
V R3
M = {v}
V.
no nulo. O omplemento ortogonal de
todos os vetores que so ortogonais a

que ortogonal a
Exemplo:
gonal de
Seja
omposto por
e, portanto, forma um plano que passa pela origem e
Visualize !
V R3
M = {v1 , v2 }
no nulos e no paralelos.
O omplemento orto-
omposto por todos os vetores que so ortogonais ao mesmo tempo a
Desta forma,
Exemplo: Seja
v.
formado pela interseo dos omplementos ortogonais de
S R3
um subspao gerado por
pode ser representado por
{(1, 0, 1), (0, 2, 3)}.
v1 e v2 .
v1 e a, v2 .
Visualize !
Um elemento tpi o de
3
s = (1, 0, 1) + (0, 2, 3) = (s1 , s2 , s1 + s2 )
2
pois
s1 =
s2 = 2
s3 = + 3
Assim, o omplemento ortogonal de
pode ser denido por um vetor genri o
(x1 , x2 , x3 )
7.4.
COMPLEMENTO ORTOGONAL
71
tal que

3
< x, s > = 0 = x1 s1 + x2 s2 + x3 s1 + s2
2

3
0 = (x1 + x3 ) s1 + x2 + x3 s2
2
tal que
permite veri ar que
x1 + x3 = 0
x2 + 23 x3 = 0

3
3
S = x R : x = x3 , x3 , x3
2
TESTE para diferentes valores e verique a ondio de ortogonalidade.
72
Captulo 8
Autovalores e Autovetores
Se
um operador es rito em termos de uma base qualquer, ento existe uma base no qual a
representao dis reta de

na operao
T :U V
A, A,
diagonal. No
R2 ,
por exemplo, isto fa ilmente visualizado
representada pela matriz
A=
tal que
!
a b
b c
(
)
au1 + bu2
Au =
.
bu1 + cu2
Uma outra forma de apresentar a MESMA operao, porm em outra base, seria realizada
om o operador
diagonal, tal que
A =
tal que
Au =
A forma diagonal de
A, A
1 0
0 2
(
1 u 1
2 u 2
onhe ida omo
forma anni a
do operador (neste aso,
Nesta forma anni a, a laro que se A for positivo denida, ento os

oe ientes 1 e 2 sero positivos.
no
) .
Como desenvolvido no Captulo 6.4, sabemos que a mudana de base de um operador

realizada pela operao
A = R1 AR,
onde
o operador de mudana de base. O problema aqui que no onhe emos o operador
de mudana de base que permita obter a forma diagonal do operador e nem os valores de
A determinao desta mudana de base espe a
R=
e do operador diagonal asso iado,
o objetivo de uma lasse de problemas muito til, hamada de problema de autovalores e
autovetores.
73
CAPTULO 8. AUTOVALORES E AUTOVETORES
74
Vamos a uma denio um pou o mais tradi ional:
Autovalores e Autovetores:
Considere a transformao
T :U V,
na forma
T (u) = u.
Como toda a transformao linear nito dimensional pode ser es rita pela multipli ao de
uma matriz por um vetor, ento
T (u) : Tu = u
que pode ser es rita na forma
(T I) u = 0.
Assim, des artando a soluo trivial
u = 0, o problema homogneo denido pela equao a ima
tem soluo se e somente se
det (T I) = 0
resultando em um polinmio de grau
(dimenso da forma dis reta do operador). As razes
autovalores (ou valores ara tersti os) do operador

igualdade Tui = i ui so hamados de autovetores.
so hamadas de
satisfazem a
Nesta denio, utilizamos o on eito de
determinante
e os vetores
ui
de uma matriz. Vamos formalizar:
que
75
Seja uma matriz M de dimenses n n, asso iada a um espao V .

Denimos o determinante de M ou det(M) omo sendo o operador linear det : V R omo sendo o
uni o operador que satisfaz os seguintes requisitos:
Determinante de uma matriz:
O determinante da matriz identidade igual a 1;

O determinante depende linearmente de ada oluna da matriz;
O determinante tro a de sinal se tro armos a posio de duas olunas da matriz,
ou, de maneira alternativa, podemos armar que det(M) uma funo multilinear e alternada das
olunas de M. Ainda, temos as seguintes propriedades do determinante:
O determinante de uma matriz zero se e somente se a matriz for singular (no admitir inversa);
O valor do determinante de uma matriz no alterado se adi ionarmos um multiplo de uma
oluna a outra oluna da matriz;
O determinante da matriz e de sua transposta so iguais;

O determinante multipli ativo, isto , det(AB) = det(A)det(B)
Sugiro fortemente a leitura do texto www.axler.net/DwD.pdf, que trata sobre a denio de determinantes e sua pertinn ia e tambm a leitura da pgina
http://www. lisnotes. om/study_guide/
Denitions-of-the-Determinant.topi Arti leId-20807,arti leId-20797.html
que apresenta duas denies bem didti as sobre este on eito.
Interpretao geomtri a do determinante:
Seja
uma matriz
2 2,
na forma
M=
"
u1 u2
v1 v2
onde ada linha ontm os oe ientes de um vetor em uma determinada base. A rea om
sinal do paralelogramo denido por estes vetores igual ao determinante da matriz. De fato,
da lgebra sabemos que a rea do paralelogramo dada por
i j k
A = ku vk = u1 u2 0 = u1 v2 v1 u2
v1 v2 0
22 dado por u1 v2 v1 u2 . Estendendo este on eito para
3 dimenses, temos que o determinante de uma matriz 33 igual ao volume do paraleleppedo
denido por trs vetores u, v e w , ou seja ku v wk (produto misto).
e que o determinante de uma matriz
Observem que a denio de autovalor e autovetor est de a ordo om as denies das

Eqs. (
??)
e (
??),
pois neste aso,
pode ser visto omo uma das olunas de
um dos
76
elementos da matriz diagonal
Desta forma, podemos armar que um dado autovalor
dos vetores bases da transformao que diagonaliza

da matriz diagonal
autovetores
u um
A e que o autovalor a posio asso iada
Desta forma, podemos veri ar que a matriz
ujas olunas so os
tem olunas linearmente independentes. Expandindo estes termos, veri amos
que
T = = 1 T
Exemplo: Seja o operador
T : R3 R3
T (x, y, z) = (3x y + z, x + 5y z, x y + 3z)

que tem a forma matri ial
pois
3 1 1
T = 1 5 1 ,
1 1 3
.
T (x, y, z) = 1 5 1 y
z
1 1 3
A equao ara tersti a asso iada a este operador obtida por meio da operao
1 0 0
det 1 5 1 0 1 0 = 0
0 0 1
1 1 3
resultado em
3 + 112 36 + 36 = 0
om razes
1 = 2 , 2 = 3
obtidos por
tal que
3 = 6 .
Os autovetores asso iados a ada um dos autovalores so
3 2 1
1
u1
1 : 1 5 2 1 u2
u3
1
1 3 2
u1
u2
+u3 = 0
u1 +3u2 u3 = 0
u1
u2
+u3 = 0
=
0
0
1
77
tem innitas solues, na forma
resulta em
u1
a
=
u2
0
u3 1
a
, a R
3 3 1
1
u1
2 : 1 5 3 1 u2
u3
1
1 3 3
e nalmente,
resulta em
u1
u2
u3
36
3: 1
1
b
=
b
b
2
=
0
0
2
, b R
u1
=
0
5 6 1 u2

0
u3 3
1 3 6
1
u1
=
u2
2c , c R.
u3 3
c
Assim,
1
3
1
3
1
3
1
2
0
12
1
6
26
1
6
tem olunas que satisfazem as solues obtidas e que so

foram es olhidos para que a norma
L.I
(verique). Os valores de
de ada um dos vetores base fosse unitria.
Conforme a teoria de mudana de bases que vimos antes, temos que
2 0 0
1 T = 0 3 0
0 0 6
a forma diagonal de
T.
Exemplo
Um operador linear des rito, utilizando a base anni a do
R3 ,
na forma
a, b
78
4 0 1
A = 2 1 0
2 0 1
e tem autovalores
1 = 1 , 2 = 3
3 = 2
e autovetores
3
0
31
3
= 1 33 23 .
0 33 23
Supondo que o mesmo observador des reva um valor
na base anni a, omo sendo
x= 2
ento a apli ao do operador no vetor forne e omo resultado
s = Ax = 0 .
Um outro observador, utilizando a base que diagonaliza o operador (autovetores) ir observar
omo sendo
1
x = x = 8, 66
12
e este observador ir obter, omo resultado da apli ao do operador diagonalizado em
1
1
1 0 0
s = A x = 0 3 0 8, 66 = 25, 98 .
12
24
0 0 2
Finalmente, podemos observar que ada observador obteve um resultado des rito em sua base,
mas omo sabemos que o operador de mudana de base
diagonalizada na base anni a, veri amos que
s = s =
0 .
permite des rever um vetor da base
8.1.
AUTOVALORES E AUTOVETORES REAIS
79
Tarefas:
1) Comente a frase: Um autovetor
perten e ao
kernel
do operador
2) Determine os autovalores e autovetores dos operadores:
(T I)
T : R2 R2 , T (x, y) = (3x, 8x y)
T : R3 R3 , T (x, y, z) = (3x, 2y, y + 2z)
8.1 Autovalores e Autovetores Reais

Como os autovalores so razes do polinmio ara tersti o, a laro que, sob determinadas
ondies, podemos ter razes (autovalores) omplexos. Da mesma, forma, ao solu ionarmos o
sistema linear homogneo om
omplexo, podemos ter autovetores omplexos. No entanto,
se a matriz for Hermitiana, podemos provar que os autovalores sero reais.
Matriz Hermitiana
Uma matriz
dita Hermitiana se for auto-adjunta, ou seja, se
A=A
onde
o onjugado transposto da matriz (aij
=a
ji ),
ou seja, as posies diagonais so reais
aij + bij i = aji bji i. Se a matriz

T
ser simtri a, isto , A = A .
e as posies fora da diagonal so tais que

onjugado se reduz ao fato de a matriz
real, o omplexo
Exemplo:
A matriz
1
2 + i 1
A = 2 i
3
3i
1
3i
2
Hermitiana e seus autovalores so

autovetores
1 = 1, 9359708, 2 = 1, 8748776
3 = 6, 0610932
om
0, 4666037 0, 3527762i 0, 4221890 + 0, 6140749i 0, 0032597 0, 3201372i
= 0, 1175921 + 0, 5766664i 0, 2046916 + 0, 1662744i 0, 1067124 0, 7567659i ,
0, 5580841
0, 6124726
0, 5598387
que, omo esperado, diagonaliza a matriz.
8.2 Multipli idade de Autovalores

Nos exer ios propostos na seo anterior, podemos veri ar que possvel obter autovalores
idnti os (mltiplos autovalores). Por exemplo,
T : R3 R3 , T (x, y, z) = (3x, 2y, y + 2z)
tem
80
autovalores
1 = 2 = 2
3 = 3 ,
de tal forma que o autovalor
apare e duas vezes. Neste
aso, dizemos que existe uma multipli idade do autovalor.
Vamos investigar dois exemplos:
1) O operador
1 = 2 = 2
tem omo autovalores
4 2 2
A = 2 4 2
2 2 4
3 = 8
e seus autovetores so
1
1 1
= 1 1 1 ,
2 0 1
que so linearmente independentes. Substituindo o autovalor

a matriz
que tem
Rank
igual a
1 e nullity
igual a
2 2 2
2 2 2
2 2 2
2.
1,2 na expresso AI, obtemos
Assim, veri amos que a
Multipli idade Geom-
tri a do autovalor 1,2 = 2 dada pela dimenso do espao nulo, ou seja, 2 (tambm hamado
de nmero de parmetros livres do sistema de equaes). Observe que a multipli idade geomtri a do autovalor , neste aso, igual ao nmero de vezes em que o autovalor apare e (se
repete). Da mesma forma, substituindo o autovalor
matriz
4 2
2 4
2
que tem
Rank
valor igual a
(
igual a
nullity
igual a
1.
3 = 8
na expresso
A I,
obtemos a
2
4
Assim, a multipli idade geomtri a deste auto-
que , neste aso, igual ao nmero de vezes em que o autovalor se repete
Multipli idade Algbri a).
Devido ao fato de a multipli idade geomtri a de
todos
os
autovalores desta matriz serem iguais ao nmero de vezes em que o autovalor se repete, veri amos que possvel utilizar os autovetores omo um operador de mudana de base, ou seja,
diagonalizar a matriz
2) O operador
por meio da operao
1 A.
3 0 0
B = 0 2 0
0 1 2
8.3.
SUBESPAOS PRPRIOS
tem omo autovalores
81
1 = 2 = 2
3 = 3 .
Sua matriz de autovetores dada por
= 0
0 ,
0
0
1 1 0
que posui duas olunas linearmente dependentes.

expresso
que tem
B I,
Rank
obtemos a matriz
igual a
nullity
igual a
1 = 2 = 2
3 = 3
1.
Assim, a multipli idade geomtri a deste autovalor
na expresso
0 0
0 1
0
que tambm tem
Rank
igual a
na
1 0 0
0 0 0
0 1 0
que, neste aso, no igual ao nmero de vezes no qual o autovalor apare e,
vez, a substituio do autovalor
substituindo o autovalor
nullity
B I
2.
Por sua
resulta na matriz
0
1
igual a
1,
tal que sua multipli idade geomtri a
que, neste aso, igual ao nmero de vezes em que o autovalor repetido.
Desta forma,
devido ao fato de no termos a igualdade entre a multipli idade geomtri a e o nmero de

vezes em que o autovalor repetido para
diagonalizvel pela operao
todos os autovalores, veri amos que o operador no
1 A.
Multipli idade Algbri a de um autovalor

o nmero de vezes em que este autovalor repetido e a Multipli idade Geomtri a de um
Assim, dos exemplos, podemos notar que a
autovalor o grau de indeterminao do sistema

livres no sistema de equaes,
nullity
(A i I) X = 0
(o nmero de parmetros
ou dimenso do espao nulo). Ainda, podemos veri ar
que a multipli idade geomtri a sempre menor ou igual a multipli idade algbri a.
8.3 Subespaos Prprios

O onjunto
dos autovetores asso iados a um autovalor
denido por
U = {X : AX = X}
de onde a laro que a multipli idade geomtri a de
nullity
do operador
A I.
Estes
autovetores formam uma base para um subespao, hamado de Subespao Prprio do autovalor
.
Exemplos:
1) O operador
82
tem autovalores
1 = 2 = 0
3 = 1 .
1 0 0
A = 2 0 0
3 0 0
Os autovetores asso iados a estes autovalores so
0 0 0, 2672
= 0 1 0, 5345 .
1 0 0, 8018
Avaliando-se a dimenso do espao nulo de
algbri a deste autovalor.
A 0I,
obtm-se
2,
que igual a multipli idade
Com isto, pode-se veri ar que os autovetores
formam uma base (os vetores so L.I.) para um espao de dimenso

vetores que formam
U0
2,
(0, 0, 1)
(0, 1, 0)
tal que o onjunto de
dado por
U0 = a 0 + b 1 , a, b R
1
0
assim omo o autovetor asso iado ao autovalor
que forma o onjunto
0,
2672
U1 = a 0, 5345 , a R .
0, 8018
2) O operador
tem
3 = 1 ,
autovalores iguais a
5 1 0
A = 0 5 1
0 0 5
om autovetores
1 1 1
= 0 0 0 .
0 0 0
A multipli idade geomtri a deste autovalor
(verique), tal que o mesmo no diagonali-
zvel. Outra onsequn ia importante o fato de os autovetores asso iados ao autovalor no

formarem uma base adequada para o subespao prprio de
armente dependentes.
dimenso, pois
= 5,
pois os mesmos so line-
De fato, podemos veri ar que o subespao prprio tem apenas uma
U5 = a 0 , a R ,
8.4.
PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES
83
o que justi a a falta de informaes para realizar a diagonalizao do operador.
8.4 Problema Generalizado de Autovalores e Autovetores

Um problema generalizado de autovalores e autovetores tem a forma
Ax = Bx
B = I.
tal que a forma padro obtida quando
(8.1)
Os valores de
e x que satisfazem esta equao
so obtidos pelo mesmo pro edimento desenvolvido no omeo desta seo, pois
(A B) x = 0
leva a ondio
det (A B) = 0.
A e B forem auto-adjuntas (que no aso de matrizes reais impli a em simetria)
positivo denida, ento as olunas de (autovetores) podem ser es ritas omo um
Se as matrizes
e se
for
onjunto ortogonal.
Um aso espe ial o orre quando a matriz
por
B inversvel, pois podemos multipli ar a Eq.
8.1
, obtendo
B1 Ax = B1 Bx
ou
Cx = Ix = x,
om
C = B1 A.
A expresso obtida tem a mesma forma que o problema de autovalores e
autovetores tradi ional estudado ao longo deste aptulo, tal que os autovalores e autovetores
de
satisfazem a equao generalizada.
Exemplo:
Seja o problema generalizado de autovalores e autovetores denido por
A=
!
10 5
6 15
B=
!
4 1
.
2 6
Os autovalores deste problema podem ser obtidos por
det
"
10
15
resultando no polinmio ara tersti o
4 1
2 6
!#
=0
p() = 222 104 + 120
om razes (autovalores)
84
1 = 2, 7272
2 = 2 .
Os autovetores orrespondentes podem ser obtidos pela soluo dos
problemas homogneos
(A 1 B) u = 0
e
(A 2 B) v = 0,
resultando em
u1 v1
u2 v2
=
Como, neste exemplo, a matriz
2, 5 1, 5
.
1
1
inversvel
B1 =
podemos obter a matriz
1
22
3
11
1
11
2
11
C = B1 A,
C=
27
11
2
11
15
22
25
11
tal que o problema de autovalores e autovetores na forma tradi ional,
det (C I) x = 0
resulta no polinmio ara tersti o
p() = (2.2727 1.0 ) (2.4545 1.0 ) 0.1239

om razes
1 = 2, 7272
2 = 2 ,
om os mesmos autovetores obtidos anteriormente. Neste
aso, omo esperado, observamos que
1 C =
2, 72 0
0
8.4.
PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES
85
Tarefas:
1) Veri ar se os vetores dados so autovetores
(2, 1) para
(resp. Sim)
2 2
1 3
1 1 0
(2, 1, 3) para 2 3 2
1 2 1
(resp. No)
2) Os vetores
(1, 1) e (2, 1) so autovetores
5 e 1,
T (4, 1) = (8, 11).
autovalores
"
de um operador linear
respe tivamente. Determinar
T (4, 1).
(Resp.
T : R2 R2
T (x, y) = (x + 4y, 2x + 3y)
T : R2 R2 ujos autovalores so 1 e 3, asso iados

V1 = {(y, y), y R} e V3 = {(0, y), y R}. (Resp. T (x, y) = (x, 2x + 3y))
3) Determinar o operador linear

autoespaos
asso iados aos

e
aos
4) Determinar os autovalores e autovetores dos seguintes operadores lineares
T (x, y) = (x + 2y, x + 4y)

T (x, y) = (y, x)
(Resp.
a)2 e
, b) no possui autovalores reais.
Investigue o motivo e observe a forma
matri ial deste operador.
5) Determinar um onjunto de vetores base que diagonalize o operador
T (x, y) = (3x 5y, 2y)

Resp.
{(1, 1), (1, 0)}
6) Veri ar se existe uma base de autovetores para
T (x, y, z) = (x + y + z, 2y + z, 2y + 3z)
T (x, y, z) = (x, 2x + 3y z, 4y + 3z)
Resp. a) Sim e b) No.
7) Determine os autovalores e autovetores do operador
y, 2x + z).
T : R3 R3 , T (x, y, z) = (4x+z, 2x+
O operador diagonalizvel ? Resp: No diagonalizvel.
86
Captulo 9
Continuidade
O on eito de ontnuidade fundamental para estudarmos pro edimentos de soluo utilizados

na me ni a omputa ional. Este on eito intuitivo quando pensamos em funo (geralmente
este on eito dis utido nos ursos de Cl ulo I), e pode ser fa ilmente estendido para o nosso
estudo sobre operadores.
Continuidade de uma Funo:

Seja
que
f : X Y.
Esta funo dita
contnua
em x0 X
se para ada
>0
existe
>0
tal
|f (x0 ) f (x)| <

onde
|x0 x| <
e
dita ontnua se for ontnua em
ou seja, se nos deslo armos um valor

ter variao maior do que
T ODOS
os pontos de
no entorno do ponto
x0 ,
X.
ento o valor da funo no
Em se tratando de operadores,
Continuidade de um Operador:
Seja
T :U V
um operador entre os espaos normados
existem um nmero
M >0
V. T
dito ontnuo
em U
tal que
kT u1 T u2 kV M ku1 u2 kU , u1 , u2 U
onde deve ar laro que a ontinuidade de um operador depende das normas empregadas.
87
se
CAPTULO 9. CONTINUIDADE
88
Operador Limitado:
Um operador
dito limitado (
bounded ) se
existe
M >0
tal que
kT ukV M kukU , u U
e, se o operador for linear, ento ser ontnuo e ser limitado signi am a mesma oisa.
Como prova, onsideramos dois elementos de um espao linear,
u1
u2 .
Assim, por ser linear,
o operador admite
kT (u1 + u2 )kV M ku1 + u2 kU

onde
u1 + u2
pode ser interpretado omo um outro elemento
Exemplo: Seja
u 3 , u 3 ).
T : R3 R3
qualquer de
uma transformao linear denida por
Considerando a norma Eu lidiana, temos que
U.
T (u) = (u1 + u2 , u2

1
kT uk2 = (u1 + u2 )2 + (u2 u3 )2 + u23 2
o lado esquerdo da desigualdade

1
kuk2 = u21 + u22 + u23 2 .
tal que
(u1 + u2 )2 + (u2 u3 )2 + u23
Elevando ambos os lados ao quadrado, temos
12

1
M u21 + u22 + u23 2

(u1 + u2 )2 + (u2 u3 )2 + u23 M 2 u21 + u22 + u23
que pode ser re-es rito omo

u21 + 2u22 + 2u23 + 2u1 u2 2u2 u3 M 2 u21 + u22 + u23 .
interessante notar que para

ou quando
u3 ),
M 2 a desigualdade satisfeita ( aso limite quando u2
de tal forma que o operador limitado.
89
Seja
um espao linear normado e
oe iente
i , i = 1..n
na expresso
{k }, k = 1..n
u=
limitado se existe um nmero
M >0
um onjunto de bases de
V.
Ento, ada
i i
tal que
|i | M kuk
ou seja, ada omponente do vetor menor ou igual a uma onstante multipli ada pela norma
do vetor.
Exemplo:
M = 1,
Seja V RN
e seu onjunto de base anni a
{ei }.
Neste aso, temos que
pois a norma sempre maior ou igual ao valor de suas omponentes.
90
CAPTULO 9. CONTINUIDADE
Captulo 10
Sequn ias
Uma sequn ia no
RN
nada mais do que uma funo de
em
RN ,
na forma
(x1 , x2 , ....) ou, de form mais ompa ta (xk ). Uma sequn ia famosa a srie
Fibona i, (xk ) = (1, 1, 2, 3, 5, 8, 13, ....) que denida por (1, 1, xk1 + xk2 ). Sequn ias
om notao
de
X : N RN ,
podem ser somadas termo a termo e at multipli adas termo a termo.

Exemplo: Sejam duas sequn ias de Fibonna i
(xk )
(yk ).
Ento:
(xk ) + (yk ) = (x1 + y1 , x1 + y2 , ...)

e
(xk ) (yk ) = (x1 y1 , x1 y2 , ...).

Sequn ias so utilizadas para des rever o omportamento de funes a medida que o ndi e
( ontador) aumenta ( on eito de limite). Assim:
Limite de uma sequn ia:
S = (xk ). Dizemos que x RN limite de S se para todo > 0 existe

kx xK k < para todo k > K . A notao para este omportamento xk x
Seja uma sequn ia
KN
tal que
ou,
x = lim xk
k
Sequn ias Convergentes e Sequn ias Divergentes:

Se uma sequn ia
S = (xk )
possui limite, ento dita onvergente.
Do ontrrio, dita
divergente.
Exemplo: Considere a sequn ia

onvergente.
S =
1
. Esta sequn ia tem limite em
k
Exemplo: A srie de Fibona i divergente.
91
e, portanto,
CAPTULO 10. SEQUNCIAS
92
Uni idade do Limite:

Uma sequn ia
pode ter no mximo um limite.
Sequn ia Limitada:
Seja uma sequn ia
S.
Esta dita limitada se existe um nmero real
tal que
kxk k M, k N.
importante ressaltar que toda a sequn ia onvergente limitada.
Tivemos o uidado de denir os on eitos a ima para o
RN ,
de modo que quem mais
laros em um primeiro momento. Mas omo temos visto neste texto, todas as denies so
estensveis para espaos de funes. Vamos generalizar.
Convergn ia
de
uma
funo:
Uma
unif ormemente convergente para f0 em

dependente de mas no de u, tal que
sequn ia
um domnio
de
{fn } dita
> 0 existe N > 0,
funes
se, para ada
|fn (u) f0 (u)| < , n > N e u

e, neste aso, es revemos
lim fn (u) = f0
n
Exemplo: Seja uma sequn ia denida por
fn (n) =
que a sequn ia onvergente e tem limite em
e vamos sele ionar um
n>M =
0.
1
(ou seja,
n
1/1, 1/2, 1/3....).
Vamos mostrar
Para isto,

1
0 <

n
1
, que hamaremos de
tal que

< .
Quando lidamos om operadores, onsideramos
+ .
Neste aso, a sua inversa ser
93
Convergn ia de um operador:
{Tn } dita unif ormemente convergente para T0 em um domnio

N > 0, dependente de mas no de u, tal que
Uma sequn ia de Operadores
se, para ada
>0
existe
|Tn (u) T0 (u)| < , n > N e u

e, neste aso, es revemos
lim Tn (u) = T0
Um on eito de fundamental importn ia para a rea de me ni a omputa ional o de

onvergn ia fra a. A onvergn ia de uma sequn ia foi denida de a ordo om uma norma,
que indi a que a distn ia entre o limite da sequn ia e um valor esta ionrio de res e at que
kun uk < .
un no seja mas um
(weak convergence).
No entanto, possvel que
aso, dizemos que a onvergn ia fra a
fun ional de
un
o seja. Neste
Convergn ia Fra a (weak convergence):

Seja uma sequn ia
{un }
em um espao de(pr)
onvergente para um ponto
em
Hilbert H .
Esta sequn ia dita fra amente
se
< un , v >< u, v >, v H

e, neste aso, empregamos a notao
un u.
Desta forma, observamos que
kuk lim inf kun k

n
Exemplo: A sequn ia
un (x) = sin
n
x
2
x [0, ]
em
L2
ir apresentar diversas passagens
por zero ao longo do intervalo, a medida que aumentarmos sua frequn ia
(n).
no signi a que ela ir tender para a FUNO zero, que iremos hamar de
< un (x) z(x), un (x) z(x) > 2 =

no ir apresentar um valor
< ,
sZ
pois
q
limn
sin( n)
n
sin
No entanto, isto
z(x) = 0,
2
n
x 0 dx
2
pois
94
no ir onvergir om
n .
No entanto,
lim < un , v >= lim
n
independente de
v,
sin
pois amos sempre om um
n
x v(x) dx 0
2
no denominador. Portanto, dizemos que
un 0
A onvergn ia fra a muito importante, pois omo o nome diz, impli a em uma medida
mais "tolerante"do on eito de onvergn ia.
importante ressaltar que se uma sequn ia
onverge fortemente (na norma) ento tambm onverge fra amente.
10.1 Sequn ias de Cau hy

Dada um sequn ia
{x}k ,
dizemos que a mesma de
forem arbitrariamente prximos a medida que
Cau hy
se os elementos desta sequn ia
aumenta (a medida que a sequn ia se desen-
volve). Matemati amente, temos que
Sequn ia de Cau hy:

Um sequn ia
{x}k
dita de Cau hy se existem
>0
m, n > N
tal que:
|xn xm | < .
O interessante sobre a sequn ia de Cau hy vem do fato de que toda a sequn ia onvergente
de Cau hy.
Assim, se provarmos que uma sequn ia tem ao menos uma sub sequn ia de
Cau hy, ento a ongurada a prova de que a mesma onvergente.
Geralmente esta a
abordagem utilizada na maioria das provas. Outra ara tersti a interessante sobre sequn ias
de Cau hy vem do fato de que utilizamos esta des rio para analizarmos a onvergn ia de
algoritmos.
Exemplo: Dada a sequn ia
{xn } =
f il veri ar que o limite para
3n2 2
4n3 + n2 + 3
n zero.
No entanto, a denio da sequn ia de Cau hy
no ne essita do l ulo do limite. Assim, utilizando a desigualdade triangular
e, para

2
3m2 2 3n2 2
3m2 2
3n
2

4m3 + m2 + 3 4n3 + n2 + 3 6 4m3 + m2 + 3 + 4n3 + n2 + 3 6
su ientemente grandes, observamos que
3
3m2 3n2
+
=
4m3 4n3
4
1
1
+
m n
<
1
1
+
m n
10.2. ESPAO COMPLETO

pois
3
4
< 1.
Assim, se
95
m = n = N,
observamos que
1
1
2
+
=
6 .
N
N
N
Exemplo: Dada a sequn ia
{xn } = 1 + (1)n = 0, 2, 0, 2, 0, 2, ...

f il veri ar que a mesma no onvergente. Utilizando a desigualdade triangular
|(1 + (1)m ) (1 + (1)n )| 6 |1 + (1)m | + |1 + (1)n | 6

e, assumindo
m = n = N,
2 + 2(1)N 6 .
Assim, isolando
em funo de
obtemos
log 2 1
N=
log(1)
que no real, tal que a sequn ia no de Cau hy.
10.2 Espao Completo

Se todas as sequn ias onvergem para elementos dentro do espao, ento dizemos que o mesmo
ompleto. Este on eito muito importante, uma vez que est asso iado a apa idade de
obtermos efetivamente o limite de uma seqn ia. Por exemplo: A sequn ia
denida no intervalo
(0, K),
onde
xn =
1
pode ser
n
um nmero positivo maior do que 1. Esta sequn ia
laramente de Cau hy, mas seu limite onverge para um elemento fora do domnio (espao).
Outro exemplo lssi o ser dis utido no aptulo sobre Sries de Fourier, onde ser demonstrado
que uma sequn ia de funes ontnuas pode onvergir para uma funo ontnua por partes.
Um outro exemplo lssi o a sequn ia
x0 = 1, xn+1 =
1
xn
+
2
xn
que formada por nmeros ra ionais, mais onverge para
2, que um nmero irra ional.
Isto
omprova que o onjunto dos ra ionais no ompleto, ne essitando assim da denio dos
nmeros irra ionais, que
ompletam os ra ionais, formando o Espao dos Nmeros Reais.
96
Captulo 11
Srie de Fourier
J vimos que espaos vetoriais so a extenso dos on eitos asso iados a um espao que
bastante onhe ido (e intuitivo), omo o
RN .
Desta forma, denimos e trabalhamos om
on eitos fundamentais, omo o de funo, operadores, norma, produto interno e sequn ias.
De fundamental interesse para os nossos estudos em fundamentos de matemti a uma srie
de funes espe ialmente importante, onhe ida omo Srie de Fourier.
Seja um onjunto
C 0 , das funes ontnuas, denidas no intervalo [L, L].
Se este onjunto
for munido das operaes binrias bsi as denidas anteriormente, ento onstitui um espao
de dimenso innita ( ardinalidade da base innita), om produto interno denido por
< u(x), v(x) >=
u(x)v(x) dx
e norma Eu lidiana
1
kuk2 =< u, u > 2 .

Conforme j estudamos, existem diferentes bases para um mesmo espao. Das diversas normas
dais quais podemos dispor para des rever as funes ontnuas
C 0,
uma de interesse espe ial.
Este onjunto base dado por
n
nx o n
nx o
1
cos
sen
, n N
B=
2
L
L
e, NESTA BASE ESPECFICA, um elemento do espao
linear do tipo
C0
des rito por uma ombinao
nx
nx X
1 X
+
bn sin
an cos
u = a0 +
2 n=1
L
L
n=1
onde o somatrio vai a innito, pois esta a ardinalidade da base (a ombinao linear impli a
em usar todos os termos da base, pois esta a dimenso do espao).
Os oe ientes da srie so obtidos por meio das projees da funo nas direes denidas
97
CAPTULO 11. SRIE DE FOURIER
98
pela base. Desta forma, se hamarmos os termos da base de
B = {c0 } {cn } {sn } , n N

ento
a0
an
bn
Z
2 L u(x)
hu, c0 i
=
dx
=
hc0 , c0 i
L L 2
Z
hu, cn i
1 L
u(x)cn (x) dx
=
=
hcn , cn i
L L
Z
hu, sn i
1 L
=
u(x)sn (x) dx
=
hsn , sn i
L L
tal que

X

n
n
kx
kx
1 X
bk sin
ak cos
+
.
fn (x) = a0 +
2 k=1
L
L
k=1
Teorema 6. Teorema de Fourier
Seja f : [L, L] R uma funo derivvel por partes. Ento, em um ponto x (L, L) a
+
(x )
srie de Fourier onverge fortemente para fn (x) = f (x )+f
. Nos extremos x = L e x = L,
2
temos as seguintes situaes:
se
for peridi a om perodo igual a
se
no for peridi a, ento
fn
L,
ento
fn (L) = fn (L) = f (L)
onverge para a mdia dos valores laterais, ie,
fn =
f (L+ + L )
2
importante omplementar a denio a ima om as hamadas ondies de Diri hlet.

Estas 3 ondies devem ser observadas para que uma funo seja orretamente des rita pela
srie de Fourier:
Teorema 7. Condies de Diri hlet
Uma funo f (x), para ser des rita por uma srie de Fourier, deve satisfazer as seguintes
ondies:
R
A funo deve ser absolutamente integrvel, ie,
No podem existir innitos pontos de mximo e/ou de mnimo. Um exemplo que no
No podem existir innitas des ontinuidades.
ientes sero limitados;
atende a este requisito a funo
f (x) = sin
|f (x)|dx < ,
quando
x 0;
impli ando que os oe-
99
Exemplo:
f (x) = x2 ,
x [1, 1]. Obviamente, a representao desta

0
funo na base que est sendo dis utida ser EXATA para n , pois f (x) C . No entanto,
Vamos onsiderar a funo
para
omo exer io vamos estudar o omportamento da aproximao a medida que aumentamos o
nmero de termos na ombinao linear.

A) Um termo (n=0):
Neste aso,
f0 =
a0
, om
2
a0 =
2
(1)
R1
x2 12 dx =
2
. Portanto,
3
f0 = 13 .
B) Termo onstante mais os primeiros trigonomtri os (n=1):

Neste aso,
f1 =
1
3
x
L
+ a1 cos
a1
b1
+ b1 sin
x
, om
L
Z
x
1 1 2
4
=
dx = 2
x cos
1 1
L
Z 1
x
1
dx = 0
x2 sin
=
1 1
L
tal que
x
4
1
f1 = 2 cos
3
1
C) n=2
f2 =
cos (2 x) 4 cos ( x) 1
+
2
2
3
D) n=3
f3 =
4 cos (3 x) cos (2 x) 4 cos ( x) 1

+
+
9 2
2
2
3
E) n = 4
f4 =
cos (4 x) 4 cos (3 x) cos (2 x) 4 cos ( x) 1
+
4 2
9 2
2
2
3
tal que as aproximaes podem ser visualizadas na Figura (11.1)

e, se gra armos o erro de ada aproximao ao longo do intervalo, tal que
fn (x)x2
observaremos o omportamento da Figura (11.2).
fn (x)
erron (x) =
100
Figura 11.1: Aproximaes para a funo
Figura 11.2: Erros entre

x2 , n = 0, 1, 2, 3 e
funo
5%
4.
5%
x2 ,
para
n = 0, 1, 2, 3
(para fa ilitar a visualizao) das aproximaes para a
101
Figura 11.3: Funo original , extenso par e extenso impar
Funes Pares e Funes mpares:

Uma funo
f (x) em x [L, L]
dita par se
x [L, L].
Assim, pelas propriedades trigonomtri as do

pares os oe ientes
Exemplo: A funo
bn
f (x) = f (x) e dita mpar se f (x) = f (x),

seno
e do
cosseno,
observamos que em funes
so zero, enquanto em funes mpares os oe ientes
x2 par, pois (x)2 = x2 em todo o intevalo [1, 1].
no exemplo anterior, todos os
bn
an
sero nulos.
Conforme ilustrado
se anulam.
Extenso Peridi a:
Caso uma funo seja denida em um intervalo
x [0, L], ento ne essrio estender o domnio
da funo para que seja possvel apli ar as equaes deduzidas a ima. Neste aso, existem duas
possibilidades:
Extenso Par:
fpar (x) =
fmpar (x) =
f (x) x [0, L]
f (x) x [L, 0)
Extenso mpar:
f (x)
[0, L]
f (x) x [L, 0)
Exemplo:
Para
f (x) = 4x 3x2 2x3
x [0, 1],
fpar (x) =
fmpar (x) =
temos as seguintes estenses peridi as:
4x 3x2 2x3
2
4x 3x + 2x
(
[0, 1]
x [1, 0)
4x 3x2 2x3 x [0, 1]

4x + 3x2 2x3 x [1, 0)
portanto, temos os seguintes omportamentos Ilustrados na Figura (11.3).
102
Figura 11.4: Srie de Fourier om 4 termos para aproximar o omportamento de

4x 3x2 2x3 para x [0, 1] e extenso par.
f (x) =
Assim, estudando a srie de Fourier para esta funo, obtemos
a0
an
bn
resultando em
Z 0

Z 1
1
fpar (x) dx +
f (x) dx
=
2
1
0
Z 0

Z 1
nx
nx
=
fpar (x)cos
dx +
dx
f (x)cos
L
L
1
0
Z 0

Z 1
nx
nx
=
fpar (x)sin
dx +
dx
f (x)sin
L
L
1
0
f4 (x) =
81 2 cos (4 x) + (32 48 2) cos (3 x) + 324 2 cos (2 x) + (2592 432 2 ) cos ( x) 27 4

54 4
ou, gra amente, om o omportamento ilustrado na Figura (11.4).
103
Exer ios:
1) Obtenha a srie de Fourier para
f (x) = x3
ne essrios para que obtenhamos um erro mximo
2) Obtenha a srie de Fourier de
valores da
4) Repita o exer io
para
Estude quantos termos so
f (x) = ex , x [L, L.
t(x) = x+x
2
aproximao em x = 0.
3) Considere a funo
x [0, 5].
de 5%.
para
x [5, 5].
f (x) = H0 (x),
funo
Obtenha a srie de Fourier e verique os
Heaviside
om entro em
0.
5) AVANADO ! A relao entre o operador exponen ial e as funes trigonomtri as bem

onhe ida (Frmula de Euler).
Desta forma, possvel es rever a base que utilizamos para
obter a srie de Fourier utilizando uma notao mais ompa ta. Estude esta base e obtenha as
expresses dos oe ientes para este aso.
104
Captulo 12
Con eitos Bsi os de Cl ulo Numri o
Nesta segunda parte da matria iremos apresentar os on eitos bsi os de l ulo numri o.
Para isto, o leitor deve primeiro entender omo os nmeros so representados internamente
em um omputador, para ento ompreender a natureza dos erros de aproximao que so
inerentes a esta representao. De posse destes on eitos bsi os, iremos apresentar de forma
simpli ada uma representao para algoritmos para, depois, estudarmos os mtodos numri os
de interesse.
importante salientar que na norma brasileira a vrgula utilizada para separar a parte
inteira de um nmero real da parte fra ionria (1, 23), sendo que o ponto o separador de milhar.
No entanto, em pases de lngua inglesa, o ponto que deve ser utilizado para separar a parte
inteira da parte fra ionria (1.23). Assim, neste texto iremos seguir a norma brasileira, mas o
implementarmos os l ulos em qualquer linguagem

de omputador,dever seguir a norma inglesa, que a utilizada.
leitor deve sempre lembrar que ao
12.1 Representao de nmeros naturais em diferentes bases

Um nmero natural omo
215
representado por valores que indi am a quantidade de (neste
aso) entenas + dezenas + unidades, sendo que neste aso (base

pode assumir valores entre
[0, 9]
10)
ada uma das posies
(dez possibilidades). Diferentes bases seguem a mesma lgi a,
mas alteram o nmero valores que podem ser utilizado em ada posio. As bases mais omuns
so
Base (b)
a0
a1
a2
a3
a4
a5
a6
a7
10
16
a8
a9
105
a10
a11
a12
a13
a14
a15
CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO
106
e, de forma geral, podemos representar um nmero por uma expanso polinomial na forma
N = an bn + an1 bn1 + .... + a1 b + a0 ,

ou na forma ompa ta
(an an1 an2 ....a1 a0 )b

omo por exemplo
(215)10 = 2 102 + 1 10 + 5
ou
(0111)2 = 0 23 + 1 22 + 1 21 + 1 20 .
Partindo-se de um nmero natural
(M)10 , podemos obter a representao em qualquer base,
bastando para isto realizarmos uma srie de divises pelo valor da base desejada. Por exemplo:
110 2
0
55
1
27
1
13
1
2
6
0
2
3
1
(110)10 = (1101110)2,
e, portanto,
a0 , a1 ....an1 an
ou seja, os restos das divises iro indi ar os oe ientes
na sequn ia em que apare erem. O ltimo valor o divisor nal. O mesmo
nmero na base
seria des rito por
110 8
6
13
5
ou seja,
(110)10 = (156)8 .
8
1
Finalmente, embora seja bvio,
110 10
0
11
1
10
Deve-se enfatizar que a representao interna de um nmero em um omputador

realizada na base 2.
12.2. REPRESENTAO DA PARTE FRACIONRIA DE UM NMERO REAL
107
12.2 Representao da parte fra ionria de um nmero

real
Um nmero real
Xf ,
tal que
pode ser visto omo uma parte inteira
Xf = X Xi .
Desta forma,
Xf
Xi
somado a uma parte fra ionria
estar sempre na faixa
[0, 1)
e poder ser des rito
omo uma expanso polinomial om a forma
Xf = a1 21 + a2 22 + ..... + an 2n
onde deve-se observar que esta srie onvergente para
innito, pois
quando o nmero de termos tender a
X
1
1 1 1
= + + + ... 1, 0
i
2
2 4 8
i=1
ou seja, quanto maior o nmero de bits, maior a pre iso da representao. A forma de onverter
uma par ela fra ionria es rita em base de imal para uma representao em base
da parte inteira, pois aqui iremos multipli ar a parte fra ionria por
2.
o inverso
Por exemplo
0, 7
representado por
0, 7 2 = 1, 4
0, 4 2 = 0, 8
0, 8 2 = 1, 6
0, 6 2 = 1, 2
0, 2 2 = 0, 4
0, 4 2 = 0, 8
0, 8 2 = 1, 6
....
Observem que a representao no tem m, estando limitada

pelo nmero de bits que so utilizados para representar o nmero. Por exemplo, se
ou
(1011001.....)2.
utilizarmos
bits, obteremos o nmero
1 21 + 1 23 + 1 24 + 1 27 = 0, 6953125.
12.3 Representao de Nmeros em Computadores

Um nmero inteiro pode ser representado exatamente por uma representao binria utilizada
em omputadores, desde que sejam utilizados o nmero su iente de bits. Uma questo importante a representao do sinal, que no ne essria em um nmero natural. Para isto,
reservado o bit (posio) mais a esquerda (ou mais signi ativo) da representao binria.
Se este bit for
o nmero dito positivo e se for
o nmero dito negativo, pois
10 = 1
108
11 = 1.
Com isto, restam
n1
bits para a representao do nmero. Por exemplo
(00001)2 = 10 (0001)2 = +20 = +(1)10

e

(10101)2 = (0101)2 = 11 22 + 20 = (5)10 .
8 bits, teremos apenas 7 para representar efetivamente

estaremos trabalhando na faixa [127].
Assim, se um inteiro for representado om

os valores e um para o sinal. Com isto
Por sua vez, um numero real, tambm hamado de ponto utuante (oat) , pode ser representado de diferentes formas. A mais utilizada a denida pela norma IEEE 754 (1985, om
reviso em 2008) onde
N = (1)S (1 + Mantissa) 2ExpoenteP ESO

onde a Mantissa indi a a parte fra ionria do nmero
da Mantissa, Expoente o expoente da base (neste aso
(que subtendido),
2)
indi a o sinal
e PESO um fator que dene o
sinal do expoente. O uso do PESO, embora parea uma ompli ao desne essria, permite
a e onomia de um bit de sinal para aumentar a pre iso da representao do expoente. Por
exemplo, em pre iso simples, utilizamos
32bits
para des rever um nmero. Neste aso,
(S) utilizado para des rever o sinal da Mantissa,

o Expoente e
y = 23
x = 8
1bit
bits so utilizados para des rever
bits so utilizados para des rever a Mantissa.
Quando utilizamos
64
bits para representar um nmero em ponto utuante, ento dizemos que a pre iso dupla
(double) e, neste aso, ontinuamos utilizando
o expoente e
y = 52
bit para o sinal da Mantissa,
x = 11
bits para
bits para a Mantissa.
Como na pre iso simples utilizamos 8 bits para o expoente, ento podemos (idealmente)
(00000000)2 = (0)10 e (11111111)2 = (255) que so todos positivos. Neste

P ESO denido na norma 127, pois se Expoente=(00000000)2, ento estaremos
obter valores na faixa

aso, o valor
Expoente = (11111111)2 = (255) ento 2255127 = 2128 .

Da mesma forma, em pre iso dupla, teremos um P ESO = 1023. No entanto, a norma reservou
trabalhando om
20127 = 2127
e se
os valores extremos da faixa para representao de nmeros espe iais e, portanto, temos um
limite real de
efetivo.
1 Expoente 254
o que nos leva aos extremos
A Mantissa representa a parte fra ionria a direita do
126
127
para o expoente
e, portanto, segue a notao apre-
sentada na Seo (12.2). Desta forma, o nmero
1 01001011 10100101101100011101011
representa o de imal
N = (1)1 1, (10100101101100011101011)2 2(01001011)2 127
12.4. EPSILON DA MQUINA
109
om Expoente
Expoente = 20 + 21 + 23 + 26 = 75
e Mantissa
Mantissa = 21 + 23 + 26 + 28 + 29 + 211 + 212 + 216 + 217 + 218 + 220 + 222 + 223

resultando em
0, 6472448110580444.
Portanto
N = 1, 6472448110580444 252 = 3.657618232861913 1016 .

Assim, qualquer nmero real ter um limite de representao que depende da pre iso utilizada.
Em pre iso simples observamos que o maior nmero que pode ser representado (em
1, 99999988 2127 = 3.402823466385289 1038 , portando, se um nmero x for

que este valor, ser interpretado omo (overow). Da mesma forma, o menor
mdulo) ser
maior do
1, 0 2126 = 1.175494350822287 1038 . Assim, se

< x < 1.175494350822287 1038 , ento x ser onsiderado omo
nmero que pode ser representado ser
1.175494350822287 1038
0, 0 (underow).
Exemplo:
O l ulo da hipotenusa de um tringulo om atetos
sqrt(x x + y y).
Se
e/ou
dado por
h =
forem numeros muito grandes, ento existe a possibilidade de
o resultado ser overow. Geralmente isto evitado om a seguinte estratgia
m = max(|x| , |y|);
n = min(|x| , |y|);
r = n/m;
h = m sqrt(1 + r r).
DMAX o maior nmero que pode ser representado na base de x e y e
x = y = 0, 5DMAX , ento o l ulo direto resulta em overow, embora o resultado da operao
0, 5DMAX (obtido om o l ulo alternativo).

seja
Por exemplo, se
12.4
Epsilon
da Mquina
Outro on eito importante em l ulo numri o o de
epsilon
da mquina, que o menor
nmero que se for somado a unidade no ser per eptivel (no altera o valor da operao). Para
entendermos melhor este omportamento, vamos lembrar que em pre iso simples o nmero
representado por o por
(1, 0)10 = 1, (00000000000000000000000)2 20
1, 0
110
e o prximo nmero ser representado por
(1 + 1.1920928955078125 107 )10 = 1, (00000000000000000000001)2 20

ou seja, mudamos o bit menos signi ativo da Mantissa. No entanto, devemos onsiderar um
nmero menor do que este, para que seja imper eptivel. Desta forma, a denio da norma
m =
tal que
f l(x)
1
2y
2

f l(x) x
m

x
a representao em ponto utuante de um dado nmero real
pre iso simples teremos
1.1 1016 .
m = 0.5 2
23
= 5.96 10
x.
Desta forma, em
e em pre iso dupla aproximadamente
Este on eito de fundamental importn ia, devendo ser sempre uidadosamente
veri ado. Por exemplo, ao aproximarmos a derivada de uma funo em torno de um ponto
x,
podemos utilizar
e esta derivada ir retornar zero
df (x)
f (x + ) f (x)
dx
se < m , pois a subtrao
no far sentido (x
+ = x).
12.5 Valores espe iais reservados pela norma

Conforme omentado anteriormente, alguns valores so reservados pela norma. Estes valores
+, , NaN
so
(not a number) e
0,
pois se isto ainda no ou laro, a mantissa dene
somente a parte fra ionria, sendo que o nmero 0,0 no pode ser obtido diretamente na representao denida pela norma.
0 1111 1111 1 . 0000 0000 0000 0000 0000 000
1 1111 1111 1 . 0000 0000 0000 0000 0000 000
NaN
1 1111 1111 1 . 1000 0000 0000 0000 0000 000
+0
0 0000 0000 1 . 0000 0000 0000 0000 0000 000
1 0000 0000 1 . 0000 0000 0000 0000 0000 000
Assim, temos que
1
1
= ,
= , log(0) =
+0
0
pois isto depende do ompilador).

so:
0 , 0/0, /, + (),
negativo.
log(x) = NaN, x < 0
(em teoria,
Por denio da norma, as operaes que denem

resto das operaes
x/0
/x
NaN
e raiz de um nmero real
Toda a operao que envolver um NaN ir resultar em NaN .
12.6. PRECISO E ACURCIA (EXATIDO)
111
12.6 Pre iso e A ur ia (Exatido)

Dois on eitos fundamentais em l ulo numri o so o de pre iso e o de a ur ia (do ingls
a ura y ) ou exatido.
Pre iso refere-se ao quo prximo um nmero representado pelo omputador representa
o nmero que ele ambi iona representar. A pre iso de um nmero governada pelo nmero
de dgitos empregados na representao.
Assim, a onstante
ser representada om maior
pre iso utilizando double do que oat.
A ur ia ou Exatido refere-se a quo prximo um nmero representado pelo omputador ( omo resultado de uma srie de operaes) est do valor orreto do nmero que ele almeja
representar. A a ur ia governada pelos erros (de trun amento e arredondamento) do mtodo
1 = 3, 141604958 e 2 = 3, 1415809485 almejam

= 3, 141592654...... . Neste aso, o nmero 2 possui maior
numri o empregado. Assim,se os nmeros

ambos a representar o nmero
a ur ia do que
1 ,
embora ambos possuam a mesma pre iso (pois esto sendo representados
em oat ou em double).
!! Assim, quando oloquialmente falamos em pre iso, estamos nos referindo a

a ur ia, ou exatido !!
Da mesma forma, um on eito importante o de quantos dgitos so realmente signi ativos
na representao de imal que desejamos obter. Este nmero dado pela equao
p = 1 + (y 1) log(2)
ou seja, se estivermos trabalhando em pre iso simples (y
= 23)
ento
p = 1 + (22) 0, 3010 = 7, 622

ou seja,
dgitos, e, para pre iso dupla (y
= 52)
p = 1 + (51) 0, 3010 = 16, 351

ou 16 dgitos.
Da mesma forma, se tivermos um nmero
e sua representao por ponto utuante
podemos veri ar o nmero de dgitos signi ativos da representao na base

relao
onde

x f l(x) 1 1n
10

2

x
o maior valor que satisfaz esta equao.
Por exemplo,
1
3
10,
f l(x),
utilizando a
= 0, 333333333......
ser
112
invariavelmente representado por
0, 33334,
1
3
de tal forma que
0, 33334
1
3
satisfeita para
1
101n
2
n = 5.
12.7 Propagao de Erros

Ao realizarmos uma ou mais operaes matemti as om nmeros reais em um omputador,
iremos sempre ter um erro de representao em ada um dos nmeros, ausado pela impre iso
na representao binria. Outra fonte de erros est na prpria natureza dos algoritmos numri os iterativos ou at mesmo na entrada dos dados de um problema. De forma geral, podemos
denir os valores exatos de uma dada sequn ia de operaes matemti as omo
valores numri os omo
y.
e seus
Assim, podemos denir os erros absolutos nestes valores omo:
Ex = x x
Ey = y y
onde para simpli ar a notao assumimos que
Assim, teremos que
x e y so maiores do que os valores aproximados.
x = Ex + x e y = Ey + y e, se estes valores forem utilizados para realizarmos
outros l ulos, podemos agora estimar a propagao destes erros absolutos pois:
Erro absoluto na soma
Erro absoluto na diferena
Ex+y = Ex +Ey
(
x y) + (Ex Ey )
x+y = (Ex + x)+(Ey + y) = (

x + y)+(Ex +Ey )
Exy = Ex Ey ,
Erro absoluto na multipli ao
Erro absoluto na diviso
Ex Ey + Ex y + Ey x
pois
pois
Exy = xEy + yEx ,
x y = (Ex + x) (Ey + y) =
pois
x y = (Ex + x) (Ey + y) =
(o primeiro termo de segunda ordem)
Ex/y =
Ex
y
x
Ey
pois
2
y
x
(Ex + x)
(Ex + x)

=
=
y
(Ey + y)
y 1 + Eyy
e, omo
(1 + z)1 = 1 z + z 2 z 3 + z 4 ...,
podemos es rever
(Ex + x)
(Ex + x)
(E + x)
x
= x
=
=
E
y
y
(Ey + y)
y
y 1 + y
e, omo
Ey

Ey Ey2 Ey3
1
+ 2 3 + ....
y
y
y
pequeno, podemos abandonar os termos de alta ordem (potn ias de
Ey ) tal
12.7. PROPAGAO DE ERROS
113
que
x
(Ex + x)
=
y
y

Ey
(Ex + x) (Ex + x)Ey
Ex x Ex Ey xEy
1
=
=
+
2
2
y
y
y
y
y
y2
y
e, novamente, podemos des artar o termo que ontm
Ex Ey ,
obtendo o resultado.
De posse dos erros absolutos e denindo erro relativo omo erro absoluto sobre valor aproximado
obtido no l ulo, obtemos os seguintes erros relativos:
y
x
+
y
Erro relativo na diferena:

x
Ex
x
Erro relativo na multipli ao:
Ex
x
Erro relativo na diviso:
Erro relativo na soma:

x
+
y
Ex
x
Ex
x
Ey
y
Ey
y
y
x
Ey
y
Ey
y
Assim, se em um dado instante de um l ulo tivermos
y = 49.9999995,
x = 100, x = 99.999999, y = 50
por exemplo, ento teremos
Ex = 100 99.999999
Ey = 50 49.999995
tal que os erros absolutos sero
Ex+y = 5, 999999999062311 106
Exy = 4, 0000000041118255 106

Exy = 5, 5 104
Ex/y = 1, 8 107
que devem ser omparados diretamente aos valores aproximados que seriam obtidos sem a
propagao deste erro
x + y = 149, 999994 5, 999999999062311 106
x y = 50, 000004 4, 0000000041118255 106
x y = 4999.999450000005 5, 49999990032469 104

x
= 2, 000000180000018 1, 800000361139833 107
y
114
sendo que o erro relativo permite uma avaliao mais pre isa da severidade dos erros asso iados
as estas operaes matemti as bsi as, pois
Erx+y = 4, 00000015937488 108
Erxy = 7, 999999368223701 108
Erxy = 1, 1000001010649478 107

Erx/y = 9.000000995698993 108 .
importante salientar que os omputadores e ompiladores atuais propagam erro de forma

mais lenta do que o visto aqui, pois utilizam um dgito de guarda (denido pela norma),
alm do fato de que os erros om sinais ontrrios tendem a se ompensar de forma aleatria.
No entanto, devemos sempre lembrar que a medida que o nmero de operaes

matemti as aumenta em um dado pro edimento numri o, maior ser a diferena
entre o valor exato e o obtido.
12.8 Di as Importantes
Como as operaes om ponto utuante esto sujeitas a erros, nun a devemos utilizar a omparao direta entre valores (se
todos os bits forem iguais.
x = y ),
pois para o omputador os nmeros s sero iguais se
Desta forma, o orreto avaliar se a distn ia entre os nmeros
esta abaixo de uma determinada tolern ia (se
|x y| < tol).
Outra questo importante a asso iatividade da soma e da multipli ao de nmeros reais.

Em um nmero real om pre iso innita, a operao
z).
(x + y) + z
deve ser igual a
x + (y +
No entanto, devido aos erros de arredondamento da representao de nmeros reais em
x = 1030 , y = 1030
no software Maxima:
omputadores, esta asso iatividade pode no se veri ar. Por exemplo, se

e
z = 1,
ento
(x + y) + z = 1
x + (y + z) = 0.
Isto pode ser observado
x : 1030 ; y : 1030 ; z : 1; a : (x + y) + z; b : x + (y + z); teremos omo resultados

b = 1, omo de esperado, pois o programa est utilizando uma representao real
Se digitarmos
a = 1
ompleta.
Ao onvertermos para representao em ponto utuante, por meio dos omandos
x : f loat(x); y : f loat(y); z : f loat(z);
iremos observar o resultado esperado.
Captulo 13
Des rio Bsi a de um Algoritmo
Um dos objetivos deste estudo des rever o omportamento de algoritmos, isto , uma sequn ia
de operaes bem denidas e no ambiguas, ada qual podendo ser exe utada em um tempo
nito.
Para isto, iremos denir neste aptulo uma pseudo-linguagem que ir nos ajudar a
des rever os passos ne essrios para a implementao da sequn ia de operaes asso iada a
ada um dos tpi os a serem estudados aqui.
As operaes bsi as so des ritas por:
Variveis: a, b,
Atribuio de valor:
Vetores e Matrizes: A(i,j) e B(i)
Texto: "Texto"
Entrada de Dados: Ler <varivel>
Sada de Dados: Es rever <varivel>
Desvio in ondi ional: Salte Para <rtulo>
Estrutura ondi ional:
Se
a 10
< ondio>
ento
< omandos 1>
Ou
< ondio>
ento
< omandos 2>

...
Seno
ento
< omandos n>
Fim (Se)
115
CAPTULO 13. DESCRIO BSICA DE UM ALGORITMO
116
Loops (laos de exe uo):
Para
varivel
de a at b [passo <in remento> exe ute

< omandos >
Fim (Para)
Repetio om teste no in io:
Enquanto
Condio
exe ute
< omandos >
Fim (Enquanto)
Repetio om teste no m:
Repetir
< omandos >
Enquanto < ondio>
Sub-Rotinas:
Rotina <nome>
(argumentos de entrada)
< omandos >
Fim da Rotina
Retorna <variaveis>
13.1. EXEMPLOS
117
13.1 Exemplos
Cal ula o valor de um polinmio em um ponto x:

Rotina
Polinomio ( x )
v a l o r < 2 x 2
Retorna v a l o r
Fim Rotina P o l i n o m i o
2 x + 2
Cl ulo de mdia:
Programa Media
Es rever " I n f o r m e
Ler N
numero
de
pontos "
SOMA < 0 . 0
Para
de 1 ate N exe ute

Es rever " I n f o r m e um numero "
Ler V
i
SOMA < SOMA + V

i <
Fim Para
Es rever
Fim Programa
i + 1
" Media = " , SOMA/N

Media
Cl ulo de mdia (Utilizando repetio om teste no in io.):

Programa Media
Ler N
numero
de
pontos "
SOMA < 0 . 0
i < 1
Enquanto i <=N exe ute

Ler V
um numero "
SOMA < SOMA + V
Fim Para
Es rever
Fim Programa
Se es ritos no
" Media = " , SOMA/N

Media
S ilab, estes
algoritmos assumiriam a forma:
CAPTULO 13. DESCRIO BSICA DE UM ALGORITMO
118
Cal ula o valor de um polinmio em um ponto x:

fun tion
[ valor
= Polinomio ( x )
v a l o r = 2 x 2
return
endfun tion
valor
2 x + 2
Cl ulo de mdia:
fun tion [ media = Media ( )
printf ( " \ n I n f o r m e o numero de
N = s anf ("%d " )
pontos ")
SOMA = 0
for
i =1:N
printf ( " \ n I n f o r m e
V = s anf ("% e " )
um numero " )
SOMA = SOMA + V
end
media = SOMA/N
printf ( " \ n
endfun tion
Media = %e " ,
media )
Captulo 14
Razes de Equaes
Dada uma equao de uma varivel
f (x) = 0
hamamos de raz o valor (ou valores) de
que satisfazem esta equao, onde as funes podem ser algbri as se so denidas em termos
de operaes bsi as ou fundamentais, tais omo soma, multipli ao, subtrao, diviso, raiz
quadrada, et ...)
exemplo
ou trans endentes se so denidas a partir de outras funes, omo por
. Existem diversos mtodos para determinao de raizes, sendo que iremos abordar
os mais utilizados.
14.1 Mtodo da Bise o

Seja
f (x)
uma funo de uma varivel e ontnua entre dois pontos
Se os valores da funo em
a e b tiverem sinal diferentes,
x=a
x = b,
[a, b]
) e podemos ento reduzir o
intervalo, at que obtenhamos uma estimativa a eitvel para o ponto
x = ,
f () = 0. A
intervalo [a, b]
onde
lgi a deste mtodo extremamente simples e robusta, pois ini iamos om um
I0 = b a
b>a
ento om erteza a funo passa pelo
zero pelo menos uma vez (ao menos uma raiz no intervalo
de dimenso
om
e reduzimos o intervalo pela metade a ada nova iterao, de a ordo
om o algoritmo 1.
interessante notarmos que a ada iterao, o intervalo ser dividido por 2. Assm, em uma
iterao
n
|In I1 |
14.2 Mtodo
I0
2n
Regula Falsi
Este mtodo uma modi ao do mtodo da Biseo, onde ao invz de utilizamos o ponto
mdio do intervalo utilizamos a interseo de uma reta que une
desta reta
f (c) = 0 = f (a) +
f (b) f (a)
(c a)
ba
119
om o eixo
x.
A equao
CAPTULO 14. RAZES DE EQUAES
120
Algorithm 1 Algoritmo de Bise o

1
Rotina
Bise ao :
# Entradas :
a,b
extremos
tol
toleran ia
nmaxiter :
# Depende
9
10
11
12
13
14
15
Rotina
para
ver
f ( a ) f ( b)>=0
Es rever
se
intervalo
entao
" Este
intervalo
19
# Cal ula
20
< ( a+b ) / 2
ponto
21
# Testa
22
# a
toleran ia
23
# o
ponto
pela
toleran ia
for
entral
26
27
# Testa
30
31
32
33
nao
valido
ontem uma
raiz "
Se
se
raiz
f ( a ) f ( ) < 0
maximo
de
itera oes
medio
Se ba < t o l entao
Retorna
Fim Se
29
o p r o e s s o ate o numero
ate a o n v e r g e n i a
Para n de 0 ate n m a x i t e r exe ute
# ou
28
bise oes
Fim Se
# Exe uta
24
de
maximo
bus a
( <1)
Sair
17
25
parada
Bise ao ( a , b , tol , nmaxiter )
16
18
de
intervalo
de
f (x)
# Testa
Se
numero
do
do
obtida ,
do
intervalo .
entao
Se
devolvemos
intervalo
esta
entao
entre
b <
Senao
a <
Fim Se
Fim Para #n
34
35
36
37
38
Es reve
Retorna
Fim Rotina
"Nao
foi
( a+b ) / 2
Bise ao
possivel
obter
raiz
om a
a ura ia
desejada "
14.3. MTODO DE NEWTON-RAPHSON

e, isolando o
121
c
c=a
(b a)f (a)
f (b) f (a)
ou, de modo a minimizar error numri os

(b a) ff (a)
(b)
i .
c=a h
1 ff (a)
(b)
O resto do mtodo igual ao da bise o, onforme ilustrado no algoritmo 2.
14.3 Mtodo de Newton-Raphson

Considere uma funo
f (x)
ontnua e diferen ivel.
No entorno de um ponto
xn ,
podemos
representar esta funo por uma srie de Taylor, na forma
f (xn+1 ) = f (xn ) + f (xn ) (xn+1 xn ) + O

O representa os
f (xn+1 ) = 0, ento
onde
,
termos de alta ordem. Se
xn+1
xn+1 = xn
for um ponto de passagem por zero, isto
f (xn )
f (xn )
(14.1)
que d uma estimativa para um ponto ada vez mais prximo da raiz verdadeira e prxima de
xn .
O interessante sobre este mtodo, que se a funo e suas derivadas satiszerem algumas
ondies, ento a onvergn ia (taxa de reduo do intervalo) quadrti a. Para entendermos

isto, voltamos a srie de Taylor, mas agora retendo os termos de segunda ordem
1
f () = f (xn ) + f (xn ) ( xn ) + f (xn ) ( xn )2
2
e, omo
um ponto de passagem por zero, ento
1
0 = f (xn ) + f (xn ) ( xn ) + f (xn ) ( xn )2
2
e, se dividirmos por
f (xn ),
obteremos
f (xn )
f (xn )( xn )2
+ ( xn ) =
f (xn )
2f (xn )
e, substituindo
xn
pela relao obtida na Eq, (14.1), obtemos
xn+1
f (xn )
=
( xn )2
2f (xn )
122
Algorithm 2 Algoritmo Regula Falsi

1
Rotina
Regula_Falsi :
# Entradas :
a,b
extremos
tol
toleran ia
nmaxiter :
# Depende
9
10
11
12
13
14
15
Rotina
para
Es rever
22
23
24
25
26
27
28
29
30
31
32
itera oes
se
entao
" Este
intervalo
intervalo
nao
valido
ontem uma
raiz "
Sair
o p r o e s s o ate o numero maximo de

# C a l u l a o p o n t o de i n t e r s e a o
# ou
21
de
maximo
bus a
( <1)
Fim Se
# Exe uta
20
ver
f ( a ) f ( b)>=0
17
18
parada
Regula_Falsi ( a , b , tol , nmaxiter )
16
19
de
intervalo
de
f (x)
# Testa
Se
numero
do
f s < f ( a ) / f ( b )
Se
< a
( ba ) f s
Retorna
Fim Se
< n
# Testa
Se
n>0 E a b s ( n ) <
se
(1
tol
itera oes
fs )
entao
raiz
f ( a ) f ( ) < 0
b <
esta
entao
entre
Senao
a <
Fim Se
Fim Para #n
33
34
35
36
37
Es reve
Retorna
Fim Rotina
"Nao
foi
possivel

Regula_Falsi
obter
raiz
om a
a ura ia
desejada "
14.4. MTODO DA SECANTE
123
tal que se onsiderarmos os mdulos dos dois lados desta Eq, obteremos
n+1 M2n
onde

f (xn )
M = 2f
(x ) . Assim, de a ordo om o que vimos
n
intervalo n+1 limitado poe um fator M , que ser nito se f
n+1 = | xn+1 |, n = | xn |
na primeira parte da matria, o
f
for diferente de zero e se

a raiz se o ponto
xn
for limitado. Podemos ver ainda que o algoritmos onverge para
for prximo de
Algorithm 3 Algoritmo de Newton Raphson

1
# Entradas :
4
5
6
# Depende
9
10
Rotina
Newton_Raphson :
x
tol
nmaxiter :
Rotina
f (x)
# ou
14
# Cal ula
15
xnm < x
# Testa
proxima
pela
( <1)
bise oes
# a
toleran ia
ponto
Se
for
entral
a b s ( xxnm ) <
21
Retorna
Fim Se
22
# Atualiza
23
x < xnm
Fim Para
maximo
do
obtida ,
do
tol
de
itera oes
estimativa
toleran ia
# o
24
parada
de
f ( x )/ df ( x )
17
20
maximo
df (x )
18
19
de
toleran ia
numero
o p r o e s s o ate o numero
# Exe uta
12
16
ini ial
Newton_Raphson ( x , t o l , n m a x i t e r )
11
13
ponto
intervalo .
entao
Se
devolvemos
intervalo
entao
xnm
ponto
#n
25
26
27
28
29
Es reve
Retorna
Fim Rotina
"Nao
foi
possivel
obter
raiz
om a
a ura ia
desejada "
x
Newton_Raphson
14.4 Mtodo da Se ante

Um das di uldades na utilizao do mtodo de Newton Raphson est justamente no l ulo
da derivada. Para evitar este l ulo, podemos utilizar uma aproximao por diferenas nitas,
124
na forma
f (xn ) f (xn1 )
xn xn1
f (xn )
de tal forma que a Eq. (14.1) pode ser es rita omo
xn+1 = xn
f (xn )(xn xn1 )

f (xn ) f (xn1 )
(14.2)
e, portanto, devemos ini iar o mtodo om dois pontos, ao invs do mtodo de Newton-Raphson
que ne essita de apenas um ponto. Uma outra interpretao para esta abordagem onsiste em
traar uma reta entre dois pontos (se ante), na forma
f (xn+1 ) = f (xn ) +
e, assumindo que
xn+1
f (xn ) f (xn1 )
(xn+1 xn )
xn xn1
uma estimativa de raiz, tal que
f (xn+1 ) = 0,
obtemos novamente a
Eq. (14.2).
interessante omentar que o mtodo, por utilizar uma aproximao da derivada, tem taxa
de onvergn ia igual a razo urea,
1, 618.
A prova deste resultado, bem omo uma dis usso
bem ompleta sobre o pro edimento dis utido na deduo da taxa de onvergn ia de NewtonRaphson pode ser obtida no artigo "A note on the Convergen e of the Se ant Methods for Simple and Multiple Roots", de P. Dez (Applied Mathemati s Letters, 16(2003), pp. 1211-1215).
Exemplo:
Vamos onsiderar a equao
pelos diferentes mtodos apresentados.
|xk1 xk | < 1 10
f (x) = x cos(x)
para
x [0, 1]
Em todos os mtodos utilizaremos uma tolern ia
A) Mtodo da Bise o om
a = 0, 2 b = 1, 0, tol = 1 106
Iterao
ba
2.000000e-01
1.000000e+00
8.000000e-01
6.000000e-01
1.000000e+00
4.000000e-01
6.000000e-01
8.000000e-01
2.000000e-01
...
....
....
....
20
7.390846e-01
7.390854e-01
7.629395e-07
B) Mtodo Regula Falsi
e a soluo
a = 0, 2 b = 1, 0, tol = 1 106
nmaxiter = 100
nmaxiter = 100
14.4. MTODO DA SECANTE
125
Algorithm 4 Mtodo da Se ante

1
Rotina
# Entradas :
Se ante :
4
5
6
xm , xmm
tol
nmaxiter :
# Depende
Rotina
pontos
toleran ia
numero
Se ante
11
# Exe uta
12
# ou
14
15
16
Para
pro esso
numero
# Cal ula
proxima
x < xm
f (xm) ( xmxmm)
# Testa
pela
maximo
de
itera oes
toleran ia
ponto
Se
a b s (xmxmm) <
Retorna
Fim Se
22
# Atualiza
23
xmm < xm
xm
for
entral
21
estimativa
toleran ia
# a
25
ate
de 0 ate n m a x i t e r exe ute
# o
24
( <1)
bise oes
17
20
parada
de
( xm , xmm, t o l , n m a x i t e r )
18
19
de
maximo
f (x)
10
13
ini iais
do
obtida ,
do
tol
f (xm) f (xmm)
intervalo .
entao
Se
devolvemos
intervalo
entao
ponto
< x
Fim Para
#n
26
27
28
29
30
Es reve
Retorna
Fim Rotina
"Nao
foi
x
Se ante
possivel
obter
raiz
om a
a ura ia
desejada "
126
Iterao
ck ck1
2.000000e-01
1.000000e+00
2.966355e-01
7.033645e-01
1.000000e+00
3.389621e-02
7.372607e-01
1.000000e+00
1.732984e-03
7.389936e-01
1.000000e+00
8.690052e-05
7.390806e-01
1.000000e+00
4.353298e-06
7.390849e-01
1.000000e+00
2.180684e-07
C) Mtodo de Newton-Raphson om
x0 = 0, 2
tol = 1 106
Iterao
xk xk1
2.000000e-01

8.507771e-01
6.507771e-01
7.415302e-01
1.092469e-01
7.390864e-01
2.443744e-03
7.390851e-01
1.316662e-06
7.390851e-01
3.828049e-13
D) Mtodo da Se ante, om
x0 = 0, 2 x1 = 1, 0
tol = 1 106
Iterao
xn
xn1
xn xn1
2.000000e-01
1.000000e+00
8.000000e-01
7.033645e-01
2.000000e-01
5.033645e-01
7.447825e-01
7.033645e-01
4.141808e-02
7.390395e-01
7.447825e-01
5.743044e-03
7.390851e-01
7.390395e-01
4.559160e-05
7.390851e-01
7.390851e-01
5.725747e-08
Tarefas Valendo Nota:

1) Obtenha as razes da funo
e um nmero mximo de
f (x) = sin(x), x [, ]
para uma tolern ia de
1 104
iteraes, utilizado Regula-Falsi, Newton-Raphson e Mtodo da
Se ante. Para isto, des reva em detalhes todas as etapas do l ulo e solu ione passo a passo;
2) A equao
x3 2x2 11x + 12
tem omo razes
3, 1
4.
O interessante que pequenas
diferenas nos pontos ini iais podem fazer om que o mtodo de Newton-Raphson tenda para
x0 = 2, 35287527, x0 = 2, 35284172 e x0 = 2, 352836323.

x0 = 0 tem um omportamento muito interessante quando
uma raiz diferente. Teste o mtodo om

3) A equao
x 2x + 2
om
solu ionada por Newton-Raphson. Verique e explique em detalhes o que est o orrendo. Para
isto, investique o gr o da funo e o omportamento da derivada. A melhor maneira resolver
gra amente, a ompanhando as iteraes do mtodo.
Captulo 15
Operaes Bsi as om Matrizes
Do ponto de vista de programao, uma matriz uma estrutura de dados que ontm uma srie
de valores. Existem diversas formas de armazenar uma matriz, sendo que nesta primeira parte
do texto iremos tratar de armazenamento denso, onde todas as posies so armazenadas em
uma forma retangular. Uma matriz
A[mn]
om
linhas e
olunas representada na forma,
a11 ... a1n

.
..
..
..
= Aij =
.
.
am1 ... amn
sendo que, dependendo do padro omo os valores se distribuem no interior da matriz, adotamos
as seguintes nomen laturas:
Matriz Simtri a:
Matriz Antisimtri a:
Matriz Identidade:
Matriz Nula:
Matriz Quadrada:
Matriz Triangular Superior:
Matriz Triangular Inferior:
Matriz Tridiagonal: Apenas a diagonal prin ipal e as diagonais a ima e abaixo da prin ipal
aij = aji
aij = aji
aij = ij
aij = 0
m=n
aij = 0, i > j
aij = 0, i < j
ontm elementos no nulos.

Matriz Pentadiagonal: Apenas a diagonal prin ipal e duas diagonais a ima e abaixo da
prin ipal ontm elementos no nulos.
No que segue, iremos apresentar os algoritmos bsi os para operaes om matrizes retangulares
sem impor qualquer tipo de parti ularidade quanto ao padro de armazenamento.
127
CAPTULO 15. OPERAES BSICAS COM MATRIZES
128
15.1 Multipli ao por um es alar

Esta a operao mais simples, onde multipli amos toda uma matriz
e R,
na forma
eA[mn]
A[mn]
por um es alar
e a11 ... e a1n
..
..
..
=
.
.
.
e am1 ... e amn
e o algoritmo referente a esta operao ilustrado na listagem (5).
Algorithm 5 Multipli ao de uma matriz por um es alar

1
# Entradas :
es alar
Matriz
Rotina
Es alarXMatriz :
m, n
numero
# Saidas :
Matriz
Rotina
Es alarXMatriz
de
linhas
e A
numero
de
olunas
da
matriz
( e , A , m, n )
9
10
11
12
13
# Varre
Para
as
de
linhas
Para
ate
# Varre
j
as
de
da
matriz
exe ute
olunas
1
ate
desta
exe ute
14
# Multipli a
15
A( i , j ) < e A( i , j )
16
17
18
19
20
21
Fim Para
Fim Para #i
Retorna
Fim Rotina
pelo
linha
es alar
#j
A
Es alarXMatriz
15.2 Soma de Matrizes

A soma de duas matrizes
A[mn]
B[mn]
s possvel se as matrizes tem exatamente o mesmo
nmero de linhas e olunas. Neste aso, o resultado uma matriz de mesmas dimenses das
matrizes de entrada, na forma
C[mn] = A[mn] + B[mn]
e a operao ilustrada no algoritmo (6)
a11 + b11 ... a1n + b1n
..
..
..
=
.
.
.
am1 + bm1 ... amn + bmn
15.2. SOMA DE MATRIZES
129
Algorithm 6 Soma de duas matrizes

1
# Entradas :
Matriz
m, n
numero
# Saidas :
M a t r i z A+B
# Depende :
10
11
Rotina
Rotina
SomaMatrizes :
A
SomaMatrizes
C = z e r o s (m, n )
# Varre
16
Para
linhas
as
de
linhas
Para
ate
# Varre
j
as
de
da
exe ute
ate
desta
exe ute
linha
# Soma
18
C( i , j ) < A( i , j ) + B( i , j )
19
21
22
23
24
Fim Para
Fim Para #i
Retorna
Fim Rotina
matriz
olunas
1
re eber
17
20
numero
(A , B , m, n )
# C r i a uma m a t r i z C p a r a
12
15
de
zeros ()
13
14
Matriz
#j
C
SomaMatrizes
opera ao
de
olunas
das
matrizes
130
15.3 Transposta de uma Matriz

Esta operao denida pela relao
AT = (aij )T = aji
e a rotina que realiza esta operao ilustrada no algoritmo (7)
Algorithm 7 Transposta de uma matriz

1
Rotina
Transposta :
# Entradas :
Matriz
m, n
numero
# Saidas :
M a t r i z A^T ,
# Depende :
9
10
Rotina
Transposta
C = z e r o s ( n ,m)
12
# Varre
14
15
as
de
linhas
# Varre
Para
ate
1
j
as
de
da
olunas
1
ate
desta
C( j , i ) < A( i , j )
21
22
23
Fim Para
Fim Para #i
Retorna
Fim Rotina
re eber
exe ute
# Armazena
19
om d i m e n s a o
olunas
da
matriz
[ n ,m
opera ao
exe ute
17
20
de
numero
matriz
16
18
(Am, n )
# C r i a uma m a t r i z C p a r a
Para
linhas
zeros ()
11
13
de
tro ando
linha
os
indi es
de
linha
de
oluna
#j
C
AmaisB
15.4 Multipli ao de Matriz por um vetor

A multipli ao de uma matriz
A[mn]
por um vetor oluna
vn
s possvel se o nmero de
olunas da matriz for igual ao nmero de linhas do vetor e resulta em um vetor oluna om
linhas. A operao denida por
A[mn] v[n]
a11 ... a1n

v1
.
.
.
.
.
..
.. ..
=
.
am1 ... amn

vn
O pro edimento est listado no Algoritmo (8).
Pn
a
v
1j
j
j=1

..
=
.
.

Pn
j=1 amj vj
15.4. MULTIPLICAO DE MATRIZ POR UM VETOR
131
Algorithm 8 Produto de uma matriz por um vetor.

1
Rotina
MatrizXVetor :
# Entradas :
m, n
numero
# Saidas :
v2
vetor
# Depende :
10
Rotina
MatrizXVetor
# Cria
12
v2 = z e r o s (m, 1 )
13
# Varre
15
16
17
18
Para
vetor
Vetor
de
linhas
as
de
linhas
ate
# valor
que
soma < 0 . 0
# Varre
Para
para
as
de
da
re eber
olunas
ate
21
Fim Para
22
# Armazena
23
v2 ( i ) = soma
desta
exe ute
somatorio
linha
da
linha
a umula o
somatorio
#j
soma
Fim Para #i
Retorna v2
Fim Rotina
da
matriz
soma < soma + A( i , j ) v ( j )
27
olunas
opera ao
20
26
de
exe ute
ira
re eber
# soma
24
numero
om m l i n h a s
19
25
(A , v , m, n )
v2
zeros ()
11
14
Matriz
MatrizXVetor
na
posi ao
do
novo
vetor
matriz
132
15.5 Produto de duas Matrizes

A[mn]
A multipli ao de uma matriz
C[mo] ,
A[mn] B[no]
B[no]
A for igual ao nmero de linhas da matriz B.
olunas da matriz
matriz
por outra matriz
s possvel se o nmero de
Esta operao resulta em uma
tal que
a11 ... a1n

b11 ... b1o
.
..
.. ..
..
..
.
=
.
. .
.
.
.
am1 ... amn
bn1 ... bno
Pn
Pn
a1j bj1 ...
j=1 a1j bjo

..
..
..
=
.
.
.

Pn
Pn
j=1 amj bjo
j=1 amj bj1 ...
j=1
O pro edimento est listado no Algoritmo (9).
Algorithm 9 Produto de matrizes

1
# Entradas :
Matriz
Matriz
m, n
numero
numero
M a t r i z = AB
Rotina
MatrizXMatriz :
# Saidas :
# Depende :
10
11
de
de
linhas
olunas
numero
de
de
zeros ()
Rotina
MatrizXMatriz
(A, B , m, n , o )
12
13
# Cria
14
C = z e r o s (m, o )
15
# Varre
16
17
Para
matriz C
as
linhas
para
da
re eber
opera ao
matriz
de 1 ate m exe ute

Para k de 1 ate o exe ute
i
soma < 0
18
Para
19
de
ate
exe ute
20
# soma
21
soma < soma + A( i , j ) B( j , k )
22
Fim Para
23
# Armazena
24
C( i , k ) = soma
25
26
27
28
29
Fim Para
Fim Para #i
Retorna C
Fim Rotina
#j
#k
MatrizXMatriz
produto
na
posi ao
de
olunas
da
matriz A
15.6. NORMA
DE UM VETOR
133
15.6 Norma p de um Vetor

A norma
de um vetor obtida por
kxkp =
n
X
xpi
i=1
! p1
e o pro edimento ilustrado no Alg. (10) .
Algorithm 10 Norma p de um vetor

1
# Entradas :
vetor
dimensao
de
expoente
da
# Saidas :
norma
norma p do
Rotina
Rotina
Normap :
Normap
x
norma
vetor
(x , n , p)
10
11
# Ini ializa
12
norma < 0 . 0
13
14
15
16
17
18
19
20
# Loop
Para
pelos
de
norma
elementos
ate
do
exe ute
vetor
norma < norma + x ( i ) p
Fim Para #i
Retorna norma ( 1 / p )
Fim Rotina
Normap
15.7 Trao de Uma Matriz

Otrao a soma dos termos da diagonal de uma matriz quadrada
tr(A) =
n
X
A,
na forma
Aii
i=1
e o pro edimento ilustrado no Alg. (11) .
15.8 Complexidade de um Algoritmo

Um on eito importante em um algoritmo que opera sobre matrizes o de omplexidade, ou
seja, o nmero de operaes que so ne essrias para realizar a tarefa, dada as dimenses das
134
Algorithm 11 Trao de uma Matriz

1
Rotina
# Entradas :
Matriz
dimensao
de
# Saidas :
tra o
tra o
Rotina
Tra o :
Tra o
quadrada
de
(A, n )
9
10
# Ini ializa
11
t r a o < 0 . 0
12
13
# Loop
14
Para
Fim Para
17
Retorna
18
20
de
tra o
elementos
ate
do
exe ute
vetor
t r a o < t r a o + A( i , i )
15
16
19
pelos
Fim Rotina
#i
tra o
Tra o
matrizes e vetores envolvidos. Desta forma, diz-se que um algoritmo tem omplexidade
por exemplo, quando depende linearmente do nmero de dimenses de um vetor.
O(n),
Para os
algoritmos apresentados nestes aptulos, podemos veri ar fa ilmente que:
Multipli ao de es alar por matriz:
Soma de matrizes:
Transposta de uma matriz:
Multipli ao de uma matriz por um vetor:
Multipli ao de duas matrizes
O(m n),
O(m n),
operaes de soma;
O(m n),
somente a esso a memria;
ao;
multipli ao;
operaes de multipli ao;
A[mn}
O(m n),
operaes de soma e de multipli-
B[no] :O(m o n),
operaes de soma e de
Outra informao importante est asso iada ao erro propagado em ada uma destas operaes,
sendo que om isto podemos ter uma noo da a ur ia esperada na resposta.
Captulo 16
Triangularizao de uma Matriz
Quadrada
Um on eito fundamental para o estudo dos algoritmos bsi os de lgebra linear est asso iado
ao on eito de triangularizao de uma matriz quadrada. Neste pro edimento, transformamos
uma matriz quadrada
A[nn]
, de estrutura geral, em uma matriz triangular superior, isto ,
om termos no nulos armazenados somente da diagonal superior para ima .
Este pro e-
dimento utilizado em diversos algoritmos que servem de base para a soluo de sistemas de
equaes lineares e l ulos de determinantes, alm de prover fundamentos para apli aes mais
omplexas. Devido a este fato, iremos abordar a triangularizao omo um tpi o separado,
sendo que suas apli aes sero apresentadas em sees posteriores.
16.1 Mtodo de Gauss

No mtodo de Gauss, operamos om uma matriz quadrada
i=1
A[nn]
, partindo da primeira linha,
e apli ando duas etapas su essivamente:
Li = Li /aii ;
Lk = Lk aki Li , k = i + 1..n
Exemplo:
2 4
A = 3 1 1
1 1 1
i=1:
1
[ 2 4 1 ] = [ 1 2 0, 5 ]
2
= [ 3 1 1 ] 3 [ 1 2 0, 5 ] = [ 0 5 2, 5 ]
L1 =
L2
L3 = [ 1 1 1 ] 1 [ 1 2 0, 5 ] = [ 0 1 0, 5 ]
135
136
CAPTULO 16. TRIANGULARIZAO DE UMA MATRIZ QUADRADA
tal que agora a matriz tem a forma
1 2
0, 5
A1 = 0 5 2, 5
0 1 0, 5
e observamos que toda a oluna abaixo da primeira posio diagonal foi zerada. Partindo agora
da segunda linha,
1
[ 0 5 2, 5 ] = [ 0 1 0, 5 ]
5
= [ 0 1 0, 5 ] (1) [ 0 1 0, 5 ] = [ 0 0 1 ]
L2 =
L3
e, ao nal do pro edimento, obtemos
1 2 0, 5
A2 = 0 1 0, 5
0 0 1
que uma matriz na forma triangular superior.
Assim, no pior aso, a triangularizao tem uma omplexidade de O(n3 ), sendo

que diversas operaes de diviso, multipli ao e soma so utilizadas.
16.1.1 Pivotamento
Pode-se notar que o pro edimento visto a ima no pode ser apli ado se a matriz possui algum
zero em sua diagonal, pois neste aso a etapa
1,
onde dividimos a linha pelo valor da diagonal
no ser denido. Isto pode ser fa ilmente visualizado no seguinte exemplo:
1 2 2
A= 3 6 1
2 6 1
onde o pro edimento de triangularizao da matriz, j na primeira etapa, resulta em um zero

na diagonal, pois
1
[ 1 2 2 ]=[ 1 2 2 ]
1
= [ 3 6 1 ] 3 [ 1 2 2 ] = [ 0 0 5 ]
L1 =
L2
L3 = [ 2 6 1 ] 2 [ 1 2 2 ] = [ 0 2 5 ]
resultando em
1 2 2
A1 = 0 0 5
0 2 5
16.1. MTODO DE GAUSS
137
de tal forma que na prxima etapa teremos uma diviso por zero. Uma alternativa onsiste em
tro ar as linhas
(pivotamento) antes de prosseguir, de modo a olo ar o
diagonal. Com isto, teremos
A1p
e, om isto,
na posio da
1 2 2
= 0 2 5
0 0 5
1
[ 0 2 5 ] = [ 0 1 25 ]
2
= [ 0 0 5 ] 0 [ 0 1 52 ] = [ 0 0 5 ]
L2 =
L3
resultado em
1 2 2
A2 = 0 1 25
0 0 5
1 2 2
A3 = 0 1 25
0 0 1
se dividirmos a ultima linha por
5. (no seria ne essrio,
mas om isto obtemos uma diagonal
unitria), obtemos uma matriz que triangular superior. Uma outra maneira de evitarmos estes
problemas de singularidade onsiste em realizar o pivotamento prvio na matriz, garantindo
que as maiores posies de ada oluna quem nas posies diagonais. No exemplo
1 2
A= 3 6 1
2 6 1
e veri amos que
a21> a31 > a21 , portanto tro amos as posies da linha 1 om a linha 2, obtendo
3 6
A= 1 2 2
2 6 1
e por m veri amos que
a32 > a22 ,
portanto tro amos as linhas
3 6
A = 2 6 1
1 2 2
3,
obtendo
138
e agora, podemos veri ar que os maiores valores de ada oluna esto na diagonal prin ipal.
Este pro edimento faz om que a matriz possa ser triangularizada sem problemas. Assim,
1
[ 3 6 1 ] = [ 1 2 13 ]
3
= [ 2 6 1 ] 2 [ 1 2 13 ] = [ 0 2 35 ]
L1 =
L2
1
3
L3 = [ 1 2 2 ] 1 [ 1 2
resultado em
]=[ 0 0
5
3
1 2 13
A = 0 2 35
0 0 53
que j diagonal. Continuando om o algoritmo
1
[ 0 2 53 ] = [ 0 1 56 ]
2
= [ 0 0 35 ] 0 [ 0 1 65 ] = [ 0 0
L2 =
L3
e, nalmente,
3
L3 = [ 0 0
5
5
3
5
3
]=[ 0 0 1 ]
1
3
1 2
A = 0 1 65
0 0 1
Deve-se salientar que o pivotamento global, realizado antes do pro edimento de triangularizao, desejvel numeri amente. Isto se deve ao fato de as vezes podermos ter nmeros muito
pequenos na diagonal prin ipal, que mesmo se no resultarem em diviso por zero podero
a arretar grandes erros numri os. Desta forma, o pivotamento deixa a matriz em uma forma
mais apropriada para os l ulos a serem realizados.
16.2 Cl ulo de Determinante de uma matriz obtida por

triangularizao
O l ulo do determinante pode ser realizado fa ilmente durante a triangularizao de uma
matriz. Para isto, apli amos a equao
det(A) = (1)
n
Y
Fi
i=1
onde
Fi
so os fatores utilizados para normalizar ada linha
larizao e
Li
no pro edimento de triangu-
o nmero de pivotamentos realizados. Como exemplo, veri amos que, para a
16.3. SOLUO DE UM SISTEMA DE EQUAES LINEARES

matriz
139
2 4 1
A = 3 1 1
1 1 1
no realizamos pivotamento e
p = 0, F1 = 2
F2 = 5
tal que
det(A) = (1)0 (2 5) = 10
e, para a matriz
1 2 2
A= 3 6 1
2 6 1
om pivotamento prvio,
p = 2, F1 = 3 , F2 = 2
det(A) = (1)
F3 =
5
, tal qe
3
5
22
3
= 10.
16.3 Soluo de um Sistema de Equaes Lineares

Um sistema de equaes lineares pode ser des rito na forma
A[nn]x[n] = b[n]
onde
uma matriz quadrada de oe ientes om determinante no nulo,
termos onhe idos e
um vetor om
um vetor de in gnitas. Embora analiti amente possamos es rever a
soluo do sistema de equaes omo
x = A1 b
isto no vivel do ponto de vista numri o, uma vez que a operao de inverso tem omplexidade extremamente alta. Uma abordagem onsiste em triangularizar a matriz de oe ientes
de tal forma que a ultima linha deste sistema de equaes tenha a forma
ann xn = bn ,
uja
xn = bn /an = bn (pois normalizamos todos os termos das diagonais). Da mesma

forma, a penultima linha ser a
n1,n1 xn1 + a
n1,n xn = bn1 , mas omo j temos xn ento o
valor de xn1 ser

1
bn1 a
xn1 =
n1,n xn
a
n1,n1
soluo
e assum su essivamente. Cabe lembrar que os termos da diagonal so unitrios ao nal do pro-
esso de triangularizao, o que torna a diviso desne essria na equao anterior. Assim, para
utilizarmos o pro edimento de triangularizao na soluo de um sistema linear de equaes,
devemos modi ar o pro esso para levar em onsiderao o vetor
Li = Li /aii
bi = bi /aii ;
Lk = Lk aki Li
bk = bk aki bi ,
para
k = i + 1..n
b,
na forma
140
e, aps a triangularizao, pro edemos om o pro esso onhe ido omo retrosubstituio, tal
que
xi = bi
onde deve-se observar que o ontador
i1
X
aik xk , i = n..1
k=n
ini ia em
e de rementa at
(por isto hamamos de
retrobustituio).
O algoritmo para soluo de um sistema de equaes e al ulo de determinante ilustrado
no Algoritmo (12).
16.3.1 Inversa de uma Matriz

Conforme j foi omentado, o l ulo da inversa de uma matriz extremamente ustoso do
ponto de vista omputa ional. No entanto, da denio da inversa de uma matriz que
AA1 = I
que pode ser visto omo a soluo simultnea de
sistemas de equaes lineares om a forma
Axi = 1i
onde
xi
nulos e
orresponde a
i esima
oluna da matriz inversa e
1i
um vetor om
n1
termos
na posio i. Como a triangularizao da matriz independe do vetor do lado direito,
podemos estender o mtodo de Gauss para onsiderarmos a soluo simultnea de
sistemas
de equao. No nal, teremos omo resposta a matriz inversa, om um usto omputa ional
mais baixo do que se tivessemos utilizado a abordagem tradi ional. O pro edimento ilustrado
no Algoritmo (13).
16.3. SOLUO DE UM SISTEMA DE EQUAES LINEARES
Algorithm 12 Soluo de um sistema de equaes - Mtodo de Gauss

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
#
# Rotina Gauss :
# Entradas : A
:
#
b
:
#
n
:
# Saidas :
b
:
#
#
Rotina Gauss (A, b , n )
Matriz
Vetor
Dimensao do s i s t e m a
S o l u a o do s i s t e m a de e q u a o e s
# V a r i a v e l que armazena o p r o d u t o r i o dos f a t o r e s

d e t e < 1 . 0
# Triangulariza ao
Para i de 1 ate n exe ute
# Armazena o termo da d i a g o n a l p r i n i p a l
a i i < A( i , i )
# Produtorio
d e t e < d e t e a i i
# D i v i d e a l i n h a por e s t e termo
b ( i ) < b ( i ) / a i i
# v a r r e as o l u n a s da l i n h a i
Para j de 1 ate n exe ute
A( i , j ) < A( i , j ) / a i i
Fim Para #j
# Varre as l i n h a s a b a i x o da a t u a l
Para k de i +1 ate n exe ute
# Termo f i x o
a k i < A( k , i )
# C o r r i g e o termo do termo i n d e p e n d e n t e
b ( k ) < b ( k ) a k i b ( i )
# Varre as o l u n a s da l i n h a k
Para j de i ate n exe ute
A( k , j ) < A( k , j ) a k i A( i , j )
Fim Para #j
Fim Para #k
Fim Para #i
# Retrosubstitui ao
Para i de n1 ate 1 p a s s o 1 exe ute
# Armazena o s o m a t o r i o
somat < 0
Para k de n ate i +1 p a s s o 1 exe ute
somat < somat + A( i , k ) b ( k )
Fim Para #k
Fim
# Obtem o v a l o r da v a r i a v e l i
b ( i ) < b ( i ) somat
Fim Para #i
# Informa o d e t e r m i n a n t e da m a t r i z
Es rever " Determinate da Matriz = " , d e t e
# Retorna o v e t o r om a r e s p o s t a
Retorna b
Rotina Gauss
141
142
Algorithm 13 Inversa de uma matriz, utilizando o mtodo de Gauss

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
#
# Rotina Gauss :
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
I
: S o l u a o do s i s t e m a de e q u a o e s
#
# Depende : Rotina I d e n t i d a d e ( n )
#
Rotina Inversa_Gauss (A, n )
# Monta uma m a t r i z I d e n t i d a d e
I = Identidade (n)
de
dimensao n
# Triangulariza ao
# Armazena o termo da d i a g o n a l p r i n i p a l
a i i < A( i , i )
# D i v i d e as l i n h a s de I por e s t e termo
I ( i , j ) < I ( i , j ) / a i i
Fim Para #j
# v a r r e as o l u n a s da l i n h a i
A( i , j ) < A( i , j ) / a i i
Fim Para #j
# Varre as l i n h a s a b a i x o da a t u a l
# Termo f i x o
a k i < A( k , i )
# C o r r i g e o termo do termo i n d e p e n d e n t e
I ( k , j ) < I ( k , j ) a k i I ( i , j )
Fim Para #j
Fim
Fim
# Varre as o l u n a s da l i n h a k
A( k , j ) < A( k , j ) a k i A( i , j )
Fim Para #j
Fim Para #k
Para #i
# Retrosubstitui ao
Para i de n1 ate 1 p a s s o 1 exe ute
# Armazena o s o m a t o r i o
somat < 0
Para k de n ate i +1 p a s s o 1 exe ute
somat < somat + A( i , k ) I ( k , j )
Fim Para #k
# Obtem o v a l o r da v a r i a v e l i
I ( i , j ) < I ( i , j ) somat
Fim Para #j
Fim Para #i
Retorna I
Rotina Inversa_Gauss
Captulo 17
De omposio LU
Na soluo do sistema de equaes
A[nn]x[n] = b[n]
, podemos re-es rever a matriz
A = LU
onde
uma matriz triangular inferior e
unitria (por denio). Os termos de

de in ognitas lij
i>j
uij i < j
Le
forma
(17.1)
uma matriz triangular superior om diagonal
de
Ana
so fa ilmente obtidos, uma vez que o nmero
igual ao nmero de termos da matriz A. Uma vez realizado
este pro edimento, obtemos
lij = aij
uij =
j1
X
lik ukj i > j
k=1
P
aij i1
k=1 lik ukj
lii
i<j
para os termos fora da diagonal e
lii = aii
uii = 1
i1
X
lik uki
k=1
para os termos da diagonal. Uma vez que tenhamos realizado este pro edimento, teremos um
sistema de equaes na forma
LUx = b.
(17.2)
Ux = y
(17.3)
x = U1 y
(17.4)
Denindo um problema auxiliar na forma
tal que
143
CAPTULO 17. DECOMPOSIO LU
144
e, inserindo a Eq. (17.4) na Eq. (17.2), obtemos
LUU1 y = b
tal que
Ly = b.
(17.5)
O problema denido na Eq. (17.5) pode ser solu ionado por substituio direta, uma vez que
triangular inferior, tal que
yi =
e, de posse de
y e da Eq.
bi
Pi1
k=1 lik yk
lii
, i = 1..n
(17.3), podemos nalmente obter
na forma
xi = yi
n
X
x por meio de uma retrosubstituio,
uik xk , i = n..1.
k=i+1
Este mtodo mais e iente do que a eliminao de Gauss.

deste algoritmo da orde de
dimenso
n = 1000,
teremos
O(n2,376 ).
De fato, a omplexidade
Assim, se estamos trabalhando om uma matriz de
1000 = 1000 106
para Gauss e
10002,376 = 13, 42 106 .
Assim,
se o omputador for apaz de realizar uma operao por mi rosegundo, teremos a soluo em
torno de
1000
segundos por Gauss e em torno de
13, 42 segundos
por LU. A implementao da
de omposio est ilustrada no Algoritmo (14), e o de soluo no Algoritmo ().

e, utilizando o Alg. (14) para de ompor a matriz
2 4 1
A = 3 1 1
1 1 1
obtemos
2 2 0.5
LU = 3 5 0.5
1 1 1
tal que
e, omo de se esperar,
1 2 0.5
L = 3 5 0 U = 0 1 0.5
0 0 1
1 1 1
2 4 1
1 2 0.5
2 0 0
3 5 0 0 1 0.5 = 3 1 1 .
1 1 1
0 0 1
1 1 1
145
Algorithm 14 De omposio de uma matriz por LU

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
#
# Rotina LU:
# Entradas : A
: Matriz
#
n
# Saidas :
A
: LU
#
#
Rotina LU (A, n )
#
# De ompoe a matriz A em LU
#
# V e r i f i a s e estamos abaixo ou a ima da
# diagonal prin ipal
Se j<i entao
< j
Senao
< i
Fim Se
# Cal ula o somatorio

soma < A( i , j )
Para k de 1 ate 1 exe ute
soma < soma A( i , k ) A( k , j )
Fim Para #k
# Armazena em A
Se j<=i entao
# L
A( i , j ) < soma
Senao
#U
A( i , j ) < soma / A( i , i )
Fim Se
Fim Para #j
Fim Para #i
# Retorna a de omposi ao
Retorna A
Fim Rotina LU
LU
146
Algorithm 15 Soluo de um sistema de equaes usando de omposio LU

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
#
# Rotina Solu iona_por_LU :
# Entradas : A
: Matriz
#
b
: vetor
#
n
# Saidas :
b
: s o l u a o do s i s t e m a
#
# Depende : LU(A, n )
#
zeros (n)
#
Rotina Solu iona_por_LU (A, b , n )
# De ompoe a matriz A em LU
A = LU(A, n )
# S o l u i o n a para y
y = zeros (n)
soma < 0
Para k de 1 ate i 1 exe ute
soma < soma + A( i , k ) y ( k )
Fim Para #k
y ( i ) < ( b ( i ) soma ) / A( i , i )
Fim Para #i
# S o l u i o n a para x
Para i de n ate 1 passo 1 exe ute
soma < 0
soma < soma + A( i , k ) b ( k )
Fim Para #k
b ( i ) < y ( i ) soma
Fim Para #i
Retorna
Fim Rotina
b
Solu iona_por_LU
17.1. CALCULO DE DETERMINANTE POR DECOMPOSIO LU
147
17.1 Cal ulo de Determinante por De omposio LU

O determinante de uma matriz triangular dado pelo produto de seus termos diagonais. Assim,
det(A) = det (LU) =
n
Y
lii
i=1
pois os termos da diagonal de
so unitrios. Para veri armos, podemos utilizar o resultado
do exemplo anterior, onde
e, portanto,
2 0 0
L = 3 5 0
1 1 1
det(A) = 2 5 1 = 10.
17.2 Inversa de uma Matriz por De omposio LU

Da denio de matriz inversa e da de omposio LU, Eq. (17.1),
A1 A = A1 (LU) = I
tal que se passarmos o produto
LUpara
o lado direito da igualdade obteremos
A1 = U1 L1
e, do exemplo anterior,
0.5
1 2
L1 = 0.3 0.2 0 U1 = 0
0
0.2 0.2 1
tal que
1
0
0.5
0.5
1
1 0 0
2 4 1
0.5
0
0
1 2 0.5
0 1 0.5 0.3 0.2 0 3 1 1 = 0 1 0 .

0 0 1
1 1 1
0.2 0.2 1
0 0
1
No entato, no vantajoso inverter as matrizes
e realizar o produto. Para isto, po-
demos solu ionar uma srie de sistemas de equaes omo zemos om a eliminao de Gauss,
porm usando a de omposio LU, que mais e iente.
Tarefa valendo nota: Propor um algoritmo para inverter uma matriz
A,
utilizando
LU .
148
Captulo 18
Mtodo de Cholesky
Quando uma matriz quadrada
A[nn]
simtri a, isto
A = AT ,
e positivo denida, ento
possvel de ompor a matriz na forma
A = UT U
onde
LU ,
(18.1)
triangular superior. Assim, om o mesmo pro edimento realizado na de omposio
podemos obter os termos de
na forma
v
u
i1
X
u
u2ki
uii = taii
k=1
para os elementos na diagonal e
uij=
1
uii
aij
para os elementos da triangular superior (j
i1
X
uki ukj
k=1
> i).
Assim, se onsiderarmos a Eq. (18.1) em um
sistema de equaes
UUT x = b
(18.2)
e se denirmos um problema auxiliar om a forma
Ux = y
(18.3)
podemos substituir a Eq. (18.3) na Eq. (18.2), obtendo
UT y = b.
(18.4)
Assim, o pro edimento semelhante ao apresentado na de omposio

que podemos armazenar somente a triangular superior da matriz
A,
LU ,
om a diferena de
o que propor iona uma
grande e onomia de armazenamento. As solues dos problemas denidos nas Eqs. (18.4) e
149
CAPTULO 18. MTODO DE CHOLESKY
150
(18.3) so
1
yi =
uii
i1
X
bi
1
xi =
uii
yi
uki yk
k=1
n
X
uik xk
k=i+1
, i = 1..n
, i = n..1.
A de omposio por Cholesky de uma matriz simtri a, sem preo upao om a e in ia

em armazenamento ilustrada no Algoritmo (16). Utilizando este algoritmo para a matriz
2 1 1
A= 1 8 1
1 1 10
obtemos
1.4142 0.7071 0.7171
A=
1
2.7386 0.1825
1
1
3.0767
pois alteramos somente a triangular superior, sem modi ar a triangular inferior.

A soluo de um sistema de equaes por Cholesky ilustrada no Algoritmo (17).
18.1 De omposio LDL

De modo a evitar o l ulo da raiz na de omposio por Cholesky, possvel modi ar a
de omposio da matriz de oe ientes para a forma
A = LDLT
onde
uma matriz diagonal. Com isto, obtemos
djj = ajj
lij
1
=
djj
j1
X
2
ljk
dkk
k=1
aij
j1
X
k=1
lik ljk dkk
, i > j.
Tarefa valendo nota: Deduzir o algoritmo de de omposio LDL e o algoritmo de soluo do

sistema de equaes. Aps, implemente no s ilab e apresente a validao.
18.1. DECOMPOSIO LDL
Algorithm 16 De omposio de uma matriz simtri a por Cholesky

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
#
# Rotina Cholesky :
# Entradas : A
: Matriz
#
n
# Saidas :
A
: U
#
#
Rotina Cholesky (A, n )
#
# De ompoe a matriz A usando Cholesky
#
# R e a l i z a o somatorio
soma < A( i , j )
soma < soma A( k , i ) A( k , j )
Fim Para #k
# V e r i f i a s e estamos na d i a g o n a l
Se j==i entao
A( i , j ) < s q r t ( soma )
Senao
A( i , j ) < soma / A( i , i )
Fim Se
Fim Para #j
Fim Para #i
Retorna
Fim Rotina
A
Cholesky
151
CAPTULO 18. MTODO DE CHOLESKY
152
Algorithm 17 Soluo de um sistema de equaes utilizando Cholesky

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
#
# Rotina Solu iona_por_Cholesky :
# Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
#
b
: vetor
#
n
# Saidas :
b
#
# Depende : Cholesky (A, n )
#
zeros (n)
#
Rotina Solu iona_por_Cholesky (A, b , n )
# De ompoe a matriz A em U'U
A = Cholesky (A, n )
# S o l u i o n a para y
y = zeros (n)
soma < 0
soma < soma + A( k , i ) y ( k )
Fim Para #k
y ( i ) < ( b ( i ) soma ) / A( i , i )
Fim Para #i
# S o l u i o n a para x
Para i de n ate 1 passo 1 exe ute
soma < 0
soma < soma + A( i , k ) b ( k )
Fim Para #k
b ( i ) < ( y ( i ) soma ) / A( i , i )
Fim Para #i
Retorna
Fim Rotina
Solu iona_por_Cholesky
Captulo 19
Condi ionamento de uma Matriz
Dos algoritmos apresentados nos aptulos anteriores a laro que para solu ionarmos um
sistema de equaes pre isamos realizar uma grande quantidade de operaes.
Em espe ial,
temos divises pelos termos da diagonal prin ipal, que no podem ser nulos e nem muito
menores do que os demais termos da matriz, para que isto no o asione erros de trun amento
ina eitveis. Quando uma matriz tem valores de tal forma que a soluo numri a do sistema
no propague erros ina eitveis, dita bem ondi ionada, do ontrrio, dizemos que a matriz
mal ondi ionada.
Se um vetor
ontm a soluo de um sistema linear de equaes, ento sabemos que
idealmente
A
xb= 0
mas na prti a a igualdade no se veri a e temos um resduo
A
xb=R
(19.1)
de tal forma que o erro absoluto da soluo pode ser es rito por
E=xx
e, se isolarmos
(19.2)
na Eq. (19.2) e substituirmos na Eq. (19.1), otemos
A (x E) = R + b
tal que
Ax AE = R + b
ou
AE = R b+b.
Desta forma, om a soluo do sistema de equaes
AE = R
153
(19.3)
CAPTULO 19. CONDICIONAMENTO DE UMA MATRIZ
154
podemos obter os valores dos erros absolutos da soluo do sistema de equaes ( laro que
isto tambm impli a em erros adi ionais, pois temos que solu ionar o mesmo sistema).
interessante que de posse dos erros absolutos, podemos obter uma nova estimativa para a
soluo, podendo assim renar a soluo de forma iterativa, por meio da Eq.
(19.3).
No
entanto, devemos lembrar que a prpria estimativa do erro ir onter um erro, de forma que o
pro edimento em si no perfeito.
Um outro on eito importante para monitorarmos a qualidade de uma matriz de oe ientes e seu impa to na soluo de um sistema de equaes est rela ionada ao nmero de
ondi ionamento. Por denio, o nmero de ondi ionamento

C (A) = kAk A1
onde as normas devem ser onsistentes, isto ,
kAk > 1.
Como sabemos que o produto
AA1 = I
ento espera-se que
C (A) C (I) = 1.
Desta forma, o maior erro relativo existente na soluo
do sistema de equaes pode ser al ulado por
max(Er ) = C (A)
kRk
kBk
(19.4)
Tarefa valendo nota: Prove a Eq. (19.4).

Outra medida importante asso iada ao nmero de ondi ionamento
onde
max
min

max
.
C (A) =
min
so os autovalores mximos e mnimos da matriz. No entanto, omo vere-
mos mais a frente, esta denio ustosa do ponto de vista omputa ional, uma vez que a
omplexidade do l ulo dos autovalores elevada.
19.1 Matrizes de Hilbert

As matrizes de Hilbert tem a forma
Hij =
e
1
i+j1

p 4n
1 + (2)
C (H) = O
19.1. MATRIZES DE HILBERT

onde
155
a dimenso da matriz. Estas matrizes so extremamente mal ondi ionadas e servem
omo exemplo para estudarmos os erros na soluo de sistemas de equaes lineares.

Exemplo: Para 4, temos
H=
1
1
2
1
3
1
4
1
2
1
3
1
4
1
5
tal que os autovalores extremos desta matriz so
C (H) =
1
3
1
4
1
5
1
6
1
4
1
5
1
6
1
7
max = 1, 5
min = 9, 67 105e,
portanto,
1, 5
= 15513, 739 >>>> 1
9, 67 105
indi ando um mal ondi ionamento. Se avaliarmos o ondi ionamento de a ordo om diferentes
normas, ento

C (A) = max (H) max H1 = 1, 0 6480 = 6480
ou
C (A) =
diag(HT ) diag(H)
Para omparao, a matriz
tem
C (A) = 6, 91.
p
diag(HT ) diag(H1 ) = 7750, 133.
2 4 1
A = 3 1 1
1 1 1
156
CAPTULO 19. CONDICIONAMENTO DE UMA MATRIZ
Captulo 20
Mtodos Iterativos para a Soluo de
Sistemas Lineares
Mtodos iterativos partem de uma estimativa para
x e operam por uma reduo sistemti a do
erro de soluo, at um determinado ritrio de onvergn ia. A grande vantagem na utilizao

de tais mtodos est em sua e in ia omputa ional.
No que segue, sero mostrados dois
mtodos muito utilizados, sendo que existe uma innidade de mtodos iterativos disponveis
na literatura.
20.1 Mtodo de Gauss-Ja obi

Seja um sistema de equaes na forma
A[nn]x[n1] = b[n1] ,
podemos isolar os termos das
diagonais em funo dos demais termos na forma
x(i)k+1
"
#
n
X
1
=
b(i)
a(i, j)x(j)k
a(i, i)
j=1
j6=i
onde ini iamos om um vetor
kxk+1 xk k tol.
x0
de modo a obter um vetor
x1
k N
e assim su essivamente, at que
Existem duas ondies su ientes para a onvegn ia:
O sistema deve ser irredutvel, isto , se
A matriz deve ser diagonal-dominante, isto ,
|a(i, i)|
|a(k, k)| >
x0 = 0,
n
X
j=1
n
X
j=1
ento
x(i)1 = b(i)/A(i, i)
|a(i, j)|j6=i , i = 1..n

|a(k, j)|j6=k , k = 1..n
que na prti a impli a em uma ondio onde o mdulo dos elementos da diagonal deve
ser maior ou igual ao somatrio mdulos dos elementos restantes da linha. O mtodo de
Gauss-Ja obi est ilustrado no Alg.(18).
157
158CAPTULO 20. MTODOS ITERATIVOS PARA A SOLUO DE SISTEMAS LINEARES
Algorithm 18 Soluo de um sistema de equaes por Gauss-Ja obi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
#
# Rotina Gauss_Ja obi :
# Entradas : A
#
b
: vetor
#
x
: vetor
#
n
#
tol
: t o l e r a n i a de parada
#
nmaxiter : Numero maximo de i t e r a o e s
# Saidas :
xp
#
# Depende : z e r o s ( n )
#
Rotina Gauss_Ja obi (A, x , b , n , t o l , nmaxiter )
# Alo a um v e t o r t e m p o r a r i o
xp = z e r o s ( n )
# Iteradores
Para k de 0 ate nmaxiter
exe ute
# Norma de x
norma < 0
# I t e r a p e l a s p o s i o e s de x
s o m a t o r i o < 0
Para j de 1 ate i 1 exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) x ( j )
Fim Para #j
Para j de i +1 ate n exe ute
Fim Para #j
# Cal ula a estimativa
xp ( i ) < ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
# In rementa a norma
norma < norma + ( x ( i ) xp ( i ) ) 2
Fim Para
#i
# Verifi a a toleran ia
Se s q r t ( norma ) <= t o l entao
E s r e v e "Norma f o i a t i n g i d a " , norma , " " , k
Retorna xp
Fim Se
# Copia xp para x
x = xp
Fim Para
Retorna
Fim Rotina
#k
xp
Gauss_Ja obi
20.1. MTODO DE GAUSS-JACOBI
159
Uma outra maneira de denir o mtodo de Gauss-Ja obi rees rever a matriz
em
A = D + (A D) ,
onde
ontm a diagonal de
A,
tal que
Dxk+1 = (A D) xk + b
ou
xk+1 = D1 (A D) xk + D1 b,
onde a laro que
G = D1 (A D)
um operador que representa o mtodo de Gauss-Ja obi. Para que o mtodo no tenha uma
ampli ao ao longo das iteraes (o que iria ausar a instabilidade do mtodo), observamos
que o maior autovalor de
G deve
ser menor ou igual a
1, fato este que satisfeito se a ondies
de diagonal dominante for observada.

Exemplo:
Seja
10 0 0
10 1 1
10 0 0
10 1 1
A = 2 7 0 = 0 7 0 + 2 7 0 0 7 0
0 0 8
1 1 8
0 0 8
1 1 8
ento o operador que des reve o mtodo de Gauss-Ja obi
1
G = D (A = D) = 0.2857143
0.125
que tem todos os autovalores menores do que
1.
Se
b=1
0.1
0
0.125
0.1
0
0
e ini iarmos o mtodo om
ento

x1 = D1 (A D) x0 + D1 b = 0.1 0.1428571 0.125 ,

x2 = D1 (A D) x1 + D1 b = 0.1267857 0.1714286 0.1553571 ,
x3 = D

(A D) x2 + D b = 0.0673214 0.1066327 0.0877232 ,
1

x4 = D1 (A D) x3 + D1 b = 0.0805644 0.1236224 0.1032557 ,
x0 = 1,

x5 = D1 (A D) x4 + D1 b = 0.0773122 0.1198387 0.0994766

x6 = D1 (A D) x5 + D1 b = 0.0780685 0.1207679 0.1003561
sendo que mais iteraes vo levar a uma melhor a ur ia do resultado.
20.2 Mtodo de Gauss-Seidel

O mtodo de Gauss Seidel difere do mtodo de Gauss Ja obi apenas pela frmula de re orrn ia,
onde os valores de
xk+1
Assim
x(i)k+1 =
que j foram al ulados so utilizados para omputar os
"
1
b(i)
a(i, i)
i1
X
j=1
a(i, j)x(j)k+1
n
X
a(i, j)x(j)k ,
j=i+1
xk+1
restantes.
k N
e isto torna a onvergn ia mais rpida. O mtodo ilustrado no Alg. (19).

Uma outra maneira de demonstrar a deduo e implementao deste mtodo onsiste em
rees rever a matriz
na forma
A=D+L+U
onde
ontm a diagonal de
A, L
ontm a triangular abaixo da diagonal e
ontm a
triangular a ima da diagonal (no onfundir om as matrizes obtidas por LU). Desta forma, o
sistema de equaes pode ser es rito omo
(D + L) xk+1 = Uxk + b,
tal que
xk+1 = Gxk + b
onde
G = (D + L)1 U
e, se o operador
G tiver seu maior autovalor menor ou igual a um, ento no haver ampli ao
durante o pro esso iterativo.

Exemplo:
Seja a matriz
0 0 0
10 0 0
10 1 1
0 1 1

A = 2 7 0 = 0 7 0 + 2 0 0 + 0 0 0
0 0 8
1 1 8
1 1 0
0 0 0
20.2. MTODO DE GAUSS-SEIDEL
Algorithm 19 Soluo de um sistema de equaes por Gauss-Seidel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
#
# Rotina Gauss_Seidel :
# Entradas : A
#
b
: vetor
#
x
: vetor
#
n
#
tol
#
# Saidas :
xp
#
# Depende : z e r o s ( n )
#
Rotina Gauss_Seidel (A, x , b , n , t o l , nmaxiter )
# Alo a um v e t o r t e m p o r a r i o
xp = z e r o s ( n )
# Iteradores
Para k de 0 ate nmaxiter
exe ute
# Norma de x
norma < 0
# I t e r a p e l a s p o s i o e s de x
s o m a t o r i o < 0
Para j de 1 ate i 1 exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) xp ( j )
Fim Para #j
Fim Para #j
# Cal ula a estimativa
xp ( i ) < ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
# In rementa a norma
norma < norma + ( x ( i ) xp ( i ) ) 2
Fim Para
#i
# Verifi a a toleran ia
Se s q r t ( norma ) <= t o l entao
E s r e v e "Norma f o i a t i n g i d a " , norma , " " , k
Retorna xp
Fim Se
# Copia xp para x
x = xp
Fim Para
Retorna
Fim Rotina
#k
xp
Gauss_Seidel
161
Assim, o operador
0
0.1
0.1
G = 0 0.0285714 0.0285714
0 0.0089286 0.0089286
om autovalores
1 = 2 = 0 e 3 = 0.0375,
tal que o mtodo ir onvergir. De fato, se
b = 1,
ento, ini iando o algoritmo om
x0 = 1,
teremos
x1 = (D + L)
x2 = (D + L)
x3 = (D + L)
x0 + (D + L)
x1 + (D + L)
x2 + (D + L)
T
b = 0.1 0.1714286 0.1160714 ,

T
b = 0.07125 0.1225 0.1007813 ,

T
b = 0.0776719 0.1206652 0.1002079

T
x4 = (D + L)1 x3 + (D + L)1 b = 0.0776719 0.1206652 0.1002079 ,
que j apresenta onvergn ia at a quarta asa de imal. imporatnte salientar que as inverses
no so al uladas, pois o algoritmo a ser utilizado o ilustrado anteriormente.
20.3 Mtodo do Gradiente - Steepest Des ent

Se denirmos uma funo quadrti a om a forma
ento podemos onstatar que, se
1
(x) = xT Ax bT x
2
a matriz A for simtri a
e positivo-denida, ento existe
somente um ponto de mnimo para a funo e este ponto igual a soluo do sistema de
equaes
Ax = b.
Isto pode ser veri ado utilizando a ondio ne essria para o mnimo de
uma funo de vrias variveis, ou seja,
(x) = Ax b = 0
e, da ondio su iente, sabemos que
H=A
deve ser positivo-denida.
Exemplo:
Seja o sistema denido por
20.3. MTODO DO GRADIENTE - STEEPEST DESCENT
1 1
1 2
Neste aso, observamos que a funo
163
!( ) ( )
x1
1
=
.
x2
1
(x) = 0.5 (x2 (2 x2 + x1 ) + x1 (x2 + x1 )) x2 x1

e, do l ulo, sabemos que o mnimo desta funo obtido quando o gradiente nulo e a matriz
Hessiana positivo denida. De fato, al ulando o gradiente, obtemos
(x) =
ou seja,
x1 + x2 1
x1 + 2x2 1
Ax b.
O mtodo do gradiente basi amente o mtodo de otimizao onhe ido omo
des ent.
Neste mtodo, partimos de um ponto arbitrrio
do sistema, observamos que o gradiente da funo
x0
steepest
e, omo este ponto no a soluo
dado por
(x0 ) = Ax0 b = r0 ,
onde
r0
o vetor resduo ini ial. Do l ulo, sabemos que o vetor gradiente em um ponto indi a
a direo de maior aumento do valor da funo, tal que, para obtermos um valor menor do que
o atual, devemos andar na direo oposta. Desta forma, a estimativa para o prximo ponto
ser
x1 = x0 r0
onde
um passo nesta direo. O passo ne essrio, devido ao arter lo al do gradiente.
Para obtermos o valor de
devemos inserir a estimativa de
x1
na funo
resultando em
1
(x0 r0 )T A (x0 r0 ) bT (x0 r0 ) .
2
1
Assim, podemos obter o valor ideal de que minimiza (x ) igualando a derivada de (x1 )
relao a a zero
(x1 ) =
em
(x1 ) = rT Ar rT (A x b) = 0 = rT Ar rT r
que leva a
=
Se o ponto
x1
rT r
.
rT Ar
for a soluo do sistema, ento o prximo vetor resduo ser nulo.
Do on-
trrio, devemos repetir o pro edimento at que uma determianda tolern ia seja obtida.
pro edimento est ilustrado no algoritmo 20.
Exemplo:
Solu ionando o sistema denido no omeo desta seo, om

T
r0 = 11 21 ,
kr0 k = 23.7,

T
r1 = 3.2015702 1.677013 ,
kr2 k = 1.1,
T
r3 = 0.1380161 0.0722942 ,
kr3 k = 0.1,

T
r4 = 0.0204421 0.0390259 ,

T
r5 = 0.0059497 0.0031165 ,
obtemos

T
x1 = 0.4356399 0.0774146
kr1 k = 3.6,

T
r2 = 0.4741977 0.9052865 ,
x0 = 1,
kr4 k = 0.04,

T
x2 = 0.1309866 0.0821657

T
x3 = 0.1066577 0.0357195

T
x4 = 0.0935244 0.0425989

T
x5 = 0.0924757 0.0405966
kr5 k = 0.007,
om uma a ur ia na ter eira asa de imal.

T
x6 = 0.0919095 0.0408932 ,
20.4 Mtodo dos Gradientes Conjugados

O mtodo dos gradientes onjugados um renamento dos on eitos envolvidos no mtodo
do gradiente. A grande diferena est no fato de utilizarmos uma outra direo diferente do
negativo do gradiente, melhorando assim as ara tersti as de onvergn ia do mtodo.
Um on eito importante o de direes onjugadas: Seja uma matriz positivo-denida
dois vetores
v. u
so ditos onjugados se
uT AT v = vT Av = 0.
Assim, a ada iterao do mtodo dos Gradientes Conjugados, utilizamos uma direo que
seja onjugada om a direo anterior de minimizao. Isto faz om que o mtodo tenha as
seguintes ara tersti as:
Os resduos formam um sistema ortogonal, ie,
A soluo obtida em, no mximo,
rTi rj = 0,
, i 6= j ;
iteraes.
Como na primeira iterao no temos duas direes para onjugar, observamos que o mtodo
se torna o mtodo dos gradientes. Aps a primeira iterao, impomos a ondio de que as
direes de bus a sejam onjugadas.
iterao
k , rk ,
notao
dk
Para evitar a onfuso entre o vetor resduo de uma
e a direo de bus a do mtodo dos gradientes onjugados, iremos utilizar a
para simbolizar a direo em ada iterao.
Assim, aps a primeira iterao, impomos a ondio
dTk Adk1 = 0
20.4. MTODO DOS GRADIENTES CONJUGADOS
Algorithm 20 Soluo de um sistema de equaes pelo mtodo do gradiente.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
//
// Rotina Metodo_Gradiente :
// Entradas : A
//
b
: vetor
//
x
: vetor
//
n
//
tol
//
// S a i d a s :
x
//
//
fun tion [ x = Metodo_Gradiente (A, x , b , n , t o l , nmaxiter )
// Alo a o v e t o r r e s i d u o
r = zeros (n , 1 )
// I t e r a o e s
for k=1: nmaxiter
// C a l u l a o r e s i d u o
r = A x b
// V e r i f i a a norma do r e s i d u o
i f ( norm ( r )< t o l )
return x
end
// C a l u l a o p a s s o
t = r ' r
tb = r ' A r
a l f a = t / tb
// A t u a l i z a o p a s s o
x = x alfar
end
//k
m p r i n t f ( " \ n Nao f o i p o s s i v e l o b t e r a s o l u a o om a a u r a i a d e s e j a d a " )
endfun tion
165
sendo que a direo de bus a na iterao
obtida por uma ombinao linear
dk = dk1 + k1 dk1
onde
k1
um es alar que dene a ombinao linear. Este termo obtido diretamente da
ondio de onjugao, pois
dTk Adk1 = 0 (dk1 + k1 dk1 )T Adk1 = 0

resultando em
k1 =
rTk1 Adk1
.
dTk1 Adk1
Assim, o prximo ponto ser
xk+1 = xk + k dk
e, utilizando o mesmo pro edimento do mtodo do gradiente, obtemos
k =
rTk1dk
.
dTk Adk
Finalmente, utilizando a regra de atualizao de
x,
veri amos que
rk = Axk b rk = A (xk1 + k dk ) b
tal que
rk = rk1 + k Adk .
Este mtodo tem omo propriedades as seguintes ondies de ortogonalidade:
rTk rk1 = 0;
rTk dk = 0;
rTk dk1 = 0;
que permitem, aps um nmero onsidervel de operaes, obter:
rTk1 dk
rTk1 rk1
k = T
= T
dk Adk
dk1 Adk1
e
k1 =
rTk1 Adk1
rTk1 rk1
=
.
dTk Adk1
rTk2 rk2
O pro edimento est ilustrado no algoritmo 21.
20.4. MTODO DOS GRADIENTES CONJUGADOS
167
Algorithm 21 Soluo de um sistema de equaes pelo mtodo dos Gradientes Conjugados.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
//
// Rotina Gradientes_Conjugados :
// Entradas : A
//
b
: vetor
//
x
: vetor
//
n
//
tol
// S a i d a s :
x
//
//
fun tion [ x = Gradientes_Conjugados (A, x , b , n , t o l )
// P r i m e i r a i t e r a a o = metodo do g r a d i e n t e
r 0 = A x b
d1 = r 0
ima = r0 ' r 0
b a i x o = r0 ' A r 0
alpha = ima / b a i x o
x = x + d1 alpha
// Proxima e s t i m a t i v a
r 1 = r 0 + alpha A d1
de
residuo
// I t e r a o e s
for k=2:n
// C a l u l a o f a t o r da ombina ao l i n e a r
t = r1 ' r 1
tb = r0 ' r 0
b e t = t / tb
// D i r e a o de minimiza ao
d1 = r 1 + b e t d1
// Testa p e l a norma do r e s i d u o
i f norm ( r 1)< t o l then
return x
end
// C a l u l a o p a s s o
t = r1 ' r 1
tb = d1 ' A d1
a l f a = t / tb
// A t u a l i z a o ponto
x = x + a l f a d1
end
// Translada os r e s i d u o s
r0 = r1
r 1 = r 0 + a l f a A d1
//k
m p r i n t f ( " \ n Nao f o i p o s s i v e l o b t e r a s o l u a o om a a u r a i a d e s e j a d a " )
endfun tion
Tarefa valendo nota: Solu ione um sistema de dimenso

uma matriz de Hilbert e o vetor
n = 10
b um vetor de sua es olha.
uja matriz de oe ientes
Utilize todos os mtodos de soluo
do sistema de equaes e verique a sensibilidade do sistema ao nmero de ondi ionamento

da matriz.
Captulo 21
Sistemas de Equaes Lineares Complexas
Os nmeros omplexos,
C,
so uma extenso dos nmeros reais, tal que
R C.
Se onsiderar-
mos que um polinmio om oe ientes reais pode ter razes omplexas, podemos entender que
o onjunto de nmeros omplexos
ompleta
o onjunto dos nmeros reais.
Um nmero omplexo representado na forma
z = a + ib
om
perten entes aos reais,
tal que:
a parte real de
a parte imaginria de
e es reve-se
Re(z) = a;
Im(z) = b.
e es reve-se
O omplexo
um nmero real sse
O omplexo
um imaginrio puro sse
O omplexo
nulo sse
Im(z) = 0;
Re(z) = 0
Im(z) 6= 0;
Re(z) = Im(z) = 0.
Se as grandezas que esto envolvidas na denio do problema forem omplexas, ento o

sistema de equaes lineares ter a forma
(A + Ac i) (xr + xc i) = (br + bc i)
de tal forma que, usando a propriedade de distributividade, podemos re-es rever o sistema na
forma
(Axr Ac xc ) + (Ac xr + Axc ) i = (br + bc i)

pois
i2 = 1.
Assim, podemos reagrupar o sistema na forma
A Ac
Ac A
!(
xr
xc
br
bc
e este sistema pode ser solu ionado por qualquer mtodo apaz de solu ionar um sistema om
matriz de oe ientes no simtri a e no positivo denida.
169
CAPTULO 21. SISTEMAS DE EQUAES LINEARES COMPLEXAS
170
Exemplo:
Sejam as equaes:
(3 + 2i)a + (1 4i)b = 7 + 5i
(1 + 2i)a + (10 + 8i)b = 25.
ento podemos identi ar os seguintes elementos:
A=
3 1
1 10
Ac =
2 4
2 8
b=
bc =
7
25
As in gnitas
5
0
a e b tambm devem ser omplexas, om expresses a = ar + ac i e b = br + bc i,
de tal forma que
x=
xc =
ar
br
ac
bc
Assim, o sistema omplexo assuma a forma
om soluo
1 10
2 4
2 8
2 8
3 1
1 10
2
ar
25
r
=
,
ac
5
bc 0
ar = 5, 266, br = 1, 475, ac = 0, 838 e bc = 2, 149.
Veri ando a primeira equao:
(3 + 2i)(5, 266 + 0, 838i) + (1 4i)(1, 475 2, 149i) = 7 + 5i

(3 + 2i)(5, 266 + 0, 838i) = 14, 122 + 13, 048i e (1 4i)(1, 475 2, 149i) = 7, 122 8, 048i,
resultando em 7 + 5i. Da mesma forma, a segunda equao resulta em:
pois
(1 + 2i)(5, 266 + 0, 838i) + (10 + 8i)(1, 475 2, 149i) = 25
171
pois
(1+2i)(5, 266+0, 838i) = 6, 944+9, 695i e (10+8i)(1, 4752, 149i) = 31, 9449, 695i.
172
CAPTULO 21. SISTEMAS DE EQUAES LINEARES COMPLEXAS
Captulo 22
Soluo de Sistemas No-Lineares
Os pro edimentos apresentados at agora dizem respeito a soluo de problemas lineares, ou

seja, possvel obter uma matriz de oe ientes e um vetor que so independentes dos valores
das variveis
x.
No entanto, diversos problemas de engenharia so des ritos por equaes no-
lineares, de tal forma que importante entendermos os pro edimentos de soluo para esta
lasse de problemas.
A forma geral de um sistema de equaes no-lineares
f1 (x1 , x2 , ...., xn ) = 0
...
...
f (x , x , ..., x ) = 0
n 1
2
n
onde ada uma das equaes pode ser aproximada no entorno de um ponto
fi (x1 , x2 , ..., xn )
onde
xi = xi xki .
fi (xk1 , xk2 , ..., xkn )
xk
por
n
X
fi
xj , j = 1..n
+
xkj
j=1
Assim, podemos onsiderar que no entorno do ponto
n
X
fi
xj = fi (xk1 , xk2 , ..., xkn ), j = 1..n
k
x
j
j=1
ou, matri ialmente
f1
xk1
.
.
.
fn
xk1
...
..
.
f1
xkn
...
fn
xkn
..
.
x
f1 (xk )
1
..
..
.
. =
xn
fn (xk )
Na forma ompa ta podemos es rever a Eq. (22.1) omo
JY = B
173
(22.1)
CAPTULO 22. SOLUO DE SISTEMAS NO-LINEARES
174
onde a matriz onhe ida omo matriz Ja obiana do sistema. Assim, de posse de uma estimativa
xk ,
podemos obter a nova estimativa omo
xk+1 = xk + Y k
at que
kYk < tol.
Esta a extenso do Mtodo de Newton-Raphson para multiplas variveis,
tendo portanto as mesmas propriedades.

Exemplo: Dado o sistema de equaes
x1 + 2x2 + x3 + 4x4 20, 7 = 0
x2 + 2x x + x3 15, 88 = 0
1 2
1
4
3
3
x1 + x3 + x4 21, 218 = 0
3x2 + x3 x4 21, 11 = 0
temos que
1
2
1
4
2x2 + 2x1 2x1 0 3x24
J=
3x21
0 3x23 1
0
3
x4 x3
e, partindo do ponto
x0 = 1,
temos
tal que
12.7
4 2 0 3
11.88
0
Y =
3 0 3 1
18.218
17.11
0 3 1 1
1 2 1 4
x1 =
+
e, na segunda iterao, teremos
1.23285
4.19175
2.23285
5.19175
5.00045
6.00045
0.4819
0.52001
2.6645 1015
12.44379
14.8533 4.4663
0
0.81151
Y0 =
14.9613
206.3798
0
107.9802
1
2.39923
0
3
0.520099 5.99945
Tarefa valendo nota: Termine de solu ionar o problema, at uma tolern ia de
1 106 .
Captulo 23
Problema de Mnimos Quadrados
Seja uma funo
f (x)
de
nv
variveis, a ser determinada a partir de uma srie de pontos
experimentais, avaliados em um onjunto dis reto de

nos pontos
forem organizados em um vetor
nexp
pontos
V[nexp 1] ,
.
x
Se os valores experimentais
ento podemos denir o erro mdio
quadrti o entre os valores da funo e os valores experimentais na forma
v
unexp
uX
=t
(f (
xi ) Vi )2 .
i=1
Supondo agora que a funo seja des rita por um polinmio de ordem
m,
na forma
f (x) = pT (x)a
teremos
v
unexp
uX 1
(pT (
xi )a Vi )2
=t
2
i=1
onde a ondio ne essria para mnimo desta funo
a = 0
e
o vetor que ontm os oe ientes do polinmio (a serem determiandos no ajuste da
funo). Desenvolvendo esta expresso obteremos um sistema de equaes lineares na forma
Aa = f
onde
nexp
A=
p(
xi )pT (
xi )
i=1
f=
nexp
X
p(
xi )Vi .
i=1
175
CAPTULO 23. PROBLEMA DE MNIMOS QUADRADOS
176
Exemplo: Seja a funo a aproximar
f (x1 , x2 ) = a0 + a1 x1 + a2 x2 + a3 x21 + a4 x22
e os dados
experimentais
x1
x2
-5
11
-13
-25
obtenha os oe ientes que melhor aproximam a funo aos dados experimentais.
O polinmio
pode ser representado por
f (
x1 , x2 ) = pT (
x)a = [ 1 x1 x2 x21
a0
a1
x22 ]
a
2
a3
a4
tal que
a0 + a1 0 + a2 0 + a3 02 + a4 02 3
2
+ a0 + a1 1 + a2 1 + a3 12 + a4 12 (5)
2 o 21
2
2
+ a0 + a1 2 + a2 2 + a3 2 + a4 2 (25)
2
+ ...
e, se al ularmos o gradiente em relao aos oe ientes do polinmio obteremos

d
=
a0 + a1 0 + a2 0 + a3 02 + a4 02 3 + a0 + a1 1 + a2 1 + a3 12 + a4 12 (5) + ...
da0

+ a0 + a1 2 + a2 2 + a3 22 + a4 22 (25) = 0

d
=
a0 + a1 0 + a2 0 + a3 02 + a4 02 3 0 + a0 + a1 1 + a2 1 + a3 12 + a4 12 (5) 1 + ...
da1

+ a0 + a1 2 + a2 2 + a3 22 + a4 22 (25) 2 = 0
......

d
=
a0 + a1 0 + a2 0 + a3 02 + a4 02 3 02 + a0 + a1 1 + a2 1 + a3 12 + a4 12 (5) 12 + ...
da4

+ a0 + a1 2 + a2 2 + a3 22 + a4 22 (25) 22 = 0
177
e, olo ando os oe ientes em evidn ia, obtemos
d
da0
d
da1
a0
5
X
i=1
a0
5
X
a0
5
X
i=1
x1 (i) + a2
x
1 (i) + a1
5
X
x
21 (i) + a2
x2 (i) + a3
5
X
5
X
x21 (i) + a4
5
X
5
X
x
2 (i)
x1 (i) + a3
x
21 (i)
x22 (i) + a2
5
X
5
X
5
X
x
22 (i)
x1 (i) =
x
2 (i)
x22 (i)
x22 (i) + a3
5
X
5
X
V (i)
x1 (i)
i=1
i=1
i=1
5
X
V (i)
i=1
x
21 (i)
x1 (i) + a4
x21 (i)
x22 (i) + a4
5
X
x22 (i)
x22 (i) =
5
X
V (i)
x22 (i)
i=1
i=1
i=1
i=1
i=1
x
22 (i) =
i=1
i=1
i=1
i=1
x
22 (i) + a1
5
X
i=1
i=1
i=1
...
d
da4
5
X
1 + a1
tal que
P5
i=1
P5
P5
P5
P5
1 (i)
2 (i)
21 (i)
22 (i)
i=1 x
i=1 x
i=1 x
i=1 x
P
P
P
P5
5
5
5
2 (i)
x1 (i)
x
3 (i)
1 (i)
x2 (i)
21 (i)
i=1 x
i=1 x
i=1 x
P5
P5 i=12 1
P5
2
3
x
(i)
x
(i)
x
(i)
x
(i)
2
i=1 2
i=1 1
P5
P5 i=12 2 2
4
(i)
x (i)
x
(i)
i=1 x
i=1 1
P5 2 4 1
2 (i)
i=1 x
e, om os dados deste problema, obteremos o sistema
tal que
5 4 4
a0
a0
a1

a2 =

a3

a4
6 9 10
18 17
18
6 5 10
a0
a1
a2
a3
a4
P5
V (i)
P5
V (i)
x1 (i)
P5i=1
V
(i)
x
2 (i)
P5i=1
2
V (i)
x1 (i)
P5i=1
x22 (i)
i=1 V (i)
i=1
29
44
68
94
118
a1 2
a2 = 0 .
a 10
3
a4
16
A soluo deste problema utilizando o s ilab est ilustrada no Alg. (22)
23.0.1 Es alonamento das Variveis

omum lidarmos om uma matriz de oe ientes mal ondi ionada, prin ipalmente quando as variveis envolvidas no problema de mnimos quadrados apresentam ordem de grandeza muito diferentes.
Neste aso, a melhor estratgia onsiste em trabalhar om um novo onjunto de variveis normalizadas.
Se uma varivel original x denida no intervalo [xmin , xmax ] e queremos que a varivel passe a
ter valores no intervalo [rmin , rmax ], podemos denir o mapeamento
r = rmin + (x xmin )
rmax rmin
xmax xmin
Desta forma, podemos fazer om que todas as variveis apresentem a mesma ordem de grandeza,
reduzindo muito a han e de observarmos o mal ondi ionamento. importante salientar que as
equaes obtidas sero em funo das novas variveis r, mas que o mapeamento inverso obtido por
178
Algorithm 22 Soluo do problema de Mnimos Quadrados usando o S ilab

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
// Pontos e x p e r i m e n t a i s
xb = [ [ 0 , 1 , 1 , 0 , 2 ; [ 0 , 1 , 0 , 1 , 2 ;
// Dados e x p e r i m e n t a i s
V = [3 , 5 ,11 , 13 , 25
// Numero de pontos e x p e r i m e n t a i s
nexp = l e n g t h (V)
// Numero
nb = 5
de
termos da base ( 1 , x , y , x ^2 , y ^2)
// D e l a r a A e b
A = z e r o s ( nb , nb )
b = z e r o s ( nb , 1 )
// Loop p e l o s pontos e x p e r i m e n t a i s
for i =1: nexp
// Vari \ ' a v e l x
x = xb ( 1 , i )
// Vari \ ' a v e l
y = xb ( 2 , i )
// Base
p = [ [ 1 ; [ x ; [ y ; [ x 2;[ y2 ;
// A umula os s o m a t o r i o s de A e b
A = A + pp ' ;
b = b + p V( i )
end
// Obtem os o e f i i e n t e s
o e f = A\b
23.1. PROBLEMA DE MNIMOS QUADRADOS DEFINIDO POR UMA EQUAO NO LINEAR DO
x = xmin + (r rmin )
xmax xmin
rmax rmin
23.1 Problema de Mnimos Quadrados Denido por uma

Equao no Linear dos Coe ientes
Se o modelo a ser ajustado no puder ser es rito na forma f (x) = pT a, ento no possvel solu ionar
o problema atravs da soluo de um sistema de equa es lineares. Neste aso, a ondio de mnimo
a = 0
da origem a um sistema de equaes no lineares
f1 (a0 , a1 , ...., an ) = 0
...
...
fn (a0 , a1 , ..., an ) = 0
que deve ser solu ionado pelo mtodo de Newton-Raphson.

Exemplo: Seja o modelo des rito pela equao f (x) = a0 + cos(a1 x) e os dados experimentais
f (1) = 0, f (2) = 2, f (3) = 0 e f (4) = 2. Neste aso, a equao de mnimos quadrados se torna
(a0 + cos(a1 1) 0)2 + (a0 + cos(a1 2) 2)2 + (a0 + cos(a1 3) 0)2 + (a0 + cos(a1 4) 2)2
e, esta equao atinge um mnimo quando

a =
d
da0
d
da1
f1 (a0 , a1 )
f2 (a0 , a1 )
=0
tal que
f1 =
e
f2 =
2 (cos (4 a1) + a0 2) + 2 (cos (3 a1) + a0) + 2 (cos (2 a1) + a0 2) + 2 (cos (a1) + a0)
d
= q
da0
2 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2
d
8 (cos (4 a1) + a0 2) sin (4 a1) 6 (cos (3 a1) + a0) sin (3 a1) 4 (cos (2 a1) + a0 2) sin (2 a1) 2 (cos (a1) + a0) sin (a1)
q
.
=
da1
2 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2
Assim, a matriz Ja obiana des rita por
"
J11 J12
J21 J22
"
df 1
da0
df 2
da0
df 1
da1
df 2
da1
"
d2
da0 da0
d2
da1 da0
d2
da0 da1
d2
da1 da1
180
om, por exemplo
4
J11 = q
(cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2
(2 (cos (4 a1) + a0 2) + 2 (cos (3 a1) + a0) + 2 (cos (2 a1) + a0 2) + 2 (cos (a1) + a0))2

3 .
2
4 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0()2
Captulo 24
Soluo de Problemas de Autovalores e
Autovetores
Um problema de autovalores e autovetores tem a forma
Ax = x
onde
um autovalor e
(24.1)
um autovetor. Para obtermos os autovalores, podemos rearranjar
a Eq. (24.1) na forma
[A I] x = 0
(24.2)
e a soluo no trivial obtida quando
det (A I) = 0
dando origem a um polinmio om a forma
an n + an1 n1 ... + a1
que ter
raizes (autovalores). De posse dos autovalores, podemos obter o autovalor
iado a um autovalor
xi
asso-
por meio da soluo do sistema de equaes homogneas e Eq. (24.2).
24.1 Mtodo da Potn ia

Se uma matriz
A[nn]
tem um autovalor dominante, isto , se existe um autovalor que em
mdulo maior do que os demais, ento existe um vetor
x0
no nulo tal que a sequn ia
denida por
x1 = Ax0 ; x2 = Ax1 , .....xk = Axk1

ou
xk = Ak x0
181
{x}k
182CAPTULO 24.
SOLUO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
tende ao autovetor asso iado ao autovalor dominante. Para veri armos este omportamento,
primeiro veri amos que
de
x0 pode ser es rito por meio de uma ombinao linear dos autovetores
n
X
x0 =
ci vi .
i=1
possvel provar que (
verique)
k
A x0 =
n
X
ci ki vi
i=1
ou, olo ando o autovalor dominante
k1
em evidn ia, podemos re-es rever esta equao omo
A x0 =
ki
n
X
ci
i=1
onde a laro que as fraes

o ontador
k,
i
om
1
i > 1
i
1
k
vi
so menores do que
e que ao in rementarmos
estes valores sero termos de ordem superior. Com isto, para
su ientemente
elevado, veri amos que a sequn ia onverge para
Ak x0 c1 k1 v1 .
Outra informao interessante que podemos veri ar que uma vez que
xk+1 = Axk
e
xk+1 tende
a um autovetor dominante, entoo
Axk
tende a
kxk+1 k
1
kxk k
Exemplo: Considerando a matriz
10 1 2 3
1 20 2 1
A=
2 3 30 1
1 2 3 40
1 xk ,
de tal forma que
24.1. MTODO DA POTNCIA

e ini iado om
x0 = 1,
183
teremos
xT1
xT1
=
....
xT19
16 22 36 46
392 542 1224 2008
i
i
1029
h
i
=
9.4118 4.8743 11.4576 86.7484 1032
xT20
5.7101 2.9656 7.0122 52.5745
e, dividindo o ltimo resultado pela norma Eu lidiana do vetor, obtemos
v1T =
0.1067813 0.0553020 0.1299917 0.9841959
que muito prximo ao autovetor asso iado ao maior autovalor desta matriz. O autovalor pode
ser obtido por
x(1)20
= 40.6171
x(1)19
que tem a ur ia de
dgitos de imais. interessante notarmos tambm que a operao
vT Av = 1
o que esperado, uma vez que o autovetor diagonaliza a matriz (neste aso, somente na posio
orrespondente ao autovalor dominante). Assim, da propriedade de que os autovalores de uma
matriz so transladados por uma magnitude
por meio de uma operao (
shift ) na forma
A cI
podemos realizar esta operao om a matriz original e om
A1 =
c = 1 ,obtendo
30.6116
1
2
1
20.6116
2
2
3
10.6116
1
3
1
1
0.6116
e, realizando novamente o mesmo pro edimento (at a vigsima iterao), obtemos
v2T =
0.9854277 0.1224214 0.1143751 0.0293873
2 = 30.8078 + 40.6171 = 9.8082

que o menor autovalor da matriz
A.
Assim, podemos restringir o algoritmo de forma su essiva
ao espao nulo (n leo) dos autovetores j obtidos, de modo a obter os demais autovalores. Na
184CAPTULO 24.
prti a, esta abordagem no muito e iente. Este mtodo ilustrado no Alg.(23).
24.1.1 Mtodo da Potn ia Inversa

Esta uma variao do Mtodo da Potn ia, onde trabalhamos om o inverso da matriz de
oe ientes. Com isto, iremos obter o autovetor asso iado ao
menor autovalor.
Assim
xk = Ak x0
e
1
kxk+1 k
.
kxk k
n
Deve-se salientar que no invertemos a matriz, mas solu ionamos um sistema de equaes
na forma
Axk+1 = xk .
Exemplo: Novamente iremos onsiderar a matriz
10
1 20 2 1
A=
2 3 30 1
1 2 3 40
Assim, ini iando om
Ax1
Ax2
=
......
x0 = 1
xT1
teremos
0.0849 0.0511 0.0212 0.0187

h
i
x1 xT2 = 0.008179 0.0029702 0.0001151 0.0001226
xT19
Ax19
x18
Ax20
x19 xT20
1.11866 0.1384 0.1296799 0.0333282 1019

h
i
= 1.412 1.1411 0.132292 0.0339997 1020
=
e, normalizando o ultimo vetor
v1 =
0.9855 0.1219 0.1142436 0.0293611
A menor autovalor obtido por
min =
1.412 1020
1.11866 1019
1
= 9.8024.
Tarefa Valendo Nota: Modi ar o Alg. (23) para o Mtodo das potn ias Inversas.
24.1. MTODO DA POTNCIA
185
Algorithm 23 Mtodo das potn ias para l ulo do autovetor dominante

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
#
# Rotina Metodo_Poten ia :
# Entradas : A
: Matriz quadrada
#
n
#
tol
: C r i t e r i o de Parada (<<1)
# Saidas :
x
: Autovetor dominante
#
lambda : Autovalor dominante
#
# Depende :
#
MatrizXMatriz (A, B,m, n , o )
#
Es alarXMatriz ( e ,A,m, n )
#
Norma ( x , n , p )
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
Rotina Metodo_Poten ia (A, n )
# Primeira e s t i m a t i v a
x < I d e n t i d a d e ( n , 1 )
de
# Primeira e s t i m a t i v a do a u t o v a l o r
lambda < 0 . 0
# Primeira e s t i m a t i v a do i n t e r v a l o
I < 1
# Itera
Enquanto
I > tol
de
onvergen ia
exe ute
# Cal ula nova e s t i m a t i v a para o x

xk < MatrizXMatriz (A, x , n , n , 1 )
# Cal ula a e s t i m a t i v a do a u t o v a l o r
lambda_k < xk ( 1 ) / x ( 1 )
# I n t e r v a l o para a l u l o de t o l e r a n i a
I < abs ( lambda_k lambda )
# A t u a l i z a x e lambda
x < xk
lambda < lambda_k
Fim Enquanto
# Cal ula a norma de xk
nx < Norma ( x , n , 2 )
# Normaliza o v e t o r ( para e v i t a r numeros muito grandes )
x < Es alarXMatriz (1/ nx , x , n , 1 )
Retorna
Fim Rotina
x , lambda
Metodo_Poten ia
186CAPTULO 24.
24.2 Mtodo de Ja obi

Sabendo que uma matriz
simtri a e real, ento existe uma matriz de mudana de base
R,
real, que diagonaliza a matriz, na forma
= RT AR,
onde
diagonal e ontm os autovalores de
e as olunas
ontm os autovetores.
mudana de base pode ser onstruda por uma srie de operaes de rotao su essivas em
torno de diferentes eixos, om o objetivo de zerar blo os de dimenso
22
fora da diagonal.
Desta forma, a ada iterao do mtodo temos uma matriz de rotao na forma
1 0
0 1
..
cos()
sin()
Rk =
.
..
sin()
cos()
..
Se realizarmos a operao
Ak+1 = RTk Ak Rk ,
ento as posies
da matriz
Ak+1
sero
aii = aii cos()2 + 2aij sin() cos() + aij sin()2 ,

e
aij = aji = (ajj aii ) sin() cos() + aij (cos()2 sin()2 ),

sendo que os termos fora da diagonal so iguais a zero quando

2aij
1
.
= atan
2
aii ajj
Uma es olha omum sele ionar o termo de maior magnitude fora da diagonal a ada iterao.
Assim, podemos ir zerando os termos fora da diagonal su essivamente, tal que ao nal do
pro esso, termos uma matriz diagonal ontendo os autovalores e uma matriz de autovetores,
tal que
= RK RK1...R1
24.2. MTODO DE JACOBI

onde
187
o nmero de iteraes.
Exemplo:
Considerando a matriz
4 2
A = 2 6 1
1 1 15
veri amos que o maior nmero fora da diagonal

de rotao
R1
na posio
i = 1, j = 2.
Assim, a matriz
ser
cos(1 ) sin(1 ) 0
R1 = sin(1 ) cos(1 ) 0
0
0
1
om
1
1 = atan
2
tal que
2,
1 = 0.5535744.
22
46
Assim, temos que, ao nal da primeira iterao (k
= 1),
2.763932
0
0.3249197
A2 = RT1 AR1 =
0
7.236068 1.3763819 .
0.3249197 1.3763819
15
Agora, o maior termo fora da diagonal
1.3763819,
om
i=2
j = 3.
Assim, a matriz de
rotao ser
1
0
0
R2 = 0 cos(2 ) sin(2 )
0 sin(2 ) cos(2 )
om
1
2 = atan
2
tal que
2 = 0.1703648
2 1.3763819
7.236068 15
0.0550875 0.3202158
A3 = RT2 A2 R2 = 0.0550875 6.9992857

0
.
0.3202158
0
15.236782
2.763932
Agora, identi amos que o termo de maior magnitude

matriz de rotao ser
0.3202158
na posio
i = 1, j = 3.
188CAPTULO 24.
om
3 = 0.0256505,
tal que
cos(1 ) 0 sin(1 )
R3 = 0
1
0
sin(1 ) 0 cos(1 )
2.7557165 0.0550694
0
A4 = RT3 A3 R3 = 0.0550694 6.9992857 0.0014129 .

0
0.0014129 15.244998
Finalmente, omo o maior termo (em magnitude) agora
j = 2,
om
temos que
4 =,
0.0550694
na posio
i = 1,
cos(4 ) sin(4 ) 0
R4 = sin(4 ) cos(4 ) 0
0
0
1
resultando em
0.0000183
A5 = RT4 A4 R4 =
0
7.0000002 0.0014127 .
0.0000183 0.0014127 15.244998
2.755002
Neste momento, veri amos que os termos fora da diagonal j se en ontram em uma ordem
1 103
de grandeza de aproximadamente
valores da matriz
so
dos demais valores da diagonal. De fato, os auto-
1 = 2.755002, 2 = 7
3 = 15.244998.
Os autovetores so obtidos
pelo produto
0.8547356
0.5070736 0.1109213
= R1 R2 R3 R4 = 0.5183361 0.8451319 0.1306897 ,

0.0274739 0.1691997 0.9851988
que tambm mostram uma grande a ur ia.
Deve-se omentar que este mtodo utiliza um
grande nmero de multipli aes de matrizes e o l ulo do ar o tangente, que propenso a

erros de arredondamento.
O algoritmo do mtodo de Ja obi apresentado no Alg.
25 e o
algoritmo utilizado para a determinao da posio do maior valor em mdulo da triangular

superior de uma matriz apresentado no Alg. 24.
24.3 De omposio Cholesky

possvel utilizar a de omposio Cholesky para a soluo de um problema generalizado de
AX = BX, onde a matriz B simtri a, positivo-denida

T
de omposio Cholesky de B U U, tal que
autovalores e autovetores na forma

e real. Neste aso, j vimos que a
24.3. DECOMPOSIO CHOLESKY
189
Algorithm 24 Rotina que determina a posio do maior valor em mdulo da triangular superior de uma matriz.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
#
# Rotina En ontra_Maior_Valor :
# Entradas : A
: Matriz quadrada e s i m e t r i a
#
n
# Saidas :
maxi
: Linha om o maior v a l o r
#
maxj
: Coluna om o maior v a l o r
#
#
Rotina En ontra_Maior_Valor (A, n )
# I n i i a l i z a as p o s i o e s
maxi < 0
maxj < 0
# Maior v a l o r
maxval < 0
ate
o momento
# Loop p e l a t r i a n g u l a r s u p e r i o r sem o n t a r a d i a g o n a l
Para i de 1 ate n1 exe ute
# Valor a b s o l u t o da p o s i a o
v = |A( i , j ) |
# V e r i f i a s e e s t e e o maior
Se v>maxval entao
maxval < v
maxi < i
maxj < j
Fim Se
Fim Para #j
Fim Para #i
Retorna os v a l o r e s
Retorna maxi , maxj
Fim Rotina
En ontra_Maior_Valor
190CAPTULO 24.
Algorithm 25 Mtodo de Ja obi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
#
# Rotina Ja obi :
# Entradas : A
: Matriz quadrada
#
n
#
# Saidas :
A
: Matriz om os a u t o v a l o r e s
#
X
: Matriz om os a u t o v e t o r e s
#
# Depende :
#
#
Transposta (A, n )
#
Identidade (n)
#
Zeros ( n ,m)
#
En ontra_Maior_Valor (A, n )
#
Rotina Ja obi (A, n , t o l )
# I n i i a l i z a a matriz dos a u t o v e t o r e s
X < I d e n t i d a d e ( n )
# Itera oes
Para i de 1
de Ja obi
ate nmaxiter exe ute
# Determina a p o s i a o do maior v a l o r
mi , mj < En ontra_Maior_Valor (A, n )
# Determina o angulo
t e t a < 0 . 5 atan ( 2 A( mi , mj ) / (A( mi , mi)A( mj , mj ) ) )
# Monta a matriz de r o t a a o
R < I d e n t i d a d e ( n )
R( mi , mi ) < os ( t e t a )
R( mi , mj ) < s i n ( t e t a )
R( mj , mi ) < s i n ( t e t a )
R( mj , mj ) < os ( t e t a )
# Transposta da R
RT < Transposta (R, n )
# Rota iona a matriz A
A < MatrizXMatriz (RT, MatrizXMatrix (A,R, n , n , n ) , n , n , n )
# A umula a matriz dos a u t o v e t o r e s
X = MatrizXMatriz (X, R, n , n , n )
Fim Para
Retorna a
Retorna A,X
Fim Rotina
s o l u a o do problema
Ja obi
de
autovalores
24.3. DECOMPOSIO CHOLESKY
191
AX = UX
e, multipli ando esta equao por
UT ,
obtemos
UT AX = UT UX.
Denido uma nova varivel
Y,
tal que
Y = UX
e
X = U1 Y,
podemos es rever
UT AU1 Y = UT UT Y.
Como
UT UT = I,
obtemos
UT AU1 Y = Y
que pode ser es rito omo um problema padro de autovalores e autovetores, na forma
DY = Y,
onde
D = UT AU1 ,
no ne essariamente simtri o.
Assim, da soluo deste problema, obtemos os autovalores
zando o mapeamento entre
X,
do problema original e, utili-
obtemos os autovetores do problema original.
Como j vimos, a de omposio Cholesky bem e iente.

deduzir uma expresso para obtermos
Da mesma forma, possvel
que ompartilha da e in ia do mtodo Cholesky.
Para entendermos a relao, vamos onsiderar um problema de dimenso
onde
1 0 0
11 12 13
u11 u12 u13
0 u22 u23 0 22 23 = 0 1 0 ,
0 0 1
0
0 33
0
0 u33
ontm a inversa de
U.
Solu ionando para in gnitas
11 =
e
12 =
u12 22
,
u22
1
,
u11
22 =
13 =
1
,
u22
33 =
u12 23 + u13 33
,
u11
ij ,
obtemos
1
u33
23 =
u23 33
u22
192CAPTULO 24.
que pode ser generalizado omo
ii = 1/uii
1
ij =
uii
j
X
uik kj
k=i+1
i<j
ij = 0 i > j
om
variando de
at
1.
Exemplo:
Seja o problema generalizado de autovalores e autovetores denidos por
6 1 1
A = 1 9 1
1 4 1
4 2
B = 2 6
1 .
1 1 15
A de omposio Cholesky de
2
1
0.5
U = 0 2.236068 0.2236068
0
0
3.8340579
om inversa
U1
O operador
0.5 0.2236068 0.0521641
= 0
0.4472136 0.0260820 .
0
0
0.2608203
denido por
D = UT AU1
1.5
0.4472136 0.0391230
= 0.4472136
1.9
0.0058321
0.0391230 0.3557592
0.0319728
e, a soluo do problema de autovalores e autovetores denido por
DY = Y
resulta em
1 = 2.1937615, 2 = 1.2060725, 3 = 0.0321388
om autovetores
24.4. MTODO QR
193
0.5418033
Y1 = 0.8277240 ,
0.1460214
0.8334240
Y2 = 0.5359830
0.1346349
Assim, utilizando o mapeamento
0.0277133
Y3 = 0.0035141 .
0.9996097
X = U1 Y ,
obtemos
0.4636034
X1 = 0.3663609 ,
0.0380853
0.2898395
X2 = 0.2361873
0.0351155
0.0390728
X3 = 0.0245003 ,
0.2607185
que so os autovetores do problema original.
24.4 Mtodo QR
O mtodo QR um dos mtodos mais utilizados para l ulo de autovalores e autovetores. Isto
se deve a sua e in ia quando programado om alguns uidados. Neste mtodo, transformamos
a matriz
na forma
A = QR
onde
uma matriz ortogonal, ie,
Q1 = QT ,
uma matriz triangular superior. Este
pro esso pode ser realizado por mais de um mtodo, sendo que aqui iremos utilizar o pro edimento de ortogonalizao de Gram-S hmidt. Lembrando, a projeo de um vetor
vetor
dada por
proje a =
< a, e >
e
< e, e >
sobre um
194CAPTULO 24.
Algorithm 26 Inverte a matriz U obtida por Cholesky.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
#
# Rotina Inverte_U :
# Entradas : U
: Matriz quadrada
#
n
# Saidas :
Ui
: Matriz om a i n v e r s a
#
# Depende :
#
Zeros ( n ,m)
#
Rotina Inverte_U (U, n )
de
# In ializa a inversa
Ui < z e r o s ( n , n )
# Loop p e l a s l i n h a s
Para i de n ate 1 passo 1 Exe ute
# Inverte a diagonal
Ui ( i , i ) < 1/U( i , i )
# Loop p e l a s o l u n a s
Para j de n ate 1 passo 1 Exe ute
Se i <j Entao
# Somatorio
somat < 0
Para k de i +1 ate j Exe ute
somat < somat + U( i , k ) Ui ( k , j )
Fim Para #k
# Armazena o v a l o r
Ui ( i , j ) < somat/U( i , i )
Fim Se
Fim Para #j
Fim Para #i
Retorna a
Retorna Ui
Fim Rotina
inversa
Inverte_U
de
24.4. MTODO QR
195
e podemos gerar um onjunto de vetores ortogonais utilizado a Ortogonalizao de GramS hmidt, na forma
uk = ak
om
ek =
Desta forma, se onsiderarmos
ak
k1
X
uk
.
kuk k
vetores na Eq. (24.3), obtendo
ak =
(24.3)
j=1
omo sendo a
k
X
projej ak
k esima
oluna de
A,
podemos isolar estes
< ej , ak > ej
j=1
tal que podemos nalmente veri ar que a matriz
ek ,k = 1..n
rij =< ei , aj >, j i.
ujas olunas so os vetores unitrios

superior om termos
pode ser de omposta em uma matriz
e a matriz
ser uma matriz triangular
Exemplo: Apli ando a ortogonalizao de Gram-S hmidt na matriz
2 4
A = 3 1 1
1 1 1
temos que
uT1
eT1 =
2 3 1
2 3 1
/3.7416 =
0.5345 0.8017 0.2672
uT2 = [4 1 1] h[4 1 1] , [0.5345 0.8017 0.2672]i [0.5345 0.8017 0.2672]

= [2.2857
eT2 = [0.823
1.5714 0.1428]
0.566 0.051]
uT3
eT3
i
h
i h
i h
i
1 1 < 1 1 1 , 0.5345 0.8017 0.2672 > 0.5345 0.8017 0.2672
h
i h
i h
i h
i
< 1 1 1 , 0.823 0.566 0.051 > 0.823 0.566 0.051 = 0.1851 0.1851 0.926
h
i
=
0.1924 0.1924 0.9622
=
de tal forma que
0.5345 0.8229 0.1924
Q = 0.8017 0.566 0.1924

0.2672 0.0514 0.9622
196CAPTULO 24.
3.742 3.207
0
R = QT A = 0
2.777 1.440
0
0
0.9622
sendo que a matriz

matriz
tem a forma de uma matriz de Heisenberg (
verique).
A obteno da
ilustrada no Alg. (27), em S ilab.
Algorithm 27 Obteno da matriz Q utilizando ortogonalizao de Gram-S hmidt

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
//
// Rotina Gram_S hmidt :
// Entradas : A
: Matriz quadrada
//
n
// S a i d a s :
Q
: Matriz om o l u n a s o r t o g o n a i s
//
//
fun tion [Q = Gram (A, n )
U = zeros (n , n)
Q = zeros (n , n)
U( : , 1 ) = A( : , 1 )
Q( : , 1 ) = U( : , 1 ) / norm (U( : , 1 ) , 2 )
for
k=2:n
U( : , k ) = A( : , k )
for
end
j =1:k1
U( : , k ) = U( : , k ) (Q( : , j ) ' A( : , k ) ) Q( : , j )
Q( : , k ) = U( : , k )/ norm (U( : , k ) , 2 )
end
endfun tion
De posse da matriz
podemos propor um esquema iterativo, partindo de
Ak+1 = Qk Rk
onde, se multipli armos ambos os lados por
Qk
a direita e depois por
Q1
k a esquerda obteremos
1
1
Q1
k Ak+1 Qk = Qk Qk Rk Qk = Qk Ak Qk
indi ando que as matrizes
Ak+1 e Ak
so iguais e portanto devem ter os mesmos autovalores.
24.4. MTODO QR
197
Assim, o pro edimento iterativo tem a forma
Ak+1 = Q1
k Ak Qk
e sendo que aps um nmero su iente de ortogonalizaes iremos obter uma matriz
lar superior ujos elementos da diagonal sero os autovalores. Caso a matriz
ento a matriz
A ser diagonal e a matriz Q onter os autovetores.
Caso
A triangu-
seja simtri a,
A no seja simtri a,
ento devemos obter os autovetores de interesse por meio da soluo do sistema de equaes
da Eq. (24.2), para ada
de interesse.
O pro edimento para o aso de uma matriz simtri a est ilustrado no Alg. (28), em S ilab.
Algorithm 28 Obteno dos autovalores e autovetores de uma matriz simtri a pelo mtodo
QR.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
//
// Rotina QR:
// Entradas : A
: Matriz quadrada e s i m e t r i a
//
n
// S a i d a s :
Qt
: Matriz om o l u n a s o r t o g o n a i s ( a u t o v e t o r e s )
//
A
: Matriz d i a g o n a l om os a u t o v a l o r e s
//
//
fun tion [ Qt ,A = QR(A, n , n i t e r )
Qt = eye ( n , n )
for
i =1: n i t e r
Q = Gram(A, n )
A = inv (Q) AQ
Qt = Qt Q
end
endfun tion
Tarefa valendo nota: Obtenha os autovalores e os autovetores da matriz
A do exemplo anterior.
24.4.1 Utilizando a De omposio QR para Solu ionar Sistemas de

Equaes Lineares Mal-Condi ionados.
Considerando que
A = QR,
ento
Ax = b
pode ser es rita omo
QRx = b
198CAPTULO 24.
e, omo
ortogonal, ento podemos multipli ar ambos os lados por
QT ,
tal que
Rx = QT b
e, nalmente, omo
retrosubstituio.
triangular superior, podemos solu ionar o sistema por meio de uma
Esta abordagem parti ularmente interessante quado a matriz
ondi ionada. A omplexidade desta operao da ordem de
Como exemplo, vamos onsiderar uma matriz de dimenso
64.
2016
20160
2016
84672
952560
20160
952560
11430720
92400
4656960
58212000
A=
221760 11642400 1.497 108
288288 15567552 2.043 108
192192 10594584 1.413 108
51480
2882880
38918880
om nmero de ondi ionamento
independentes,
b,
om
bi = i,
92400
4656960
58212000
3.049 108
8.004 108
1.110 109
7.769 108
2.162 108
mal
221760
11642400
1.497 108
8.004 108
2.134 109
2.997 109
2.119 109
5.946 108
rcond(A) = 1, 526 1010 .
288288
15567552
2.043 108
1.110 109
2.997 109
4.250 109
3.030 109
8.562 108
192192
10594584
1.413 108
7.769 108
2.119 109
3.030 109
2.175 109
6.184 108
51480
2882880
38918880
2.162 108
5.946 108
8
8.562 10
6.184 108
1.767 108
Utilizando um vetor de termos
obtemos, usando o S ilab
0.0031391
0.0035287
x1 =
0.0028351
0.0018490
0.0008703
obviamente aps re ebermos o aviso de que o sistema mal ondi ionado. Se testarmos esta
soluo om
que diferente de
0.
1.1727528
0.9367498
3.4111172
4.9773307
Ax1 b =
5.8545016
6.3134753
6.5224791
6.5805729
Se utilizarmos a de omposio QR e o pro edimento apresentado aqui,
iremos obter, aps a retrosubstituio
24.5. OPCIONAL - MTODO DE LEVERRIER-FADDEV
que resulta em
199
8.0000012
6.1710323
5.1420638
4.4403682
x2 =
3.9204908
3.515998
3.1906261
2.9223971
0.0000014
5.588 1008
1.490 1008
0.0000004
Ax2 b =
0.0000002
0.0000005
0.0000017
0.0000004
que uma soluo muito mais prxima do que se espera (lembrando que o sistema muito mal
ondi ionado).
24.5 OPCIONAL - Mtodo de Leverrier-Faddev

O de Leverrier-Faddev um mtodo direto, onde obtemos os oe ientes do polinmio ara tersti o
onde

P () = (1)n n P1 n1 .... Pn
P1 = tr(A)
Pk =
1
tr (Ak ) , k = 2..n
k
om
Ak = Bk A
Bk = Ak1 Pk1 I
Exemplo:
A=
"
10 2
3 7
200CAPTULO 24.
Algorithm 29
Soluo de um sistema de equaes lineares mal ondi ionado utilizando a
de omposio QR.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
// Dimensao do problema
n = 8
// Gera uma matriz de H i l b e r t , nxn .
A = testmatrix ( ' hilb ' , n)
// Gera um v e t o r
b = (1:n) '
de
termos i n d e p e n d e n t e s
// Numero de ondi ionamento de A

// quanto mais proximo de 1 melhor !
onda = ond (A)
// Solu ao d i r e t a
xd = A\b
// De omposi ao QR
[Q,R = qr (A)
// Novo v e t o r do lado d i r e i t o
bqr = Q' b
// Apli a r e t r o s u b s t i t u i a o usando
// R e bq
xqr = z e r o s ( n , 1 )
for
i=n : 1:1
somatorio = 0
for j=i +1:n
somatorio = somatorio + R( i , j ) xqr ( j )
end
end
xqr ( i ) = ( bqr ( i ) somatorio )/R( i , i )
// Testa a p r i m e i r a s o l u a o
e r r o _ d i r e t o = A xd b
// Testa a segunda s o l u a o
erro_qr = A xqr b
201
Ini iamos om
P1 = tr(A) = 10 + 7 = 17
A1 = A
e, para o segundo oe iente, temos que
B1 = A 17I =
A2 =
"
7
3
om
2
10
#"
"
10 2
3
P1 = 17,
tal que
7 2
3 10
#
"
64
0
0
64
1
P2 = tr(A2 ) = 64.
2
Portanto, o polinmio ara tersti o ser

P () = (1)2 2 17 + 64
om raizes
1 = 11.3723 e 2 = 5.6277.
interessante notar que uma vez de posse dos autovalores e das matrizes
Bk
obtidas ao longo
do pro esso, podemos obter fa ilmente os autovetores asso iados a ada um dos autovalores.
Para isto fazemos,
Xk
sendo que
X0 = I.

1 T
T
= Xk1
Para este exemplo
"
11.3723
0
0
5.6277
I+
"
T
+ Bk1
#T
7 2
3 10
T
"
4.3723
3
2
4.3722
#T
onde ada linha onter um dos autovetores.
Para este pro edimento ar mais laro, vamos ilustrar om uma matriz de dimenso
Exemplo:
A=
10 1 2
1 20 2
2 3 30
1
3
1
1
40
Os autovalores so obtidos om:
P1 = tr(A) = 100
n = 4.
202CAPTULO 24.
10
1 20 2 1
B2 =
2 3 30 1
1 2 3 40
90
100I = 1
2
80 2
1
3 70 1
2
3 60
A2 = B2 A
1
P2 = tr(A2 ) = 3483
2
2589 58 109 147
75
1890
99
41
B3 = A2 + 3483I =
122 146 1396 21
46 70 84 1091
A3 = B3 A
1
P3 = tr(A3 ) = 49236
3
23653
808
1351
1720
1379 11740 837

376
B4 = A3 49236I =
1697
1104 7955
44
533
484
521 5888
A4 = B4 A
1
P4 = tr(A4 ) = 232916
4
dando origem ao polinmio

P () = (1)4 4 1003 + 34832 49236 + 232916
om razes
1 = 40.612 2 = 30.2235 3 = 19.351 4 = 9.803.

Os autovetores so obtidos om

1 T
X

2 T

3 T
40.612
0
0
0
0
30.2235
0
0
0
0
19.351
0
0
0
0
9.803
40.612
0
0
0
0
30.2235
0
0
0
0
19.351
0
0
0
0
9.803
40.612
0
0
0
0
30.2235
0
0
0
0
19.351
0
0
0
0
9.803
I+
90
1
2
1
1
80
3
2
2589

75
1 T
+
X
122
46
23653

2 T 1379
+
X
1697
533
2
2
70
3
58
1890
146
70
808
11740
1104
484
3
1
1
60
109
99
1396
84
1351
837
7955
521
147
41
21
1091
1720
376
44
5888
49.388
1
2
3
1
49.765
2
1
583.258
27.765
70.297
117.592
34.041
31.475
=
9.338
567.300
2
3
50.648
1
34.388
385.358
60.297
31.197
17.568
88.753
329.828
70.186
1
2
3
50.197
40.777
55.295
415.889
11.197
40.998
567.849
92.897
65.763
5.388
9.530
25.946
598.939
314.168
195.852
18.901
16.901

O pro edimento para obteno dos oe ientes do polinmio est ilustrada no Alg.
enquanto a obteno da matriz om os autovetores est ilustrada no Alg. (31).
203
(30)
204CAPTULO 24.
Algorithm 30 Obteno dos oe ientes do polinmio ara tersti o utilizando o mtodo de
Leverrier-Faddev
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
#
# Rotina Leverrier_Faddev_Poli :
# Entradas : A
: Matriz quadrada
#
n
# Saidas :
P
: C o e f i i e n t e s do polinomio a r a t e r i s t i o
#
# Depende : AmaisB(A, B,m, n )
#
#
#
Tra o (A,m)
#
Zeros (m, n )
#
#
Rotina Leverrier_Faddev_Poli (A, n )
# Faz a o p i a da matriz
Ak < A
de
entrada
# Alo a o v e t o r que i r a o n t e r os o e f i i e n t e s
P = Zeros ( n , 1 )
# Cal ula o p r i m e i r o o e f i i e n t e
P( 1 ) = Tra o (Ak)
# I t e r a para o b t e r os demais o e f i i e n t e s
Para k de 2 ate n exe ute
# Cal ula Bk
Bk < AmaisB(Ak ,
Es alarXMatriz ( P( k 1) , I d e n t i d a d e ( n ) ) )
# Cal ula Ak
Ak < MatrizXMatriz (Bk ,A, n , n , n )
# Cal ula o o e f i i e n t e k do polinomio
P( k ) < (1/ k ) Tra o (Ak)
Fim Para
Retorna
Fim Rotina
#k
P
Leverrier_Faddev_Poli
Algorithm 31 Obteno dos autovetores utilizando o mtodo de Leverier-Faddev

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
#
# Rotina Leverrier_Faddev_X :
# Entradas : A
: Matriz quadrada
#
n
#
L
: Autovalores da matriz A, d i s p o s t o s em
forma de uma matriz d i a g o n a l
# Saidas :
X
: Matriz n x n om a u t o v e t o r e s (em ada l i n h a )
#
# Depende : AmaisB(A, B,m, n )
#
#
#
Tra o (A,m)
#
Zeros (m, n )
#
#
Rotina Leverrier_Faddev_X (A, n , L)
# Primeira e s t i m a t i v a
X < I d e n t i d a d e ( n , n )
de
# Copia A para Ak
Ak < A
# Primeiro P
P < Tra o (Ak)
# Itera
Para k de 2
ate
exe ute
# Cal ula Bk
Bk < AmaisB(Ak ,
Es alarXMatriz ( P , I d e n t i d a d e ( n ) ) )
# Cal ula Ak
Ak < MatrizXMatriz (Bk ,A, n , n , n )
# Cal ula o o e f i i e n t e k do polinomio
P < (1/ k ) Tra o (Ak)
# Atualiza X
X < AmaisB( MatrizXMatriz ( L , X, n , n , n ) , Transposta (Bk ) )
Fim Para
#k
Retorna
Retorna X
Fim Rotina
matriz
de
a u t o v e t o r e s ( ada l i n h a um a u t o v e t o r )
Leverrier_Faddev_X
205
206CAPTULO 24.
Captulo 25
De omposio em Valor Singular
Dada uma matriz

vetores
u[m1]
A[mn] ,
v[n1]
hamamos
de valor singular de
se e somente se existem dois
que satisfazem
Av = u
e
AT u = v.
Os vetores
u e v so hamados, respe tivamente, de vetor singular a esquerda e de vetor singular
a direita. Uma matriz
A tem ao mnimo 1 e no mximo min(m, n)
valores singulares distintos.
interessante notar que se onsiderarmos todos os valores e vetores singulares ao mesmo tempo
obteremos
A = USVT
onde
U[mm]
armazena em suas olunas os
(25.1)
vetores singulares a esquerda,
S[mn]
ontm
somente termos no negativos em suas posies diagonais (demais termos so nulos) e

ontm os
vetores singulares a direita. A Eq. (25.1) hamada de de omposio em valor
singular da matriz
A.
importante salientar que as matrizes
unitria e no so ni as. Desta forma, as olunas de
tal que
V[nn]
UU = I
VV = I.
tem olunas om norma
formam bases ortonormais para
Com isto
A1 = VS1 UT
o que torna a inverso trivial. Esta inverso onhe ida omo pseudo-inversa da matriz, sendo
uma generalizao do on eito de inversa para matrizes no quadradas.
Desta forma, se tivermos um sistema de equaes lineares om um nmero diferente de
equaes e in gnitas, na forma
A[mn] x[n1] = b[m1]

podemos es rever a soluo utilizando a inversa da de omposio em valor singular, tal que
x = VS1 UT b
207
CAPTULO 25. DECOMPOSIO EM VALOR SINGULAR
208
e a soluo ser a de menor erro de a ordo om a norma
2,
ou seja,
kAx bk2
ser mnimo. Esta soluo deve ser utilizada quando temos um problema mal ondi ionado
(mesmo no aso de matrizes quadradas).
O pro edimento para obtermos a de omposio singular de uma matriz
AAT ;
Cal ular
Determinar os autovalores e autovetores de
Apli ar Gramm-S hmidt nas olunas de
Cal ular
Determinar os autovalores e autovetores de
Apli ar Gramm-S hmidt nas olunas de
Gerar
S,
AAT ;
AAT
, gerando
AT A;
tal que
sii =
i ,
AT A;
AT A
, gerando
em ordem de res ente (i
A=
!
3 1 1
.
1 3 1
AA =
!
11 1
1 11,
AAT =
1 1
1 1
Gerando a forma a esquerda
1 = 12, 2 = 10
que uma vez ortogonalizada por Gramm-S hmidt resulta em
U=
1
2
1
2
1
2
1
Gerando a forma a direita
10 0 2
AT A = 0 10 4 ,
2 4 2
V;
6= 0);
Como exemplo, podemos onsiderar
obtemos
U;
RANK
25.1. RELAO ENTRE SVD,

obtemos
3 = 12, 4 = 10, 5 = 0
E ESPAO NULO DE UM OPERADOR
209
V=
e, por m,
S=
2
5
1
1
26
6
1
6
12
1
30
2 .
30
5
30
!
0 0
,
10 0
tal que
3 1 1
1 3 1
1
2
1
2
1
2
1
12 0 0
0
10 0
2
5
1
1
26
6
1
6
T
1
30
2
30
5
30
Observem que os autovalores foram olo ados em ordem de res ente.
25.1 Relao entre SVD, Rank e Espao Nulo de um Operador

Algumas informaes importantes podem ser obtidas a partir das matrizes
A dimenso do espao nulo do operador,

de
U, S
Rank
Rank
do operador, obtido por SVD, possvel avaliar o
Rank
No exemplo anterior, observamos que o espao nulo tem dimenso
Exemplo:
tem omo matriz de valores singulares
Rank
2 2 2
A = 2 2 2
2 2 2
6 0 0
= 0 0 0
0 0 0
orres-
Sii 6= 0;
efetivo de um operador, pois erros numri os podem levar a um
de tal forma que seu
Sii = 0;
do operador, pode ser obtida pelo nmero de olunas de
pondentes as posies no nulas dos valores singulares, ie,
Assim, baseado no
V.
nullity, pode ser obtida pelo nmero de olunas
orrespondentes as posies onde os valores singulares so nulos, ie,
A dimenso do
e a dimenso de seu espao nulo
2.
Rank
numri o
diferente do analti o.
e que o
Rank
2.
210
Tarefa Valendo Nota:

1) Solu ione o problema mal ondi ionado do aptulo anterior utilizando o SVD.
25.2 Compresso de Imagens Utilizando o SVD -
Low-
Rank Matrix Approximation

Uma imagem armazenada no omputador omo uma matriz retangular de dimenso
Assim, onsiderando que ada posio o upada por um
byte,
so ne essrios
mn
n m.
bytes de
espa para armazenar esta informao. Se apli armos o SVD em uma matriz que ontm as
informaes de uma imagem, teremos
n valores singulares ( onsiderando que n 6 m) no nulos,
tal que a imagem pode ser re onstruda por uma ombinao linear da forma
A=
n
X
i ui viT
i=1
onde
a matriz que ontm a imagem re onstruda. Como ordenamos os valores prin ipais
em ordem de res ente, temos que os primeiros termos do somatrio so formados pelos valores
singulares mais signi ativos da imagem. Desta forma, apenas alguns valores singulares so
ne essrios para obter uma boa aproximao da imagem original. Neste aso, so ne essrios
apenas
N <n6m
valores prin ipais, om seus respe tivos vetores a direita e a esquerda, tal
que o armazenamento total ser de

Exemplo:
N + N n + N m bytes.
A famosa imagem Lenna (http://en.wikipedia.org/wiki/Lenna) ser utilizada para visualizarmos a ompresso de imagem por SVD. A imagem original, em tons de inza e na resoluo
de
512 512
mostrada na gura 25.2, enquanto as imagens obtidas om diferentes valores de
so ilustradas nas guras 25.2, 25.2 e 25.2.
Figura 25.1: Lenna - Imagem original
512 512.
A qualidade das imagens obtidas pela ombinao linear pode ser melhor ompreendida
avaliando-se a distribuio dos valores singulares da imagem. A gura 25.2 mostra os valores
dos
512
valores singulares, bem omo um detalhamento para os
100
primeiros valores. Como
pode ser visto, os primeiros valores singulares ontm prati amente todas as informaes sobre
a gura, justi ando assim o pequeno aumento de qualidade de
N = 100
para
N = 200.
25.2. COMPRESSO DE IMAGENS UTILIZANDO O SVD - LOW-RANK
Figura 25.2: Lenna - Imagens om
N = 10, 20, 30.
N = 40, 50, 60.
N = 70, 100, 200.
MATRIX APPROXIMATION
212
bytes ne essrios para armazenar as imagens das guras

armazenamento a gura original, om dimenso 512 512 = 262144.
A tabela abaixo ilustra o nmero de

a ima. A refern ia de
N
10
Espao
N + 2 N 512
10250
3, 91
20
20500
7, 82
30
30750
11, 73
40
41000
15, 64
50
51250
19, 55
60
61500
23, 46
70
71750
27, 37
100
102500
39, 10
200
205000
78, 20
O algoritmo 32 ontm o digo SCILAB utizado para gerar estas imagens.
Figura 25.5: Valores singulares para a imagem Lenna, gura 25.2.
25.2. COMPRESSO DE IMAGENS UTILIZANDO O SVD - LOW-RANK
MATRIX APPROXIMATION
Algorithm 32 Programa para omprimir uma imagem utilizando SVD.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
// Carrega a imagem u t i l i z a n d o
// SIVP do S i l a b
// Para i n s t a l a r o SIVP , a e s s e o ATOMS no menu de A p l i a t i v o s
// e va para Image P r o e s s i n g
// I n s t a l e o pa ote " S i l a b Image and Video P r o e s s i n g Toolbox "
// Nos vamos u t i l i z a r somente as r o t i n a s de l e i t u r a , onversao
// e d i s p l a y de imagens . O tratamento matemati o s e r a f e i t o
// v i a De omposi ao em Valor S i n g u l a r (SVD)
//
//
// Carrega uma imagem .
imagem = imread (" Lenna . jpg " ) ;
// Converte a imagem para uma matriz
A = im2double ( imagem ) ;
de
doubles
// Cal ula o SVD da matriz

[U, S ,V = svd (A) ;
// Agora vamos r e o n s t r u i r a imagem por uma
// ombina ao l i n e a r N e o numero de termos
N = 200;
i f N>min ( s i z e (A) ) then
d i s p ("\ n N deve s e r menor do que o numero
abort
de
v a l o r e s s i n g u l a r e s da matriz \n ")
de
end
// Alo a uma nova matriz om a mesma dimensao

B = z e r o s (A) ;
// Monta a matriz u t i l i z a n d o somente os N maiores v a l o r e s s i n g u l a r e s

// da imagem .
for i =1:N
B = B + U( : , i ) S ( i , i ) V( : , i ) '
end
// Converte B para o formato

A2 = mat2gray (B)
de
// Mostra a imagem s i m p l i f i a d a
imshow (A2)
imagem
214
Captulo 26
Derivada Numri a
A derivada de uma funo de uma varivel,
onde
a = x + x
denida omo
df (x)
f (x) f (a)
= lim
xa
dx
xa
e, geomtri amente, pode ser interpretada omo a reta tangente a funo
em um dado ponto
aproximao
f (x),
x.
Com base nesta interpretao geomtri a, podemos observar que uma
para o l ulo da derivada em torno de um dado ponto pode ser obtido por uma
simples interpretao geomtri a (gura 26), onde a hipotenusa do tringulo formado por um
ateto adja ente de dimenso
f = f (x0 + x) f (x0 )
x 0, tal que
e ateto oposto de dimenso
a reta tangente denida pela derivada no ponto
x0 ,
quando
tende

df (x)
f
.
dx
x x0
f(x)
f(x)
df(x)
dx
f(x0)+f(x0+DX)
df(x)
dx
f(x0)
x0
x0
x0+DX
Figura 26.1: Diferena nita a frente - interpretao geomtri a.

Obviamente, esta denio matemti a no pode ser apli ada diretamente para obtermos
uma derivada numri a, pois se
for da ordem do epsilon da mquina, observamos que
no ser orretamente al ulado, levando a erros onsiderveis de l ulo. Este erro onhe ido
omo erro de
arredondamento, ausado simplesmente pela pre iso utilizada para des rever
os nmeros reais no omputador.

215
CAPTULO 26. DERIVADA NUMRICA
216
Outro erro que pode apare er est asso iado ao uso de uma perturbao
muito grande.
Neste aso, a intepretao geomtri a permite ver que a hipotenusa no oin ide om a reta
tangente no ponto
x0 ,
levando a uma estimativa errada para o l ulo da derivada.
Se onsiderarmos uma expanso em srie de Taylor de primeira ordem da funo

torno do ponto
x0 ,
em
observamos que
f (x0 + x) = f (x0 ) +
onde
f (x)
df
x + O
dx
representa todos os termos de alta ordem. Estes termos tendem a zero muito mais rapi-
damente do que o termo de primeira ordem a medida que
x 0,
justi ando a interpretao
geomtri a e a validade para pequenos valores de perturbao. Com esta expanso, podemos
ento avaliar o hamado erro de
trun amento, asso iado ao erro o asionado por perturbaes
muito grandes.
Assim, isolando a derivada
df
f (x0 + x) f (x0 ) O
,
dx
x
veri amos a origem do erro de trun amento.
A gura 26.2 ilustra o omportamento da derivada numri a em relao ao valor da perturbao.
Derivada
Bons valores de perturbacao
Exato
Perturbacao
Erro de arredondamento
Erro de truncamento
Figura 26.2: Comportamento da derivada numri a por diferenas nitas utilizando diferentes
valores de perturbao.
Esta forma de al ularmos a derivada hamada de Diferenas Finitas a Frente, pois utilizamos o l ulo da funo em um ponto a frente do ponto atual,
f (x0 + x).
De forma
anloga, possvel denirmos um l ulo para trs, onhe ido omo Diferenas Finitas para
Trs, al ulado omo
df
f (x0 ) f (x0 x)
,
dx
x
26.1. DIFERENAS FINITAS COMPLEXAS
217
e as Diferenas Finitas Centrais, al uladas om
df
f (x0 + x) f (x0 x)
.
dx
2x
Cada uma destas formas tem vantagens e desvantagens. As diferenas nitas entrais, por
exemplo, por utilizarem um intervalo mais amplo, so menos su etveis ao erro de arredondamento do que as diferenas nitas para trs e para frente. No entanto, ne essitam do l ulo
da funo nestes dois pontos, o que a arreta um maior usto omputa ional.
26.1 Diferenas Finitas Complexas

Se expandirmos uma funo em srie de Taylor, om perturbao somente na parte omplexa
de
x,
tal que
x = 0 + i
ento
f (x0 + x) = f (x0 ) +
df
i + O.
dx
Des artando os temos de alta ordem e onsiderando somente a parte omplexa de ada uma
das operaes a ima, temos que
df
Imagf (x0 + x)
Imagf (x0 + i)
=
dx
pois
Imagf (x0 ) = 0,
uma vez que tanto o ponto atual quanto a funo so originalmente reais.
O interessante que este pro edimento faz om que no seja ne essrio o l ulo da subtrao
presente nos outros tipos de diferenas nitas, eliminando assim o erro de arredondamento.
De fato, tem-se observado o orreto l ulo da derivada mesmo om perturbao de ordem
menor do que o epsilon da mquina. Assim, o gr o da gura 26.2 no apresenta os erros de
arredondamento, mas ainda apresenta o erro de trun amento.
Exemplo:
Para ilustrar os on eitos vistos nas sees anteriores, vamos onsiderar a funo f (x) =
2
(x)
3 cos(x2 )3 , om derivada analti a dfdx
= 18 x cos (x2 ) sin (x2 ). No ponto x = 2, a derivada
assume o valor analti o
11, 640379 ( onsiderando 6 asas de imais para ns
ser utilizado omo refern ia para este exemplo.

Utilizando uma perturbao
= 1 1010 ,
Diferenas nitas para frente:
Diferenas nitas para trs:
Diferenas nitas entrais:
Diferenas nitas omplexas:
f (2+)f (2)
obtemos
= 11, 640378;
f (2)f (2)
= 11, 640382;
f (2+)f (2)
2
= 11, 64038;
Imag(f (2+i))
= 11, 640379,
de ilustrao), que
218
al ulados om o auxlio do S ilab.
26.2 Cl ulo do Vetor Gradiente

O gradiente de uma funo de
variveis
f (x)
denido omo
df
dx1
df
dx2
f (x) =
..

df
dxn
sendo que ada uma das posies pode ser al ulada utilizando um dos pro edimentos unidimensionais des ritos a ima. O algoritmo 33 ilustra o l ulo do gradiente de uma funo de
variveis utilizando as abordagens dis utidas neste aptulo.
26.2. CLCULO DO VETOR GRADIENTE
Algorithm 33 Diferenas nitas.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
//
// Rotina D i f e r e n a s _ F i n i t a s :
// Entradas : x
: v e t o r om o v a l o r das v a r i a v e i s a t u a i s
//
h
: perturba ao
//
tipo
: t i p o de d e r i v a d a
// S a i d a s :
df
: vetor gradiente
//
//
// Depende : f ( x )
: f u n a o de n v a r i a v e i s
//
fun tion [ d f = DF ( x , h , t i p o )
// Des obre o numero
n = size (x , ' r ' ) ;
de
v a r i a v e i s armazenadas no v e t o r x ( o l u n a )
// Alo a um v e t o r xp para a p l i a r as p e r t u r b a o e s
xp = z e r o s ( n , 1 ) ;
// C a l u l a f ( x ) apenas uma vez
i f tipo < 2
f0 = f (x ) ;
end
// Alo a e s p a o para o v e t o r
df = zeros (n , 1 ) ;
de
derivadas
// Faz um l o o p para p e r t u r b a r ada uma das n v a r i a v e i s de p r o j e t o

for i =1:n
se le t tipo
// D i f e r e n a s f i n i t a s a f r e n t e
a s e 0 then
// Copia e p e r t u r b a na p o s i a o d e s e j a d a
xp
= x;
xp ( i ) = xp ( i )+h ;
d f ( i ) = ( f ( xp) f 0 ) / h ;
// D i f e r e n a s f i n i t a s para t r a s
a s e 1 then
// Copia e p e r t u r b a na p o s i a o d e s e j a d a
xp
= x;
xp ( i ) = xp ( i ) h ;
d f ( i ) = ( f0 f ( xp ) ) / h ;
// D i f e r e n a s f i n i t a s omplexas
a s e 2 then
// Copia e p e r t u r b a a f r e n t e
xp
= x;
xp ( i ) = xp ( i )+h ;
ff
= f ( xp ) ;
// Perturba para t r a s
xp ( i ) = xp ( i ) 2 h ;
fa
= f ( xp ) ;
d f ( i ) = ( f f f a ) / ( 2 h ) ;
// D i f e r e n a s f i n i t a s omplexas
a s e 3 then
// Copia e p e r t u r b a a p a r t e omplexa a f r e n t e
xp
= x;
xp ( i ) = omplex ( xp ( i ) , h ) ;
d f ( i ) = imag ( f ( xp ) ) / h ;
else
d i s p ( " Tipo de d e r i v a d a nao d e f i n i d a " ) ;
end // s e l e t
end // i
endfun tion
219
220
Captulo 27
Integrao Numri a
Dada uma funo
[xL , xU ]
f (x),
temos que por denio a integral de Cau hy da funo no intervalo
dada por
XU
f (x) dx = lim
x0
xL
x=x
XU
f (x)x
x=xL
ou seja, o somatrio da rea de innitos retngulos de base
x e
altura
f (x).
Obviamente esta
denio matemti a no muito prti a para uma implementao numri a, uma vez que
deveramos avaliar o valor da funo em um nmero (idealmente) innito de pontos.
Exemplo: Obtenha a integral de
f (x) = 3x2 6x3
om
x [0, 1].
Analiti amente esta integral tem omo soluo
e, se dividirmos o intervalo em
10
3x2 6x3 dx =
1
2
retngulos iremos obter omo aproximao para a integral:

3x2 6x3 0 0.1 + 3x2 6x3 0.1 0.1 + 3x2 6x3 0.2 0.1 + ....... + 3x2 6x3 1.0 0.1 = 0.66
ou, om
100
retngulos
0.5151
e, om
1000
retngulos,
0.501501.
Obviamente, esta estra-
funes onstantes. Este
tgia, que podemos hamar de mtodo dos retngulos, muito pobre e s onsegue integrar
orretamente (isto , om um nmero de amostras menor do que
algoritmo est ilustrano no Alg. (34).
27.1 Regra dos Trapzios

Outra estratgia a famosa regra dos trapzios. Neste mtodo realizamos uma interpolao
linear entre dois pontos da urva (funo) e al ulamos a rea abaixo do trapzio. Desta forma,
onsiderando dois pontos
xi
xi+1
e seus respe tivos valores
abaixo do trapzio
dAi = f (xi )x +
f (xi ) e f (xi+1 ) teremos omo rea
1
(f (xi+1 ) f (xi )) x
2
221
CAPTULO 27. INTEGRAO NUMRICA
222
e, omo rea total
A=
n1
X
dAi
i=1
Exemplo: Com um
x = 0.1
teremos
1
1
1
f (0)0.1+ (f (0.1) f (0)) 0.1+f (0.1)0.1+ (f (0.2) f (0.1)) 0.1+....+f (0.9)0.1+ (f (1.0) f (0.9)) 0.1 = 0.51
2
2
2
ou, om
x = 1 102
obtemos
0.5001 e,
om
x = 1 103
obtemos
0.500001,
omo este mtodo muito mais pre iso do que o mtodo de ordem zero.
mtodo onsegue integrar orretamente uma funo de primeira ordem.
mostrando
No entanto, este
Este mtodo est
ilustrado no Alg. (35).

Desta forma, a laro que se utilizarmos aproximaes de alta ordem para ada uma
das reas diferen iais a serem somadas, iremos obter aproximaes ada vez melhores mesmo
om um menor nmero de intervalos. Esta a idia por tras dos mtodos de integrao por
interpolao.
27.2 Regra de Simpson de Segunda Ordem (Primeira Regra de Simpson)

Se onsiderarmos trs pontos
xi , xi+1
xi+2
e seus respe tivos valores podemos realizar uma
aproximao quadrti a para o omportamento da funo, na forma
f(x) = a + bx + cx2
onde os oe ientes so obtidos por
f(xi ) = a + bxi + cx2i = f (xi )

f(xi+1 ) = a + bxi+1 + cx2i+1 = f (xi+1 ).
f(xi+2 ) = a + bxi+2 + cx2i+2 = f (xi+2 )
Como este pequeno pedao da funo tem rea onhe ida e igual a
dAi =
xi+1
a + bx + cx dx +
xi
xi+2
a + bx + cx2 dx
xi+1
podemos realizar a integrao analti a e substituir os oe ientes, obtendo
dAi =
x
[f (xi ) + 4f (xi+1 ) + f (xi+2 )] .
3
Este mtodo, por sua natureza, apaz de itegrar orretamente funes onstantes, lineares
e quadrti as.
27.3. REGRA DE SIMPSON DE TERCEIRA ORDEM (SEGUNDA REGRA DE SIMPSON)223

Exemplo: Com
x = 0.1
teremos
0.1
0.1
0.1
[f (0) + 4f (0.1) + f (0.2)] +
[f (0.2) + 4f (0.3) + f (0.4)] + ... +
[f (0.8) + 4f (0.9) + f (1.0)] = 0.5
3
3
3
sendo que este resultado j obtido om
x = 0.5
neste exemplo.
O pro edimento est
ilustrado no Alg. (36).
27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra

de Simpson)
Neste aso, aproximamos a funo por meio de uma funo bi a, na forma
f(x) = a + bx + cx2 + dx3

e, portanto, ne essitamos de 4 pontos para obrir ada um dos intevalos.
Realizando um
pro edimento anlogo ao da Primeira Regra de Simpson obtemos
dAi =
3x
[f (xi ) + 3f (xi+1 ) + 3f (xi+2 ) + f (xi+3 )]
8
onseguindo integrar exatamente at funes bi as, omo o aso do nosso exemplo. O pro edimento est ilustrado no Alg. (37).
27.4 Integrao por Quadratura

A integrao por quadratura tem omo objetivo aproximar a integral de uma funo por uma
soma ponderada da funo avaliada em pontos espe os. Tanto as posies dos pontos quanto
os valores dos pesos so deduzidos de modo a minimizar o erro de integrao. Existem diversas
regras de quadratura diferentes, sendo que aqui iremos estudar a mais utilizada na rea de
me ni a omputa ional, onhe ida omo Quadratura de Gauss, ou Gauss-Legendre.
27.4.1 Quadratura de Gauss

A quadratura de Gauss integra exatamente um polinmio de ordem
2n 1,
onde
o nmero
de pontos utilizados para avaliar a integrao. Neste mtodo aproximamos a integral por
f (r) dr =
1
n
X
Wi f (ri )
i=1
sendo que pro edimento para obtermos os pesos e os pontos de quadratura sero apresentados
a seguir.
224
Algorithm 34 Integrao pelo Mtodo dos Retngulos.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
//
// Rotina Retangulo :
// Entradas : x l
: Extremo i n f e r i o r do i n t e r v a l o
//
xu
: Extremo s u p e r i o r do i n t e r v a l o
//
n
: Numero de i n t e r v a l o s
// S a i d a s :
area
: I n t e g r a l da fun aoo
//
//
: fun ao a s e r i n t e g r a d a
//
fun tion [ area = Retangulo ( xl , xu , n )
// Cal ula o DX
h = ( xu x l ) / n ;
// I n i i a l i z a a area
area = 0 ;
// Loop p e l o s r e t a n g u l o s
for i =0:n
end
// A umula a area
area = area + f ( x l + i h ) h ;
endfun tion
27.4. INTEGRAO POR QUADRATURA
Algorithm 35 Integrao pelo Mtodo dos Trapzios

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
//
// Rotina Trapezio :
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
//
fun tion
[ area
:
:
:
:
Extremo i n f e r i o r do i n t e r v a l o
Extremo s u p e r i o r do i n t e r v a l o
Numero de i n t e r v a l o s
I n t e g r a l da fun ao
= Trapezio ( xl , xu , n )
// Cal ula o DX
h = ( xu x l ) / n ;
area = 0 ;
// I n i i a l i z a os pontos dos t r a p e z i o s
xat = x l ;
xpr = x l + h ;
// Loop p e l o s t r a p e z i o s
for i =1:n
// A umula a area
area = area + f ( xat ) h + 0 . 5 ( f ( xpr ) f ( xat ) ) h
// A t u a l i z a os pontos
xat = xpr
xpr = xat + h
end
endfun tion
225
226
Algorithm 36 Integrao pela Primeira Regra de Simpson

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
//
// Rotina Simpson1
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
//
fun tion
[ area
:
:
:
:
= Simpson1 ( xl , xu , n )
// Cal ula o DX
h = ( xu x l ) / n ;
area = 0 ;
//
x0
x1
x2
I n i i a l i z a os pontos das r e g i o e s q u a d r a t i a s
= xl ;
= x0 + h ;
= x1 + h ;
// Loop p e l a s r e g i o e s q u a d r a t i a s
for i =1:2: n
// A t u a l i z a a area
area = area + ( h / 3 ) ( f ( x0 ) + 4 f ( x1 ) + f ( x2 ) )
//
x0
x1
x2
A t u a l i z a os pontos
= x2
= x0 + h
= x1 + h
end
endfun tion
Algorithm 37 Integrao pela Segunda Regra de Simpson

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
//
// Rotina Simpson2
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
//
fun tion
[ area
:
:
:
:
= Simpson2 ( xl , xu , n )
// Cal ula o tamanho do DX

h = ( xu x l ) / n ;
area = 0 ;
//
x0
x1
x2
x3
I n i i a l i z a os pontos
= xl ;
= x0 + h ;
= x1 + h ;
= x2 + h ;
// Loop por ada uma das r e g i o e s u b i a s

for i =1:3: n2
// A umula a area
area = area + (3 h / 8 ) ( f ( x0 ) + 3 f ( x1 ) + 3 f ( x2 ) + f ( x3 ) )
//
x0
x1
x2
x3
A t u a l i z a os pontos da r e g i a o
= x3
= x0 + h
= x1 + h
= x2 + h
end
endfun tion
227
228
Considere um polinmio bi o, om a forma
p(r) = a0 + a1 r + a2 r 2 + a3 r 3
A integral deste polinmio obtida analiti amente,
om
r [1, 1].
2
p(r) dr = 2a0 + a2
3
1
e, om este resultado, podemos utilizar a forma aproximada proposta por Gauss, obtendo
X
2
Wi p(ri )
2a0 + a2 =
3
i=1
sendo que
n=2
impli a na integrao exata de um polinmio de ordem
2 2 1 = 3.
Assim,
2
2a0 + a2 = W1 p(r1 ) + W2 p(r2 )
3
ou, expandindo o polinmio,

2
2a0 + a2 = W1 a0 + a1 r1 + a2 r12 + a3 r13 + W2 a0 + a1 r2 + a2 r22 + a3 r23
3
de tal forma que podemos agrupar por oe ientes
ai
em omum, obtendo
2 = W1 + W2
0 = r1 W1 + r2 W2
2
= r12 W1 + r22 W2
3
0 = r13 W1 + r23 W2
uja soluo
r1 = 13 e r2 =
menor a 3 ser obtida
W1 = W2 = 1
polinmio de ordem igual ou
Z
Exemplo: A funo
1 .
3
Assim, a integral exata de qualquer
om duas avaliaes da funo, na forma

1
1
+1p .
p(r) dr = 1 p
3
3
1
1
f (x) = 3x2 6x3
om
x [0, 1]
no est denida no intervalo
[1, 1].
Para utilizarmos a quadratura de Gauss devemos primeiro realizar uma mudana de varivel, de
tal forma que o intervalo seja orrigido para os limites apropriados. Assim, podemos fa ilmente
veri ar que se o intervalo a ser integrado for
[xL , xU ],
r = 1 + 2
e
x=
ento
x xL
xU xL
r(xU xL ) + (xU + xL )
2
que neste aso permite obter
x=
r+1
2
229
de tal forma que o polinmio pode ser es rito omo
p(r) = 3
r+1
2
2
r+1
6
2
3
importante salientar que ao mudarmos a varivel, estamos mudando tambm o diferen ial
da integral. Assim, para onvertermos de
dr
dr
onde
dx
dr
para
dx,
dx
= dx
dr
xU xL
e este fator deve ser SEMPRE onsiderado quando realizamos a mudana de
2
varivel.
Desta fora, nalmente podemos obter a integral
1
3
2
13 + 1
2
!2
13 + 1
2
!3
+ 3
1
3
+1
2
!2
1
3
+1
2
!3
= 0.5
27.4.2 Relao entre os pontos de quadratura e os polinmios de Legendre.

Os polinmios de Legendre so obtidos omo soluo para a EDO

d
2 dPn (x)
(1 x )
+ n(n + 1)Pn (x) = 0
dx
dx
para
nN
x [1, 1]
e tem a forma
Pn (x) =
Estes polinmios so ortogonais

1 dn 2
n
(x
1)
.
2n n! dxn
Pn (x)Pm (x)dx =
1
2
mn
2n + 1
e tem omo razes as oordenadas dos pontos de quadratura de ordem
n.
Tarefas Valendo Nota:

1) Deduza as quadraturas para
n=1
(um ponto de Gauss) e para
n = 4.
Quais so os graus
dos polinmios que podem ser orretamente integrados por estas quadraturas ?
2) Integre a funo
f (x) = e3x
para
x = [2, 5]
utilizando todos os mtodos de interpolao
apresentados e ompare om a soluo analti a.

3) Obtenha a integral da funo do exer io
n=3
n = 4.
Explique o que est a onte endo.
utilizando Quadratura de Gauss para
n = 2,
230
Captulo 28
Transformada Dis reta de Fourier - DFT
A Srie de Fourier de uma funo ontnua peridi a de perodo

propriedade
f (t) = f (t + ),
isto , uma funo om a
des rita pela projeo ortogonal da funo na base
[
[
1
{cos(kt)} {sin(kt)} , k N
B=
2
onde
2
.
t [0, Tf ] s, ento
=
Se a funo for denida no intervalo
1
f (t)
= a0 +
2
sendo que os oe ientes
a0 , ak
bk
X
k=1
a srie de Fourier obtida om
{ak cos(kt) + bk sin(kt)}
(28.1)
so obtidos por meio das projees ortogonais
2
< f (t), 1/2 >
=
a0 =
< 1/2, 1/2 >
< f (t), cos(kt) >

2
ak =
=
< cos(kt), cos(kt) >
2
< f (t), sin(kt) >
=
bk =
< sin(kt), sin(kt) >
f (t) dt,
f (t) cos(kt) dt
f (t) sin(kt) dt.
Desta forma, a equao 28.1 permite es rever uma funo no tempo,
f (t),
em termos da
k ,
sendo que os
ombinao linear de funes trigonomtri as om diferentes frequn ias

oe ientes
ak
bk
permitem asso iar uma magnitude (importn ia) para ada uma destas
omponentes de frequn ia.
Por isto, tal operao dita um mapeamento do domnio da
frequn ia para o domnio do tempo.

A equao 28.1 pode ser es rita em formas alternativas, porm diferentes. Uma forma mais
ompa ta de obter estas mesma des rio utilizando a identidade de Euler,
eikt = cos(kt) + sin(kt)

231
CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
232
tal que a srie de Fourier pode ser es rita omo
1 X ikt
ck e e,
f (t) = a0 +
2 k=1
omo a exponen ial de zero um, podemos in luir o termo onstante no somatrio, bastando
para isto modi ar o valor ini ial de
k,
tal que
f (t)
=
K
X
Fk eik t ,
(28.2)
k=0
onde
Fk
so as amplitudes e, para simpli armos a notao, denimos
mltiplo de
omo sendo o k-simo
Da mesma forma, devido a impossibilidade de trabalharmos om innitos valores
no somatrio, estimamos um valor limite
para o nmero de termos na aproximao.
interessante notar que a Equao 28.1 tambm pode ser es rita em outra forma alternativa,
pois
ak cos(kt) + bk sin(kt) = Rk cos(kt k )

onde
Rk =
a2k + b2k
o mdulo de uma osenoide defasada em um ngulo
k = atan2(bk /ak ).
Assim, onsiderando este resultado, podemos identi ar que a notao da Eq. 28.2 en apsula
a informao de amplitude e fase de vrias osenoides de frequn ia
k .
As equaes obtidas a ima dizem respeito a uma funo que varia ontinuamente no tempo
t.
No entanto, quando adquirimos um sinal, obtemos um onjunto dis reto de valores ao longo
do tempo. Desta forma, se o tempo for dis retizado em
t =
onde
TF
pa otes, tal que
Tf
,
N
o tempo nal, podemos es rever que o tempo em uma posio dis reta
dado por
tn = nT,
tal que a equao 28.2 se torna
fn
=
para
n [0, N 1].
K
X
Tf
Fk eik n N
k=0
Se ainda onsiderarmos que ada frequn ia
k =
e que os perodos asso iados a ada
k so
(28.3)
pode ser des rita por
2
k
pa otes dis retos do tempo total, na forma
k =
TF
k
233
ento podemos es rever a equao 28.3 omo
fn
=
K
X
Fk e2n N i .
(28.4)
k=0
A operao inversa, hamada de Dis rete Fourier Transform - DFT - permite obter os
a partir de um sinal no tempo.
Para isto, simplesmente invertemos a relao da Eq.
resultando em
Fk =
N
1
X
fn e2n N i
Fk
28.4,
(28.5)
n=0
om
k [0, K]
n [0, N 1].
uma omponente de frequn ia
Nesta equao, podemos ver que ada
2
k
Tf
k =
[rad/s],
Fk
est asso iado a
tal que esta operao um mapeamento do
domnio do tempo para o domnio da frequn ia.

Se o sinal
K/2
fn
for real, ento
Fk
simtri o onjugado, e ne essitamos somente dos primeiros
pontos para ara terizar o sinal, pois a outra parte do vetor simtri a (espelhada).
importante salientar que, mesmo no aso de

interessante, pois as partes reais e omplexas de
fase do sinal
fn .
fn
reais, temos que os
Fk
Fk
so omplexos. Isto
ontm as informaes sobre amplitude e
Assim, se
Fk = Rk + Ik i
temos que
Mk =
o mdulo do sinal na freqn ia
Rk2 + Ik2
k = tan2
Ik
Rk
(28.6)
(28.7)
Exemplo.
Seja um sinal om a forma
f (t) = 10cos(210t) + 5sin(215t)

ou seja, om um oseno de amplitude
gerarmos o sinal em um intervalo de
Se o sinal for amostrado om
2s
10
em
10Hz
e um seno de amplitude
em
15Hz .
Se
iremos obter o gr o ilustrado na gura 28.1.
N = 128
pa otes no tempo, ento teremos uma resoluo de
T = 2/128 = 0.0155625s e uma taxa de amostragem de 64Hz. Neste aso, se utilizarmos

K = N 1 = 127, ento obteremos a DFT do sinal om o algoritmo 38. Os gr os 28.2 e
28.3 mostram, respe tivamente, a parte real e a parte imaginria de
Fk , para k [0, K].
Nestes
gr os pode-se avaliar que o resultado realmente simtri o (espelhado) ao longo do eixo k.
Desta forma, ne essitamos somente dos primeiros
K/2
valores, sendo que isto est asso iado
ao fato de no termos utilizado uma extenso peridi a para avaliar o sinal em um intervalo
onsistente de
n [N/2, N/2],
onforme apresentado no aptulo de sries de Fourier.
234
Figura 28.1: Sinal obtido om
f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s
N = 128.
Outro resultado interessante que vemos nos gr os o fato das amplitudes serem muito
maiores do que as observadas no sinal original (domnio do tempo). Isto se deve ao fato de
estarmos realizando um somatrio (Loop) de dimenso
para ada
K,
somado ao fato de ter-
mos a questo da simetria. Desta forma, observamos que as amplitudes devem ser es alonadas
(divididas) por um fator de
N/2.
Algorithm 38 Algoritmo utilizado para a obteno da DFT do sinal.

1 // Alo a o v e t o r de s a i d a
2 F = z e r o s (K+1 ,1);
3 for k=0:K
4
for n=0:N1
5
F( k+1) = F( k+1) + f ( n+1) exp ( omplex (0, 2 % p i n k/N) ) ;
6
end //n
7 end //k
Assim, utilizando somente metade do gr o e es alonando os resultados por
N/2
obtemos
os gr os ilustrados nas guras 28.4 e 28.5.

Novamente, de posse das par elas reais e imaginrias obtidas por meio da DFT do sinal,
podemos al ular a magnitude a a fase do sinal, utilizando as equaes 28.6 e 28.7, resultando
nos gr os das guras 28.6 e 28.7.
O gr o da parte omplexa, juntamente om o gr o da fase, permite avaliar uma ara tersti a interessante da DFT quando apli ada a anlise modal. Quando temos um modo de
vibrao para ima e um para baixo, podemos interpretar a parte para ima omo sendo
uma omponente de um osseno e a para baixo omo a omponente de um seno. Assim, ada
235
Figura 28.2: Parte real da DFT obtida no algoritmo 38. O eixo horizontal ontm as frequn ias
em Hz orrespondente a ada posio
k.
Figura 28.3: Parte imaginria da DFT obtida no algoritmo 38. O eixo horizontal ontm as
frequn ias em Hz orrespondente a ada posio
k.
236
Figura 28.4: Parte real da DFT obtida no algoritmo 38, onsiderando o es alonamento por
N/2
e somente a metade do eixo das frequn ias.
Figura 28.5: Parte real da DFT obtida no algoritmo 38, onsiderando o es alonamento por
N/2
237
Figura 28.6: Mdulo da DFT obtida no algoritmo 38, onsiderando o es alonamento por
N/2
Figura 28.7: Fase da DFT obtida no algoritmo 38, onsiderando somente a metade do eixo das
frequn ias.
238
pi o ter a parte omplexa om sinais diferentes.

interessante notar que, de posse do vetor
F,
que ontm os valores omplexos da DFT
do sinal original, possvel realizar a operao direta, isto , a Srie de Fourier, para obtermos
o sinal original. Para isto, utilizamos o algoritmo 39.
Algorithm 39 Algoritmo para o mapeamento do domnio das frequn ias para o domnio do
tempo.
1 // Alo a o v e t o r de s a i d a
2 f = z e r o s (N, 1 )
3 for n=0:N1
4
for k=0:K
5
f ( n+1) = f ( n+1) + F( k+1) exp ( omplex (0 ,2 % p i n k/N) ) ;
6
end //n
7 end //k
28.1 Inun ia da taxa de amostragem - aliasing

O sinal do exemplo anterior foi gerado om um osseno de frequn ia
10Hz
e um seno de
15Hz. Como o nmero de pontos utilizados para amostrar o tempo foi de 128
em 2s, utilizamos uma taxa de amostragem de 64 pa otes por segundo. Esta taxa
frequn ia
pa otes
4.26
maior do que a maior frequn ia do sinal.
Para ilustrarmos o quanto a taxa de aquisio do sinal importante, vamos utilizar uma
taxa de
16
pa otes por segundo, tal que
N = 32.
Neste aso, o sinal tem a forma ilustrada no
gr o da gura 28.8, que quando omparado om o (mesmo) sinal obtido om
N = 128, gura
28.1, ilustra a falta de informaes sobre o fenmeno. Se apli armos a DFT neste sinal, iremos
obter, por exemplo, o gr o de magnitudes ilustrado na gura 28.9, que mostra laramente que
a faixa de frequn ias que a DFT onsegue al ular menor do que as frequn ias existentes
no sinal. O que est sendo al ulado uma resposta t ia, ausada pela falta de informao
sobre o sinal verdadeiro.
a taxa de amostragem do sinal deve ser no mnimo maior do que duas vezes a maior frequn ia
que ser quer obter. Novamente, podemos utilizar esta regra e o onhe imento sobre o nosso
Desta forma, podemos denir a famosa Regra de Nyquist, que diz que
exemplo para denir que omo a maior frequn ia de
2s,
ento
N = 15 2 2
15Hz
e estamos amostrando um sinal de
deve ser su iente. Utilizando a potn ia de
mais prxima,
N = 64,
obtemos o sinal dis reto ilustrado na gura. A gura mostra que j possvel identi ar as
ara tersti as de mais alta frequn ia do sinal. No entanto, omo a faixa de frequn ia que
16Hz , pois 64 pacotes/2 segundos = 32, e omo utilizamos

fmax = 32/2 = 16Hz , no iremos onseguir des rever as urvas
estamos aptos a des rever de

somente metade do espe tro,
em todos os detalhes, omo ilustrado na gura 28.11.

A gura 28.12, retirada de
http://www.dspguide. om/ h3/2.htm ilustra este omportamento
de forma muito didti a. Como ilustrado na gura, uma taxa de amostragem equivo ada pode,
28.1. INFLUNCIA DA TAXA DE AMOSTRAGEM - ALIASING
Figura 28.8: Sinal
f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s
239
N = 32.
Figura 28.9: Mdulo da DFT obtida utilizando o sinal amostrado om
N = 32.
240
Figura 28.10: Sinal obtido om
f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s
Figura 28.11: Mdulo da DFT obtida utilizando o sinal amostrado om
N = 64.
N = 64.
28.2. DFT COMO UM FILTRO DIGITAL - SPECTRAL LEAKAGE
241
in lusive, des rever um sinal que no tem qualquer relao om o sinal que est sendo medido
(d).
Figura 28.12: Expli ao sobre o
aliasing.
Retirado de
http://www.dspguide. om/ h3/2.htm.
28.2 DFT omo um Filtro Digital - Spe tral
Leakage
Da teoria apresentada no omeo deste aptulo, a laro que a DFT onsegue des rever o
espe tro de frequn ias de um sinal no tempo somente em unidades dis retas de frequn ia
wk =
2
k.
Tf
mltiplo de
Assim, se analizarmos um ou mais perodos de um sinal peridi o om perodo
N,
iremos obter todas as frequn ias orretamente.
muito espe a e esperamos que existam frequn ias
k em
No entanto, esta situao
j diferentes
das frequn ias dis retas
um sinal qualquer.
Para entendermos o que o orre neste aso, podemos interpretar a DFT de forma semelhante
ao que zemos na deduo da srie de Fourier, onde uma funo no tempo,fn , projetada em
uma base sele ionada.
Neste aso, omo estamos trabalhando no domnio das frequn ias,
242
utilizamos a base
B = {eik nTf }, n [0, N 1],

que realmente no tem o expoente negativo, omo veremos logo abaixo.
Assim, o oe iente
Fk
somatrio
Fk =
asso iado a uma dada frequn ia angular
do sinal dado por um
N
1
X
< fn , eik nTf > ik nTf
e
=
Wk eik nTf
< eik nTf , eik nTf >
n=0
N
1
X
n=0
(28.8)
onde
fn = eij nTf
um sinal senoidal om amplitude unitria e uma frequn ia angular
espe a (ou seja,
um sinal bem simples para que ns possamos estudar as propriedades desta transformao) e
Wk a amplitude de ada projeo na direo de ada base. Assim, omo visto anteriormente,
Fk ir onter as amplitudes do sinal em ada frequn ia, que neste aso deveria ser nulo para
k 6= j
os Wk
toda a frequn ia
Desenvolvendo
(j que a amplitude do sinal onsiderado unitria) se
Wk =
onde
eik nTf
PN 1
n=0
k = j .
fn eik nTf
N
o omplexo onjugado da base (mantm a parte real igual mas muda o sinal da
parte omplexa). Assim, desenvolvendo ainda mais
N
1
X
ik nTf
fn e
n=0
N
1
X
Wk
ij nTf ik nTf
fn e
obtemos, para o termo
n=0
N
1
X
fn ei(j k )nTf
n=0
e esta srie tem omo resultado
N
1
X
fn ei(j k )nTf =
n=0
1 ei(j k )N Tf
1 ei(j k )Tf
que pode ser desenvolvida em termos de funes trigonomtri as, resultando em
i(j k )N Tf
T
1e
i(j k )(N 1) 2f
=
e
1 ei(j k )Tf
Assim,
Wk =
1
e
N
T
i(j k )(N 1) 2f
assumindo um valor unitrio quando

se
no for um mltiplo inteiro de
j = k e
k ,
faz om que seja obtida uma amplitude

amostrada para o sinal !

T
sin (j k ) N 2f

.
Tf
sin (j k ) 2

T
sin (j k ) N 2f

T
sin (j k ) 2f
zero para multiplos inteiros de
observamos que
Fk
Wk
k .
No entanto,
diferente de zero, fato este que
no nula para uma frequn ia que no est sendo
28.2. DFT COMO UM FILTRO DIGITAL - SPECTRAL LEAKAGE

Assim, omum na literatura apresentar o DFT omo um
a amplitude
Wk
243
ltro digital para ada k, pois
propor ional, em mdulo, a

sin ( ) N Tf
j
k

2
1

|Wk | =

N sin ( ) Tf
j
k 2
que a sada do ltro, que pode ser visualizada na gura 28.13. Conforme pode ser visto na
lobulos, que so os saltos

maior dos saltos o lbulo prin ipal e os demais so os lbulos laterais.
abs(sin(16*(3.141592653589793-w)))/(32*abs(sin((3.141592653589793-w)/2)))
gura, o padro geomtri o da sada do ltro em
no gr o. O
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
Figura 28.13: Amplitude de sada do ltro digital asso iado a projeo de uma senoide de
frequn ia
wj = [rad/s
para
N = 32).
k [0, 2]
om
k
= 0.1963[rad/s
(Tempo nal de
1s
Como pode ser visto na gura, a ampli ao do ltro zero nos mltiplos inteiros do
intervalo de frequn ia e diferente de zero para outros valores de frequn ia, omo dis utido anteriormente. Novamente, omo esperado, observamos que a amplitude unitria na frequn ia
j .
Outro fato intressante, que o aumento do
no modi a este omportamento.
Uma interpretao intressante deste fenmeno que estamos trun ando os sinais om
frequn ias diferentes das
ao adquirirmos o sinal em um tempo diferente de um mlti-
plo inteiro destas frequn ias. Este orte faz om que a resposta seja a observada no gr o
da gura 28.13.
O interessante desta observao que justamente esta a motivao para
denirmos as janelas, que so tratamentos matemti os que permitem minimizar este efeito.
28.2.1 Janelamento
Uma janela (
window ) uma funo que zera um sinal que se en ontra fora de uma determinada
faixa de valores de tempo. A janela mais simples que existe a janela retangular, ujo efeito
ilustrado na gura 28.14, onde as omponentes do osseno que se en ontram fora da faixa
t [10, 90]s
de pa otes,
so zeradas.
N,
Isto faz om que seja possvel trun ar o sinal em um nmero xo
que seja equivalente a um mltiplo das frequn ias que se quer determinar,
244
minimizando assim o efeito do vazamento de frequn ias dis utido anteriormente.
Figura 28.14: Sinal (em verde ) e Janela retangular (em azul) na esquerda e sobreposo do
sinal om a janela (direita).
No aso ilustrado na gura, zemos justamente o ontrrio, de modo que a janela tran a
o sinal em um mltiplo no inteiro da frequn ia do osseno.
Assim, se zermos uma DFT
do sinal do gr o da direita na gura 28.14, iremos obter o mdulo
Mk
ilustrado no gr o
da gura 28.15, que ilustra laramente o fenmeno de vazamento asso iado ao trun amento do
sinal em um nmero no inteiro da frequn ia (
arti iais, de orrentes dos lbulos laterais.
= [rad/s).
Todos os pi os para
6=
so
Figura 28.15: DFT do sinal obtido om o osseno e a janela retangular, gura 28.14
Existem diversas opes de janelas, ada uma om suas ara tersti as. Suas apli aes e
dedues saem do es opo deste texo, sendo que o leitor interessado deve pro urar a literatura
espe ializada.
Captulo 29
Equaes diferen iais
29.1
Classi ao e Exemplos
Equao diferen ial uma equao que apresenta derivadas ou diferen iais de uma funo
des onhe ida ( hamada de varivel dependende). Se a funo a determinar depender de apenas
uma varivel independente, dizemos que a equao diferen ial
ordinria
(EDO), podendo
ser es rita na forma
F (x, y(x), y (x), ....., y n (x)) = 0

om
sendo a varivel independente e
y(x)
a varivel dependente. Se a funo a determinar
depender de mais de uma varivel independente a equao diferen ial dita
par ial (EDP),
podendo ser es rita na forma
F (x, y, z, w(x, y, z), w x (x, y, z), .....) = 0

onde
x, y
so variveis independentes e
Quanto a lassi ao, dizemos que a
w(x, y, z)
a varivel dependente.
ordem de uma equao diferen ial est asso iada a
mais alta ordem de diferen iao que existe na equao diferen ial. Assim, em ordem res ente:
dy(x)
= a
dx
d2 y(x) dy(x)
+
= y(x)
dx2
dx
temos uma EDO de primeira ordem e uma EDO de segunda ordem.
O
grau de
uma equao diferen ial o expoente a qual est elevado a derivada de maior
ordem da equao diferen ial. Assim, na equao
d2 y(x)
+
dx2
dy(x)
dx
2
= y(x)
de primeiro grau, pois a maior derivada (ordem) est sendo elevada a 1.

245
Desta forma, a
CAPTULO 29. EQUAES DIFERENCIAIS
246
equao
d2 y(x)
dx2
3
dy(x)
dx
2
= y(x)
de ter eiro grau.

Uma equao diferen ial dita
linear se tem a forma
dn1 f (x)
dn f (x)
+
C
(x)
+ . . . + C0 (x)f (x) = g(x)
n1
dxn
dxn1
so funes lineares de x e a equao diferen ial de primeiro
Cn (x)
onde os oe ientes
g(x)
for nulo, a equao dita
grau. Se
homognea linear.
Um exemplo muito simples de equao diferen ial a onduo de alor unidimensional.
k , perfeitamente isolada ao longo do seu

omprimento e submetida a duas temperaturas impostas em suas extremidades: T (x = 0) = T0
Seja uma barra de material om ondutividade trmi a
T (x = L) = TL .
Figura 29.1: Conduo de alor em uma barra
Se extrairmos um elemento diferen ial
dx[m]
ao longo do omprimento, podemos realizar
um balano de uxo de alor. Para isto, iremos onsiderar o uxo de alor que entra no volume
diferen ial,
qx [J/m2 ]
e o uxo de alor que sai,
qx + dqx .
O termo
dqx
onsiderado para
levarmos em onsiderao os a rs imos asso iados ao termo de gerao volumtri a de alor,
Q[J/m3 ]
que podem estar presentes no interior do orpo. Assim, no volume, teremos
qx dA + (qx + dqx )dA + QdV = 0

omo ondio para equilbrio de uxos (aqui foi adotada a notao de sinais usual no teorema
dA = dydz
e dV = dxdydz . Simpli ando a equao e dividindo todos os termos restantes por dV obtemos
da divergn ia, onde o que "entra" no volume negativo). Nesta equao temos que
dqx
+ Q = 0.
dx
Se onsiderarmos, por simpli idade, que o termo de gerao de alor nulo (vamos deixar
isto para a dis iplina de transfern ia de alor), obtemos uma equao diferen ial ordinria
29.1.
CLASSIFICAO E EXEMPLOS
247
x), de primeira ordem e de primeiro grau, om varivel dependete qx (x).

quisermos obter o ampo de temperaturas, T (x), devemos modi ar esta equao, inserindo
(varivel dependente
Se
a relao entre o uxo de alor e a temperatura. Utilizando a lei de Fourier,
qx = k
dT (x)
dx
obtemos

dT (x)
d
k
=0
dx
dx
que uma EDO de segunda ordem e de primeiro grau. A lei de Fourier, que rela iona um uxo
a outra grandeza, por meio de uma ou mais propriedades do material, omumente hamada
de
relao onstitutiva.
Como
onstante, podemos solu ionar esta equao por dupla integrao, de tal forma
que a soluo ser dada por
T (x) = C1 x + C2
om
C1
C2
onstantes. Estas onstantes podem assumir valores arbitrrios, denindo assim
um nmero innito de retas que satisfazem a equao diferen ial.

omportamento espe o, no aso
T (x = 0) = T 0
T (x = L) = TL ,
Para representarmos um
devemos onsiderar estas
informaes na obteno das onstantes, parti ularizando assim a soluo. Estas informaes
so hamadas de
De
ondies de ontorno, podendo ser:
Diri hlet (tambm onhe idas omo essen iais ou de primeiro tipo), quando tra-
zem informaes sobre o valor da funo em pontos do ontorno;

De
Neumman (tambm onhe idas omo naturais ou de segundo tipo), quando tra-
zem informaes sobre a derivada da funo em pontos do ontorno;

De
Robin (tambm onhe idas omo de ter eiro tipo) quando so expressas omo uma
ombinao linear de valores da funo em pontos de ontorno om valores da derivada

da funo nestes mesmos pontos.
No nosso exemplo, dadas as informaes sobre as temperaturas no ontorno do domnio 1D

(extremos do intervalo), podemos identi ar duas ondies de ontorno essen iais:
e
T (L) = TL ,
T (0) = T0
resultando em
T (0) = T0 = C1 + C2 0
T (L) = TL = C1 + C2 L
tal que
C1 = T0
C2 =
TL T0
e,
L
para estas ondies de ontorno T (x) = T0 + TLLT0 x.
Caso as informaes sobre o ontorno fossem diferentes, no iriamos modi ar a resposta da

equao geral de nossa EDO. Supondo, por exemplo, que
qx (0) = q0
(entrando) e
T (L) = T1 ,
248
x = 0 e uma ondio essen ial em x = L.
ento teremos uma ondio de ontorno natural em

Utilizando a lei de Fourier, temos que
dT (x)
= q0
dx
T (x) = C1 + C2 x, obtemos
k
tal que, utilizando a soluo geral
kC2 = q0 C2 =
e, om a ondio de ontorno essen ial em
x=L
q0
k
obtemos
parti ular se torna
T (x) = T1
C1 = T1
q0 L
, tal que a soluo
k
q0 L q0
+ x.
k
k
interessante notar que uma mesma equao diferen ial pode ser utilizada para modelar
problemas fsi os ompletamente diferentes.
deslo amento axial de uma barra de rea
Caso o problema em questo seja o de obter o
A e mdulo de elasti idade longitudinal E
onstantes,
de a ordo om a gura abaixo. Neste aso, podemos realizar o balano diferen ial dos uxos
(tenses normais) no ontorno do elemento diferen ial (aqui iremos utilizar a notao artesiana,
om positivo na direo de
e negativo se oposto), tal que o somatrio de foras em
resulta
em
Figura 29.2: Barra engastada submetida a trao no ontorno livre.
dxx
= 0.
dx
A relao onstitutiva dada pela famosa lei de Hooke
xx = Ex x = E
du(x)
dx
permitindo obter uma equao diferen ial de segunda ordem em termos dos deslo amentos
axiais,
u(x)
29.1.
CLASSIFICAO E EXEMPLOS
249

d
du(x)
E
= 0,
dx
dx
om soluo geral
u(x) = C1 + C2 x
( omparar om a soluo da onduo de alor).
No
problema foram informadas duas ondies de ontorno: uma essen ial (deslo amento zero em
x = 0)
e uma natural (trao imposta em
x = L.
Com a primeira informao obtemos
C1 = 0
e, om a segunda
du(L)
q0
= q0 C2 =
dx
E
tal que a soluo ser
u(x) =
q0
x
E
ou, onsiderando que a trao no ontorno seja apli ada de forma homognea sobre a rea
ento
q0 =
F
, tal que
A
u(x) =
A,
F
x.
EA
Um fato interessante que um mesmo fenmeno pode ser modelado por equaes diferen iais
ordinrias ou par iais, dependendo do modelo.
A onduo de alor 1D, estudada a pou o,
quando estudada em 2 ou 3 dimenses gera uma equao diferen ial par ial.
Seja um elemento diferen ial bidimensional para o problema de onduo de alor
Figura 29.3: Elemento innitesimal 2D para onduo de alor.

ento o balano permite obter
qx dA + (qx + dqx )dA qy dA + (qy + dqy )dA + QdV = 0

tal que, uma vez simpli ado e normalizado pelo diferen ial de volume, resulta em
dqx dqy
+
+ Q = 0,
dx
dy
que o divergente do vetor uxo (div
q + Q = 0).
Introduzindo a relao onstitutiva bidi-
mensional para um material isotrpi o
q = KT =
k 0
0 k
!(
dT (x,y)
dx
dT (x,y)
dy
250
obtm-se nalmente uma equao diferen ial par ial, na forma

d
dT (x, y)
d
dT (x, y)
k
+
k
+ Q(x, y) = 0
dx
dx
dy
dy
ou
2 T (x, y) = Q(x, y)
onde
onhe ido omo operador de Lapla e (Lapla iano) e a equao re ebe o nome de
equao de Poisson.
Caso o termo fonte seja nulo, ento hamamos a equao de EDP de
Lapla e.
29.2 Equaes Diferen iais omo Operadores

Conforme visto nas sees anteriores, podemos interpretar uma equao diferen ial omo sendo
a apli ao de um operador (Linear ou no), sobre uma funo, mapeando esta para um outro
espao vetorial. Assim, a equao diferen ial
2 T (x, y) = Q(x, y)
pode ser intepretada omo a apli ao do operador
Q(x, y).
para o ampo es alar
2 sobre o ampo es alar T (x, y), mapeando
Assim, podemos utilizar toda a teoria vista na primeira parte da
matria para estudar as propriedades de uma equao diferen ial, omo se esta fosse a simples
apli ao de um operador.
Em espe ial, aso os espaos vetoriais sejam nito dimensionais,
ento o operador poder ser es rito na forma matri ial.
29.3 Equaes Diferen iais Par iais Lineares

Uma EDP linear tem a forma geral
Afxx + 2Bfxy + Cfyy + Dfx + Efy + F f + G = 0

onde
e
fxx denota derivada segunda em relao a x, por exemplo.
Os oe ientes
A, B, C, D, E, F
dependem apenas das variveis independentes, tendo omo requisito a ondio
A2 + B 2 + C 2 6= 0.
Quanto a lassi ao, as EDP lineares podem ser lassi adas omo:
Hiperbli as se
Elpti as se
Parabli as se
> 0;
< 0;
= 0;
29.3. EQUAES DIFERENCIAIS PARCIAIS LINEARES

onde
= B 2 4AC
251
o dis riminante da EDP. importante salientar que a lassi ao
da EDP permite a avaliao de quais mtodos de soluo podero ser empregados para a sua
orreta soluo numri a. Alguns exemplos:
fxx fyy = 0
hiperbli a;
fxx + fyy = 0
Elpti a;
fxx fy = 0
parabli a;
Equaes de Lapla e e de Poisson so elpti as;
Equao da onda hiperbli a;
Equao de Fourier parabli a;
252
Captulo 30
Mtodo dos Resduos Ponderados
Considere uma equao diferen ial
F (x, y(x), yx (x), ..., y(n) (x)) = 0

x [0, L]. Sabemos que a soluo desta equao diferen ial uma funo (varivel
n
dependente) y(x), que deve ser n-diferen ivel, ou seja, perten ente ao onjunto de funes C .
om
Ainda,
y(x) deve
satistazer a equao diferen ial em
todos os pontos do domnio (x [0, L]).
Supondo, por um momento, que tenhamos uma funo

diferen iabilidade e as ondies de ontorno, mas que
Neste aso, a introduo de
y(x)
y(x)
que satisfaa os requisitos de
no solu ione a EDO em todos os pontos.
na equao diferen ial ir resultar em
F (x, y(x), yx (x), ..., y(n) (x)) = r(x)

onde
r(x)
onhe ido omo resduo. Obviamente, se
y(x) = y(x) = r(x) = 0.
Assim, uma
boa soluo ser aquela que minimiza o resduo, sendo justamente esta estratgia utilizada nos
mtodos que sero abordados aqui.
A satisfao da equao diferen ial em todos os pontos, oforme visto a ima, torna o pro edimento de soluo bastante ompli ado. Assim, ao invs do requisito
podemos bus ar a soluo
forte ou ponto a ponto,
fra a (no sentido de onvergn ia) por meio de um fun ional linear
< r(x), w(x) >= 0
onde
w(x) onhe ida omo funo teste (ou peso).
Esta expresso nada mais , no espao das
funes, do que
r(x)w(x) dx = 0
que pode ser interpretada omo uma mdia ponderada (por

do domnio de soluo, dando origem ao nome
w)
da funo resduo ao longo
resduos ponderados.
253
Certamente, podemos
CAPTULO 30. MTODO DOS RESDUOS PONDERADOS
254
realizar uma interpretao mais geomtri a, uma vez que sabemos que a ondio
< r(x), w(x) >= 0

impli a em
ortogonalidade entre a funo resduo e a funo teste.
Assim, podemos dizer que
estamos ortogonalizando o resduo em relao a um espao, denido pelas funes teste.

Exemplo: Vamos onsiderar a equao diferen ial
d2 T (x)
= 1,
dx2
x (0, 1)
om
T = 0 em x = 0 e em x = 1
om soluo exata
x x2
T (x) = + .
2
2
Supondo que seja es olhida uma funo
T (x) = a0 sin( x)
para aproximarmos a equao diferen ial, ento veri amos que esta satisfaz o grau de diferen iabilidade ne essria e satisfaz as ondies de ontorno. O resduo ser
r(x) =
d2 T(x)
1
dx2
tal que sua ortogonalizao em relao a uma funo peso
1
0
w(x)
resulta em
!
d2 T (x)
1 w(x) dx = 0
dx2
ou, desenvolvendo a derivada e agrupando os termos,
1
2
a0 sin(x)w(x) dx =
Neste ponto a laro que a es olha de
w(x)
w(x) dx.
ir denir a qualidade da aproximao. De
w(x) levam a diferentes mtodos de soluo.

para a aproximao de T (x) faz om que
fato, diferentes es olhas para

espao que foi utilizado
w(x) = b0 sin(x)
tal que
1
2
a0 sin(x)b0 sin(x) dx =
b0 sin(x) dx.
Es olhendo o mesmo
255
resultando em
a0 b0
2
4
2
= b0 = a0 = 3
2
tal que a melhor aproximao ( onsiderando estes espaos) ser:
4
T (x) = 3 sin(x).
A gura 30.1 mostra a soluo exata sobreposta a aproximao obtida, bem omo o omportamento do resduo.
Figura 30.1: Aproximao obtida para
w(x) = b0 sin(x)
(topo) e funo resduo (embaixo)
interessante notar que podemos lanar mo de outas funes de ponderao. Por exemplo,
podemos utilizar
w(x) = b0 (x 0.5)
que um delta de dira entrado em
x = 0, 5.
A expresso se torna
1
2
a0 sin(x)b0 (x 0.5) dx =
b0 (x 0.5) dx.
256
tal que
a0 b0 sin
resultando em

2
= b0 = a0 =
T (x) =
1
sin(0.5)
1
sin(x),
sin(0.5)
om o gr o ilustrado na gura 30.2.
Por m, podemos onsiderar
w(x) = b0 (x 0.5)
w(x) = H(0) H(1),
orrespondendo a funo degrau (Hea-
viside) ativa somente no domnio, tal que
1
2
a0 sin(x)b0 dx =
b0 dx.
resultando em
2a0 b0 = b0 = a0 =
1
2
257
tal que
1
TH (x) = sin(x),
2
om o omportamento ilustrado no gr o da gura 30.3.
w(x) = b0 H(0)
importante notarmos que os uxos (ou seja, a derivada de

qualidade de aproximao. O uxo analti o obtido om
qanalitico =
dT (x)
= x 0.5
dx
e os demais uxos so
qT =
qT =
4 cos ( x)
,
2
cos ( x)
,
sin (0.5 )
T)
no apresentam a mesma
258
qTH =
cos ( x)
.
2
A gura 30.4 apresenta o omportamento dos uxos ao longo do omprimento, para todos
os asos estudados aqui.
Figura 30.4: Fluxos obtidos om as diferentes estratgias.
Para ilustrar omo este pro edimento pode ser estendido para bases de maior ardinalidade,
vamos onsiderar uma aproximao na forma
T (x) =
n
X
ak sin(kx)
k=1
onde a laro que esta ombinao linear satistaz as ondies de ontorno e os requisitos de
ontinuidade. Para
n = 3,
por exemplo, temos
T (x) = a1 sin(x) + a2 sin(2x) + a3 sin(3x)

e, se utilizarmos omo funo peso uma funo do mesmo espao, ento
w(x) = b1 sin(x) + b2 sin(2x) + b3 sin(3x)

resultando em
r(x) =
d2 T(x)
1
dx2
tal que sua ortogonalizao em relao a uma funo peso
w(x)
resulta em
259
!
d2 T (x)
1 w(x) dx = 0
dx2
1
0
ou, aps alguns l ulos
tal que, agrupando por
bi ,
2 b3 + 6 b1
9 2 a3 b3 + 4 2 a2 b2 + 2 a1 b1
=
2
3
obtemos:
2
2 a1
=
2
2 2 a2 = 0
resultando em
a1 = 43 , a2 = 0
2
9 2 a3
=
2
3
a3 = 2743
tal que
4
4
T(x) = 3 sin(x)
sin(3x)
27 3
om o omportamento ilustrado na gura 30.5
Figura 30.5: Soluo om 3 termos
Com esta soluo melhorada ou
renada, observamos uma melhora signi ativa no l ulo
de uxos, onforme ilustrado na gura 30.6.
260
Figura 30.6: Fluxo da soluo om 3 termos.

Solu ione o problema dis utido a ima, onsiderando que a funo
T (x)
aproximada por um
polinmio de segunda ordem, para as seguintes funes peso:
w(x)
no mesmo espao de
w(x)
omo uma ombinao linear de 3 funes
w(x)
omo uma ombinao linear de 3
T (x)
(mesma base);
om entros distintos (utilize pontos
no domnio, igualmente espaados);
Heavisides.
Di a:
H =1
em ada um dos trs
intervalos, e zero nos demais.
Agora ompare as solues obtidas om a soluo analti a e faa uma anlise dos resultados.
Continuando, podemos veri ar aps o extenso exemplo dis utido a ima que o mtodo
depende de duas es olhas importantes:
Da lasse de funes utilizadas para des rever a varivel dependente da equao diferen ial
(aproximao);
Da lasse de funoes utilizadas para a funo teste.
Em espe ial, tivemos o uidado de sele ionar uma famlia de funes
Satiszesse as ondies de ontorno;
Perten esse ao espao das funes
T (x)
que:
2
diferen iveis (C ).
A primeira ondio fundamental, embora possamos trabalhar um pou o mais a abordagem

utilizada no primeiro exemplo, de modo a relaxar ainda mais os requisitos de soluo.
261
Em espe ial, vamos onsiderar novamente a nossa equao diferen ial
d2 T (x)
= 1,
dx2
x (0, 1)
e a ortogonalizao de seu resduo
!
d2 T(x)
1 w(x) dx = 0.
dx2
Reagrupando a equao, obtemos
e, apli ando
1
0
d2 T (x)
w(x)dx =
dx2
w(x)dx
integrao por partes no lado esquerdo, obtemos

dT
w(x)n|10
dx
dT (x) dw(x)
=
dx
dx
w(x)dx
de onde podemos identi ar os seguintes resultados:
A integral de domnio agora ontm derivadas de primeira ordem, tanto de

de
T (x)
quanto
w(x);
Surgiram termos de ontorno ( omo nosso exemplo 1D , o ontorno onsiste em
x = 1), dependentes dos valores do uxo dTdx(x) e de w(x) nestas posies.
x=0
O primeiro item indi a que graas a este simples pro edimento de integrao por partes
podemos pro urar a soluo aproximada,
aso, funes da lasse
T(x)
em um espao menos restrito do que
C2
(neste
satisfazem a relao).
O segundo item tambm interessante, pois pelo pro edimento de integrao por partes
obtivemos naturalmente o uxo no ontorno. Por este motivo, estas ondies de ontorno so
hamadas de "naturais". Ainda, se assumirmos que
ontorno essen iais de
em
x=0
ou em
x=1
T (x),
w(x)
tem que satisfazer as ondies de
ento veri amos que sempre saberemos ao menos um dos valores
( ontorno).
Como exemplo, vamos onsiderar a nossa equao diferen ial om as seguintes ondies de
ontorno:
T (0) = 0 e
dT (1)
=2
dx
e vamos pro urar a nossa soluo em um espao de polinmios de segundo grau, ie, om base
B = 1, x, x2 .
De modo a satisfazer a ondio de ontorno essen ial em
om equaes do tipo
T (x) = a1 x + a2 x2
x = 0 podemos trabalhar
262
e, omo funo teste, podemos utilizar
w(x)
des rita no mesmo espao, ou seja
w(x) = b1 x + b2 x2 .
Assim, inserindo estas informaes em
dT
w(x)n|10
dx
dT (x) dw(x)
=
dx
dx
w(x)dx
obtemos, para a integral de domnio no lado esquerdo,
1
0
(4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
dT(x) dw(x)
=
dx
dx
3
para a integral de domnio no lado direito
w(x)dx =
para o ontorno em
x=0
2 b2 + 3 b1
6
(2a2 x + a1 ) 0
e, para o ontorno em
x = 1,

2 b1 1 + b2 12 .
Assim, agrupando todos os termos, obtemos
de tal

(4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
2 b2 + 3 b1
2 b1 1 + b2 12 0
=
3
6
forma que, agrupando por termos de b em omum, obtemos
3 a2 + 3 a1
1
=
3
2
4 a2 + 3 a1
1
b2 ) 2
=
3
3
b1 ) 2
e, organizando na forma
Ax = b,
obtemos
3 3
3 4
tal que
a1 = 1
a2 = 0, 5.
!(
a1
a2
Com isto, obtemos uma soluo aproximada
1
T (x) = x + x2
2
om
9
2
dT (x)
= 1 + x.
dx
263
Que a soluo exata para o problema. Poderamos ter utilizado um espao mais simples
(graas a integrao por partes), de tal forma que
T(x) = a1 x
e, neste aso,
a1 =
3
, que a melhor aproximao possvel neste espao.
2
O poder da integao por partes a mais evidente no aso de uma equao de quarta
ordem, omo no aso da famosa equao da linha elsti a de uma viga longa. Esta equao
dada por
d4 v(x)
= q(x)
dx4
onde E o mdulo de elasti idade longitudinal, I o momento de inr ia da seo transversal,
q(x) um arregamento distribudo e v(x) o deslo amento transversal ao longo do ompriEI
mento. Outras medidas que esto asso iadas a esta equao diferen ial so a rotao da linha
elsti a
(x) =
o esforo ortante
V (x) =
dv(x)
dx
d3 v(x)
dq(x)
=
dx
dx3
e o momento etor
M(x) =
d2 v(x)
dV (x)
=
dx
dx2
Neste aso, podemos denir o resduo omo
r(x) = EI
d4 v(x)
q(x)
dx4
tal que o pro edimento de ortogonalizao do resduo resulta em

d4 v(x)
q(x) w(x)dx = 0
EI
dx4
d4 v(x)
w(x)dx =
EI
dx4
ou
q(x)w(x)dx.
Por estas equaes a laro que o espao de funes que satisfaz esta equao diferen ial
da lasse
C 4,
o que bastante restritvo. Com o objetivo de amenizar este requisito, podemos
realizar uma integrao por partes no termo da esquerda, resultando em
d3 v(x)
EI
w(x)|L0
dx3
EI
d3 v(x) dw(x)
dx
dx3
dx
de onde podemos veri ar que mais uma integrao por partes ainda possvel.
mais uma integrao por partes na integral de domnio, obtemos
Efetuando
264
d2 v(x) dw(x) L
|
EI
dx2
dx 0
d2 v(x) d2 w(x)
,
EI
dx2
dx2
d3 v(x)
d2 v(x) dw(x) L
L
EI
w(x)|
EI
| +
0
dx3
dx2
dx 0
d2 v(x) d2 w(x)
=
EI
dx2
dx2
resultando em
Neste ponto, podemos veri ar que aps
duas
presso que impoe um requisito de ontinuidade
q(x)w(x)dx.
integraes por partes obtivemos uma ex-
para
v(x)
w(x).
Alm disto, temos os
termos de ontorno:
d3 v(x)
EI
w(x)
dx3 }
| {z
om o primeiro termo orrespondendo a
v(x)
no ontorno, e
V (x)
e o segundo om o mesmo omportamento de
d2 v(x) dw(x)
EI
dx2 } dx
| {z
om o primeiro termo orrespondendo a
M(x)
e o segundo a
(x)
no ontorno.
Considerando o aso de uma viga engastada submetida a um arregamento
q(x) = q0 ,
de
a ordo om a gura 30.7
Figura 30.7: Viga engastada submetida a um arregamento onstante.
e onsiderando um polinmio bi o da forma

nulos para satisfazer a ondio de que
v(0) = 0,
v(x) = a0 + a1 x + a2 x2 + a3 x3
om
temos que
v(x) = a2 x2 + a3 x3
e
w(x)
= b2 x2 + b3 x3
tal que
EI

d2 v(x) d2 w(x)
3
2
=
EI
12
a
b
L
+
(6
a
b
+
6
a
b
)
L
+
4
a
b
L
,
3
3
2
3
3
2
2
2
dx2
dx2
a0
a1
265
Z
om
w(0) = (0) = 0,
L
0
q0 (3 b3 L4 + 4 b2 L3 )
q0 w(x)dx =
12
devido ao engaste, e
resultam em valores nulos (
V (L) = M(L) = 0.
para este exemplo).
Assim, os termos de ontorno
Agrupando os termos, obtemos
q0 (3 b3 L4 + 4 b2 L3 )
EI 12 a3 b3 L3 + (6 a2 b3 + 6 a3 b2 ) L2 + 4 a2 b2 L =
12
tal que, separando por termos omuns em b, obtemos
b2 ) 6EI a3 L2 + 4EI a2 L =
q0 L3
3
b3 ) 12EI a3 L3 + 6EI a2 L2 =
q0 L4
4
dando origem ao sistema linear
EI
om soluo
a2 =
5q0 L2
e
24EI
4L 6L2
6L2 12L3
q0 L
a3 = 12EI
,
!(
a2
a3
q 0 L3
3
q 0 L4
4
tal que
v(x) =
q0 L 3
5q0 L2 2
x
x
24EI
12EI
que pode ser omparada a soluo analti a
v(x) =
na gura 30.8, para
q0 = 1, EI = 1

q0 x2
6L2 4Lx + x2
24EI
L = 1.
Figura 30.8: Comparao entre a soluo aproximada om um polinmio de segundo grau (azul)
e a exata (vermelho) para o problema da viga longa.
266

Solu ione o problema dis utido a ima para um polinmio de quarto grau e ompare om a
soluo exata.

Apostila Fundamentos Matemática

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila Fundamentos Matemática

Transféré par

Droits d'auteur :

Formats disponibles

Notas de Aula de Fundamentos de Matemti

a Programa de Ps-Graduao em Engenharia Me ni a UDESC

Eduardo Lenz Cardoso

Con eitos Bsi os

Armaes do tipo Se-Ento . . . . . . . . . . . . . . . . . . . . . . . . .

Armaes do tipo Se-e-somente-se . . . . . . . . . . . . . . . . . . . . .

Negao de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . .

Unio de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . . .

Algumas Propriedades dos nmeros reais.

Transformaes Lineares e Fun ionais . . . . . . . . . . . . . . . . . . . . . . . .

Transformao Linear de Espaos Finito Dimensionais

Mudana de Base Apli ada a Operadores Lineares . . . . . . . . . . . . . . . . .

Formas lineares, bilineares e quadrti as

Ortogonalizao de Gramm-S hmidt

Autovalores e Autovetores Reais . . . . . . . . . . . . . . . . . . . . . . . . . . .

Multipli idade de Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Problema Generalizado de Autovalores e Autovetores

10.1 Sequn ias de Cau hy

10.2 Espao Completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12 Con eitos Bsi os de Cl ulo Numri o

12.1 Representao de nmeros naturais em diferentes bases . . . . . . . . . . . . . . 105

12.5 Valores espe iais reservados pela norma . . . . . . . . . . . . . . . . . . . . . . . 110

12.8 Di as Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

13 Des rio Bsi a de um Algoritmo

14.1 Mtodo da Bise o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

14.3 Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

15 Operaes Bsi as om Matrizes

15.1 Multipli ao por um es alar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

15.7 Trao de Uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

16 Triangularizao de uma Matriz Quadrada

16.1 Mtodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

17.1 Cal ulo de Determinante por De omposio LU

18.1 De omposio LDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

19 Condi ionamento de uma Matriz

19.1 Matrizes de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

20 Mtodos Iterativos para a Soluo de Sistemas Lineares

20.1 Mtodo de Gauss-Ja obi

20.2 Mtodo de Gauss-Seidel

20.3 Mtodo do Gradiente - Steepest Des ent

20.4 Mtodo dos Gradientes Conjugados . . . . . . . . . . . . . . . . . . . . . . . . . 164

21 Sistemas de Equaes Lineares Complexas

22 Soluo de Sistemas No-Lineares

23 Problema de Mnimos Quadrados

23.0.1 Es alonamento das Variveis . . . . . . . . . . . . . . . . . . . . . . . . . 177

24 Soluo de Problemas de Autovalores e Autovetores

24.1.1 Mtodo da Potn ia Inversa

24.2 Mtodo de Ja obi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

24.4.1 Utilizando a De omposio

para Solu ionar Sistemas de Equaes

Lineares Mal-Condi ionados. . . . . . . . . . . . . . . . . . . . . . . . . . 197

25 De omposio em Valor Singular

e Espao Nulo de um Operador

25.2 Compresso de Imagens Utilizando o SVD -

Low-Rank Matrix Approximation

26.1 Diferenas Finitas Complexas

27.2 Regra de Simpson de Segunda Ordem (Primeira Regra de Simpson) . . . . . . . 222

27.4 Integrao por Quadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

28 Transformada Dis reta de Fourier - DFT

28.1 Inun ia da taxa de amostragem -

28.2.1 Janelamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

29 Equaes diferen iais

Classi ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

29.2 Equaes Diferen iais omo Operadores . . . . . . . . . . . . . . . . . . . . . . . 250

Armaes do tipo Se-Ento . . . . . . . . . . . . . . . . . . . . . . . . .

Armaes do tipo Se-e-somente-se . . . . . . . . . . . . . . . . . . . . .

Negao de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . .

Unio de quanti adores . . . . . . . . . . . . . . . . . . . . . . . . . . .

28.1 Inun ia da taxa de amostragem -

Classi ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

ograa bsi a sobre os assuntos abordados.

Com estes onjuntos bsi os, podemos onstruir denies

Denio: Nmero par

Alguns so bvios, omo o 2 (que j ne essrio para denirmos o onjunto

Denio: Nmero par (denio alternativa)

1.1.1 Armaes do tipo Se-Ento

que pode ser veri ada om a seguinte armao:

"A su iente para

"A ondio su iente para

1.1.2 Armaes do tipo Se-e-somente-se

de " ondio ne essria e su iente"para

ou, SE par ENTO NO impar. A tabela verdade

Observem que nesta armao temos:

ajuntamento em um onjunto de objetos denidos e distintos de nossa per epo e do nosso

e um onjunto pode ser denido extensivamente