Académique Documents
Professionnel Documents
Culture Documents
Contedo
1 Introduo
1.1
1.2
1.3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1
1.1.2
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
16
2.2.2
17
2.3
Operaes om Conjuntos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Nmeros Reais
3.1
21
. . . . . . . . . . . . . . . . . . . . .
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
44
6.2
. . . . . . . . . . . . . .
46
6.3
Mudana de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
CONTEDO
6.4
55
6.5
57
. . . . . . . . . . . . . . . . . . . . . .
7 Produto Interno
63
7.1
Ortogonalidade
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
7.2
Projeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
7.3
. . . . . . . . . . . . . . . . . . . . . . . .
69
7.4
Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
8 Autovalores e Autovetores
73
8.1
79
8.2
79
8.3
Subespaos Prprios
81
8.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
83
9 Continuidade
87
10 Sequn ias
91
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
95
11 Srie de Fourier
97
105
Epsilon
da Mquina
. . . . . . . . . . . . . . 107
. . . . . . . . . . . . . . . . . . . 107
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
. . . . . . . . . . . . . . . . . . . . . . . . . . . 111
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
115
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
14 Razes de Equaes
119
Regula Falsi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
CONTEDO
127
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
135
17 De omposio LU
143
. . . . . . . . . . . . . . . . . . 147
. . . . . . . . . . . . . . . . . . . 147
18 Mtodo de Cholesky
149
153
157
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
. . . . . . . . . . . . . . . . . . . . . . 162
169
173
175
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
CONTEDO
181
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
. . . . . . . . . . . . . . . . . . . . . . . . . 184
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
QR
Rank
207
. . . . . . . . . . . . 209
26 Derivada Numri a
215
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
27 Integrao Numri
a
27.1 Regra dos Trapzios
. 210
221
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
. . . . . . . 223
231
. . . . . . . . . . . . . . . . . . 238
28.2
. . . . . . . . . . . . . . . . . . 241
245
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
RN
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
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.
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
Quotient ).
Z dos
Zhalen ) e Q dos
Observem que a denio de par depende de 3
on
eitos prvios: nmero natural, divisvel
e
2.
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.
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:
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
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
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.
A,
ento
B ",
onde
uma hiptese
Teorema: Se
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.
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
"ganhar na Mega-Sena"e a
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,
nem
B:
Pode ser que eu no ganhe, mas os alunos reprovem por falta de ompe-
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
B"
B"
B"
ento
e se
ento
A".
Vamos
a um exemplo
Teorema: Um inteiro
par se e somente se
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
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
e a segunda derivada
for negativa". Assim, do
l
ulo I, sabemos que estas
ondies s o
orrem juntas e, portanto,
hamamos
A.
11
"A sse
"A i
B"
B"
"A equivalente a
B ".
B:
"pri-
ondies "primeira derivada neste ponto for nula"
om "segunda derivada for negativa" um
operador lgi
o (E, AND ou
AeB
um exemplo: "Todo o inteiro ujo algarismo das unidades zero divisvel por 2
e por 5".
e o simbolo alternativo
A not(B)
nao A
ou
uma inexo".
x,
x"e B
ou
ou
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.
B).
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
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:
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
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,
B,
dizemos que
for elemento de
B:
A B sse x U x A x B
onde se l:
perten e a
est ontido em
impli a em
perten er a
B.
16
de smbolos e on eitos que devem ser bem denidos. Em espe ial, vamos denir os quanti adores.
utilizamos o on eito de
Esta
x A,
armao sobrex
om as seguintes variaes:
"seja
par ou mpar"
Para provarmos uma armao
om "para todo", temos que mostrar que a armao
sempre vlida, para qualquer o
orrn
ia de
Este um
x.
armao sobre
"Existe um x, membro de
N,
tal que
primo e par"
interessante notar que para provarmos uma armao om Existe, basta mostrar que
(x Z, x
x Z, (x
par e mpar)
par e mpar)
2.3.
no
no
17
2)
Z, x
x Z, (x
primo)
primo)
no
no
primo.
+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
No entanto, uma pequena alterao pode mudar totalmente o sentido da armao,
omo
por exemplo
Proposio 6. y, x, x + y = 0
Unio de Conjuntos:
Sejam dois
onjuntos
em
ou em
B,
B.
A unio de
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
tal que
A B = {x : x A x B}
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)
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 :
BC
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.
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
A B = {x : x A x
/ B}.
e no em
E em
AB
mas no em
A,
tal que
AB = (A B) (B A).
A e B.
O produto artesiano de
A e B,
denotado por
AB
o onjunto
A B = {(a, b) : a A, b B}
20
A = {1, 2}
B = {3, 4}.
(A B 6= B A).
A = {1, 1, 2, 3, 4}
tem ardinalidade
|A| = 4,
elementos distintos. Note que as seguintes relaes entre
ardinalidade e as operaes denidas
a
ima podem ser obtidas:
B.
Ento,
|A B| = |A| |B|
|A| = 2
|B| = 2,
tal que
|A B| = 4,
pois o
Captulo 3
Nmeros Reais
Os nmeros reais,
R,
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:
+ :RR R
ou
(x, y) x + y ;
:RRR
ou
(x, y) x y ;
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;
Asso iatividade:
(x y) z = x y z
x, y, z R;
Comutatividade:
x y = y x x, y R;
Elemento Neutro:
x 1 = x 1, 0 R;
x x1 = 1 x, 1 R x 6= 0;
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
22
Para
ou seja,
xP
x = 0, x P , (x) P ;
R = 0 P (P ), onde o onjunto P
negativos.
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,
3.1.
23
S R.
uR
Dizemos que
vR
ota inferior de
ota superior de
se
se
s S, v s.
s S, s u.
Analoga-
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].
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.
ou
A = {x R : 0 x 1}
1,
in lusive.
Assim,
ontm
No
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,
sup(A) A
sup(B)
/ B
(1, )
e o supremo
24
a R.
|a| =
assim, se
a = 1,
temos que
seguintes relaes:
|a| = |a| , a R
2.
3.
4.
|a| a |a| , a R.
dado por
+a se a > 0
a se a < 0
|a| = (1) = 1.
1.
Teorema 1.
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 + b| |a| + |b|.
exemplo, vamos utilizar a = 1
1 + 2 = 3.
Como
1 < 3,
b = 2.
Neste aso
|1 2| = |1| = 1
|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
(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
(entrada, saida)
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
1,
f (a) = b
f (a) = c
f = {(x, y) : x, y Z, y = x2 }
que, em termos de pares ordenados teria a forma
25
impliquem em
b = c.
4.
CAPTULO 4. FUNES
26
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:
f.
hamado de domnio de
ou
dom f .
Em notao matemti a:
dom f = {a : b, (a, b) f }
ou, de forma mais direta:
f = {(x, y) : x, y Z, y = x2 }
o domnio
Z.
f.
hamada de imagem de
ou
im f .
Em notao matemti a:
im f = {b : a, (a, b) f }
ou, de forma mais direta:
f = {(x, y) : x, y Z, y = x2 }
Z.
f :AB
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)},
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
Funes inversas:
Seja uma funo
f 1
obtida pela inverso dos termos de ada um dos pares que formam a relao, tal que
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}
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
e a funo
f (x) = f (y)
hamada de um-a-um se
se e somente se
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.
ax + b = ay + b
e, se
a 6= 0,
x = y.
podemos subtrair
b dos
a2 = b2
a.
f = {(x, y) : x, y R, y = x2 }.
CAPTULO 4. FUNES
28
f sobre
f no sobre
impli
a em
onde
Seja
f 1 uma funo
im f = dom f 1 .
dom f = im f
se e somente se
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 .
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,
para que
f 1 seja
B,
aso:
seja injetiva
f 1 : B A.
Neste
Bijeo:
Seja
f : A B. f
Exemplo:
pares.
Sejam
f (x) = x + 1
uma bijeo.
x+1=y+1
4.1.
COMPOSIO DE FUNES
e, des ontando
29
x = y.
Para veri
armos se sobre, temos que sele
ionar um elemento de
forma genri
a
omo
x = 2k,
y = 2k + 1.
B,
f (x) = x + 1 = 2k + 1
que mostra que
sobre e, portanto
uma bijeo.
es:
f : A B.
Se
ento
no um-a-um.
Se
ento
no sobre.
b.
ento os primeiros
elementos de
sero levados
A.
B.
Tarefa:
Domnio
Contradomnio
x x3
um a um ?
sobre ?
Bijeo ?
x x3
x |x|
x x2
CAPTULO 4. FUNES
30
a)
f.
f (a)
g,
pois a sada de
g.
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
g(x) = 2x 3.
Para al ularmos
f (4) = (4)2 + 1 = 17
g(f (4)) = 2 17 3 = 31
ou, de modo geral
No entanto,
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
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
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)
pois temos
(1, (, 10))
(2, (, 10)).
a funo
idA
ujo domnio
e satisfaz
e uma funo
f : A B,
ento
f idA = idB f = f
e
e uma funo
f :AB
f f 1 = idB
f 1 f = idA
vamos a um exemplo para deixar estes
on
eitos mais
laros.
CAPTULO 4. FUNES
32
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
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
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
Tendo em mente esta denio, podemos ento denir um espao vetorial sobre os reais, na
forma:
33
CAPTULO 5.
34
RN
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
R2
RN :
Produto interno:
Seja
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
u v = u1v1 + ... + un vn
mas isto no impli
a na existn
ia de somente esta implementao de produto interno.
fato, temos que
De
(u1, u2 )
"
5 1
1 5
N N,
v1
v2
= 5v1 u1 u1 v2 u2 v1 + 5u2v2
35
u 6= (0, 0).
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,
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
on eito para
N
X
kukP =
uPi
i=1
! P1
, p N , p par
p ,
tambm hamada de
max,
pois
kuk = max ui
1iN
Distn
ia
Seja V um espao vetorial normado e
distn
ia entre
u,v
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:
uu
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
u=
N
X
i vi
i=1
onde
i R
vi V ,
ento
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
elementos de
puder ser es rito por meio de uma ombinao linear dos outros elementos de
linearmente independente.
1 u1 + .... + m um = 0
se e somente se
1 = 2 = ... = m = 0.
linearmente dependente.
Span (Gerador) :
Seja
V RN
Se
ada vetor em
dizemos que
onde
v V .
S = {u1 , u2 , ..., un }
um onjunto de elementos de
S,
Pn
S spans V ,
ou
gera
V.
v=
V.
ento
i=1
i ui
5.1.
BASES
37
de
V,
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
B,
B R2
Base:
Seja
V RN
um espao vetorial e
linearmente independente
spans
um onjunto de
dito base de
se:
R2
os onjuntos
B1
ou de
B2 .
Por exemplo,
(7, 9)
R2
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.
RN .
Bola aberta em
RN :
e entro
denida por
RN :
e entro
denida por
Br (u) = {v RN : d(u, v) r}
Esfera em
RN :
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,
Conjunto Aberto:
Um
onjunto
G RN
aberto em
RN
se para todo o
Ou seja, um onjunto aberto se qualquer ponto deste onjunto pode ser pertur-
5.2.
RN
39
imaginar que
Outro exemplo:
genri
a
teremos
perturbamos em
I = {x : x [0, 1]}.
B (x) = (x , x + ).
O onjunto
em uma posio
(, )
x=0
e que
I.
RN
Complemento de um Conjunto:
O
omplemento
(V )
(V ) = RN \V = {u RN : u 6= F }
e,
omo exemplo, podemos
itar
[1, ),
para
A = (0, 1).
(I) = (, 0) (1, ),
para
I = [0, 1]
() = R
e
e
(A) = (, 0]
(RN ) = .
Conjunto Fe
hado:
Um
onjunto
F RN
fe hado em
RN
1) O omplemento de
A).
Assim,
0]
ou em
[1
teremos
no fe hado;
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
tambm
(0, 1]}.
E.
1 e,
om isto, ter
E , (E) = (, 0] (1, )
E = {x : x
E.
Assim,
u RN
A RN :
Uma vizinhana de
um ponto interior de
um ponto de fronteira de
um ponto exterior de
u ontida
se toda a vizinhana de
uest
em
ontida em
e em seu
omplemento
em
(A)
aberto, ento:
e, se
u ontida
Ponto de A
umulao:
Um ponto
u RN
um ponto de a umulao de
diferente de
u.
S RN
se toda vizinhana
B (u)
ontm
um
onjunto
a
umulao
de
5.2.
um onjunto
[0, 1]
ponto de a umulao de
(0, 1).
RN
41
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
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;
O onjunto
vizinhana em torno de
{4}
de a umulao
N);
4)
Desta forma, podemos denir o on eito de Conjunto Fe hado de uma forma alternativa
F RN
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:
um
onjunto
a
umulao
Neste aso,
ponto de
no pode armar nada sobre este
aso, mas podemos observar que
a
umulao !!
A = {1, 2, 3}
[0, 1]
O teorema
so pontos de
42
CAPTULO 5.
RN
Captulo 6
Espaos Vetoriais
RN
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
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
B = {1, x, x2 , x3 }
e, por exemplo,
4,
Observem que
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
x [0, 1].
u(x)
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
na forma
43
44
Z
kukp =
onde
p 1.
so funes mensurveis e
|u|
p1
Lebesgue. Outas normas so possveis, omo por exemplo a famlia de normas de Sobolev:
kukm,p =
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
"
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.
R2
equipado om normas
Lp
para
igual a
p=
1, 2
e desenhe um
Lembre-se que o raio sempre uma distn ia (asso iada a norma) que depende das
Observem que
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)
T (u) = f
6.1.
45
ou
T :U V
que pode ser lida
omo:
ontm
u, U,
d
d
T = dx
a dx
f, V .
des do operador, podemos estudar a soluo de equaes de forma mais geral. Vamos estudar
algumas denies pertinentes:
Transformao Linear:
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
aditivo
T1 T2
(T ) = {u : u U, T (u) = 0}
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
v = (1, 1)
base do n leo de
T.
Transformao Linear:
T :U V
(T ) = {0}.
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
T :U V
tal que
T (u) = 7u.
Neste
(T ) = {u U : u = 0}
A dimenso do subespao
(T ) = Im (T ) V
(dimenso de
V ).
hamada de
U e V RN ,
nullity
de
T.
transformao igual a
rank
om o
nullity
igual
ao
A soma do
Rank da transformao T : U V
T :U V
tal que
e o
T (u) = u1 + u2 ,
nullity
zero.
temos que o
rank
da
orresponde
u =
v =
n
X
i=1
m
X
j=1
i i
j j
6.2.
e, para ada
v,
temos que
T (u) = v
T (u) =
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
= T
onde
m n,
ontendo os termos
tji .
A transformao entre dois espaos vetoriais nitos pode ser representada pela apli
ao
do operador
A matriz
Exemplo 1:
Seja
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).
= 4)
e um elemento
48
D=
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
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
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
V,
observamos que
4
X
i=1
i D(i ) =
2
X
j j
j=1
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.
49
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
D=
"
em
V.
De fato, se onsiderarmos o
polinmio
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
R : R3 R3
e tem a forma
R3
formam o onjunto
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
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.
1 0 0
T= 0 1 0
0 0 0
tal que
T : R3 R3 .
Qual o
kernel
deste operador ?
4,
P.
p(x) = a0 + a1 x + a2 x2 + a3 x3
e membro de
U = {1, x, x2 , x3 }.
Vamos
1
2
3
p = [1, x, x , x ]
= Ua
a2
Observem que uma
oisa o vetor (elemento do espao dos polinmios
bi
os)
oisa um dado valor que
p(x)
x,
pP
e outra
se es revermos a relao
p(s) = C(s)p
onde
a
0
a
1
2 3
.
p(s) = C(s)Ua = [1, s, s , s ]
a2
a
3
p(s)
e queremos
Assim, vamos
6.3.
MUDANA DE BASE
51
valores distintos de
e seus orrespondentes
p(s)
a0
a
1
= p (si ) , i = 1..4
[1, si , s2i , s3i ]
a
3
E(S)a = v
onde
S = {s1 , s2 , s3 , 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.
T : u u , u , u V
onde
u =
PN
e u =
PN
j j
j=1
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 )
,
N
X
i=1
N
X
j j
j=1
N
X
j=1
rji j =
N
X
j=1
j j
Enfatiza-se
Assim,
52
rN 1 ... rN N
N
onde
..
=
(6.1)
Exemplo 1:
e a base
Sejam
tal que
u V ,
P : u u ,
om
V R2 .
entre a base
u = 1 1 + 2 2
(6.2)
u = 1 1 + 2 2
onde deve
ar
laro que
u = u ,
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
1 1 = r11 1 + r21 2
2 2 = r12 1 + r22 2
tal que
"
r11 r21
r12 r22
#(
N = 2.
1
2
1
2
6.3.
MUDANA DE BASE
assim, se
53
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
(5, 4)
na base
De fato,
"
0.2
0.4
0.2 0.6
#(
7
9
5
4
pois
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 ,
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
1 1 = p11 1 + p21 2
2 2 = p12 1 + p22 2
tal que
"
p11 p21
p12 p22
#(
1
2
1
2
= P1,
demonstrando que
R = P1 .
Na prti a, se a base
ser
Assim, se
"
= {(1, 0), (0, 1)}
p11 p21
p12 p22
"
11 12
21 22
temos que
3 = p11
1 = p12
6.4.
55
2 = p21
1 = p22
resultando em
p22 = 1.
"
P=
tal que
"
3 2
Assim,
3 2
#(
5
4
7
9
Tarefa:
Proponha dois
onjuntos de bases para o
R2
e de
R.
Aps,
e des rito
x=
n
X
i i
i=1
x =
n
X
j ,
tal que
j j .
j=1
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
s = Ax
sobre
x,
obtendo um
56
s =Ax.
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:
R3 ,
0 1
A = 2 1 0 .
2 0 1
x= 2
s = Ax = 0 .
R=
1
2
1
2
1
2
1
2
om valores diferentes.
Se, por
6.5.
57
sqrt2
1
1
.
x = R x = 3 sqrt2
3.5
2.5
A = R1 AR =
0.5
1.5
22 22
1
2
1
2
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
um vetor da nova
s = Rs = 0 .
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.
funes de funes.
58
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,
Forma Bilinear
Forma Bilinear:
Sejam
espaos vetoriais om
u, u1 , u2 U , v, v1 , v2 V
R.
B :U V R
que satisfaz:
forma bilinear.
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
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
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
1)
B : R R R, B(x, y) = xy
2)
3)
B : U V R, om U
B(u, v) =
onde
B(u, v)
1
0
(u v) dx =
{1, x, x2 }.
a1 + a2 x + a3 x2 + a4 x3
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
60 30 20
u =
ui
admite uma de
omposio polar
xj
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
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
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
B(u, v) =
Q(u) =
ou, na forma dis
reta
70
Q:U R
(3u v) dx
1
0
(3u u) dx
140 105 84 70
105 84 70 60
positivo-denida se
6.5.
61
1
u() = (C33 23 + C22 22 + C22 C12 1 2 + C12 1 2 + C11 21 )
2
onde
so as deformaes e
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.
(simetria)
(homogneo)
(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
kvk =
induzida por este produto interno.
< v, v >
d(v1 , v2 ) = kv1 v2 k =
< v1 v2 , v1 v2 >
64
L2 , omposto
|f |2 d <
< u, v >=
uvd.
tal que
L2 ,
Z
|f |2 w d <
om produto interno
< u, v >=
uvwd.
f = sin(x)sin(y)
< f, g >=
1
0
g = x
em
sin(x)sin(y) x dx dy =
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
so ditos ortogonais se
< u, v >= 0
e um
onjunto de elementos no nulos
ortogonal, isto
B = {ui }, i = 1..n
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
< 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
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 [, ].
cos(nx)cos(mx) dx = 0, m, n [1, ), m 6= n
kv1 + v2 k =
kv1 k =
[cos(nx)] [cos(nx)] dx = .
i ui = 0 i = 0 i [1, n].
n
X
i=1
7.2 Projeo
Projeo:
Uma projeo
tal que
P (P ) = P .
66
P (P ) = P ,
no prprio
Ainda, da
temos 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
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 >
kk cos() =
o tamanho da projeo de
sobre
u.
A direo de
u
e=
tal que
proju =
< u, >
kuk
u
u
kuk
< , u >
< u, > u
=
u.
kuk kuk
< u, u >
7.2.
PROJEO
67
Projeo Ortogonal:
A projeo
(P ) (P )
ou seja, se
u (P )
assim
P (u) = Pu,
onde
P = PT
PT P = PT ),
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
ada elemento
e
v (P );
wV
V.
Ento,
w = u + v,
onde
u (P )
(P )
(P ) = (P )
V;
(P ) = (P )
Exemplo:
Ainda
onsiderando o operador P dos exemplos anteriores, sabemos que para este operador
(P ) = (0, 0, a)
Assim,
68
w
N(P)
R(P)
Figura 7.1: Vetor obtido pela ombinao linear de elementos do espao nulo e do
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
c.
Pu = ca
e, sabendo que
u Pu
a,
(7.1)
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
c=
10+16
=3
11+11
tal que
Pu = (3, 3)
a = (1, 1),
teremos
7.3.
ORTOGONALIZAO DE GRAMM-SCHMIDT
69
e, onforme j armamos,
a,
pois
{i }ni=1 V
{uk }nk=1 V
, podemos
i1
X
< i , uk >
ui = i
uk
<
u
k , uk >
k=1
L.I ,
{1, x, x2 , x3 }
denido no
L2 [1, 1].
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
1
x
3
2
Z 1
1
xo
1 n 3
3
2
, x x
x
dx = 0.
=
x
15
3
15
1
, 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).
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
Exemplo:
gonal de
Seja
omposto por
Visualize !
V R3
M = {v1 , v2 }
no nulos e no paralelos.
O omplemento orto-
Desta forma,
Exemplo: Seja
v.
S R3
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
(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
x1 + x3 = 0
x2 + 23 x3 = 0
3
3
S = x R : x = x3 , x3 , x3
2
72
Captulo 8
Autovalores e Autovetores
Se
um operador es rito em termos de uma base qualquer, ento existe uma base no qual a
T :U V
A, A,
diagonal. No
R2 ,
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
A =
tal que
Au =
A forma diagonal de
A, A
1 0
0 2
(
1 u 1
2 u 2
forma anni a
no
) .
A = R1 AR,
onde
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=
autovetores.
73
74
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
det (T I) = 0
resultando em um polinmio de grau
so hamadas de
satisfazem a
determinante
e os vetores
ui
que
75
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
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
??)
e (
??),
um dos
76
u um
ujas olunas so os
que
T = = 1 T
T : R3 R3
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 .
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
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
L.I
(verique). Os valores de
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
x= 2
s = Ax = 0 .
omo sendo
1
x = x = 8, 66
12
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 .
8.1.
79
Tarefas:
perten e ao
kernel
do operador
(T I)
T : R2 R2 , T (x, y) = (3x, 8x y)
T : R3 R3 , T (x, y, z) = (3x, 2y, y + 2z)
Matriz Hermitiana
Uma matriz
A=A
onde
=a
ji ),
real, o omplexo
Exemplo:
A matriz
1
2 + i 1
A = 2 i
3
3i
1
3i
2
1 = 1, 9359708, 2 = 1, 8748776
3 = 6, 0610932
om
0, 5580841
0, 6124726
0, 5598387
tem
80
autovalores
1 = 2 = 2
3 = 3 ,
1) O operador
1 = 2 = 2
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 tem
Rank
igual a
1 e nullity
igual a
2 2 2
2 2 2
2 2 2
2.
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
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
1 A.
3 0 0
B = 0 2 0
0 1 2
8.3.
SUBESPAOS PRPRIOS
81
1 = 2 = 2
3 = 3 .
= 0
0 ,
0
0
1 1 0
que tem
B I,
Rank
obtemos a matriz
igual a
nullity
igual a
1 = 2 = 2
3 = 3
1.
na expresso
0 0
0 1
0
Rank
igual a
na
1 0 0
0 0 0
0 1 0
substituindo o autovalor
nullity
B I
2.
Por sua
resulta na matriz
0
1
igual a
1,
Desta forma,
1 A.
nullity
(A i I) X = 0
(o nmero de parmetros
que a multipli idade geomtri a sempre menor ou igual a multipli idade algbri a.
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
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,
U0
2,
(0, 0, 1)
(0, 1, 0)
dado por
U0 = a 0 + b 1 , a, b R
1
0
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
= 5,
U5 = a 0 , a R ,
8.4.
83
Ax = Bx
B = I.
(8.1)
Os valores de
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
8.1
, obtendo
B1 Ax = B1 Bx
ou
Cx = Ix = x,
om
C = B1 A.
autovetores tradi
ional estudado ao longo deste
aptulo, tal que os autovalores e autovetores
de
Exemplo:
Seja o problema generalizado de autovalores e autovetores denido por
A=
!
10 5
6 15
B=
!
4 1
.
2 6
det
"
10
15
4 1
2 6
!#
=0
om razes (autovalores)
84
1 = 2, 7272
2 = 2 .
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
det (C I) x = 0
resulta no polinmio
ara
tersti
o
1 = 2, 7272
2 = 2 ,
1 C =
2, 72 0
0
8.4.
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
5 e 1,
T (4, 1) = (8, 11).
autovalores
"
de um operador linear
T (4, 1).
(Resp.
T : R2 R2
aos
a)2 e
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).
86
Captulo 9
Continuidade
f : X Y.
contnua
em x0 X
se para ada
>0
existe
>0
tal
|x0 x| <
e
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
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 .
o operador admite
u1 + u2
Exemplo: Seja
u 3 , u 3 ).
T : R3 R3
qualquer de
U.
T (u) = (u1 + u2 , u2
1
kT uk2 = (u1 + u2 )2 + (u2 u3 )2 + u23 2
1
kuk2 = u21 + u22 + u23 2 .
tal que
12
1
M u21 + u22 + u23 2
(u1 + u2 )2 + (u2 u3 )2 + u23 M 2 u21 + u22 + u23
u21 + 2u22 + 2u23 + 2u1 u2 2u2 u3 M 2 u21 + u22 + u23 .
u3 ),
89
Seja
oe iente
i , i = 1..n
na expresso
{k }, k = 1..n
u=
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
{ei }.
90
CAPTULO 9. CONTINUIDADE
Captulo 10
Sequn
ias
Uma sequn ia no
RN
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 ,
(xk )
(yk ).
Ento:
KN
tal que
ou,
x = lim xk
k
S = (xk )
Do ontrrio, dita
divergente.
S =
1
. Esta sequn
ia tem limite em
k
91
e, portanto,
92
Sequn
ia Limitada:
Seja uma sequn
ia
S.
tal que
kxk k M, k N.
importante ressaltar que toda a sequn
ia
onvergente limitada.
RN ,
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
sequn ia
um domnio
de
{fn } dita
> 0 existe N > 0,
funes
lim fn (u) = f0
n
Exemplo: Seja uma sequn
ia denida por
fn (n) =
n>M =
0.
1
(ou seja,
n
Vamos mostrar
Para isto,
1
0 <
n
1
, que
hamaremos de
tal que
< .
+ .
93
Convergn ia de um operador:
>0
existe
lim Tn (u) = T0
kun uk < .
un no seja mas um
(weak convergence).
fun ional de
un
o seja. Neste
{un }
em um espao de(pr)
em
Hilbert H .
se
un u.
Desta forma, observamos que
Exemplo: A sequn ia
un (x) = sin
n
x
2
x [0, ]
em
L2
(n).
no signi a que ela ir tender para a FUNO zero, que iremos hamar de
< ,
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,
n
independente de
v,
sin
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.
{x}k ,
Cau hy
{x}k
>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
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.
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
3
3m2 3n2
+
=
4m3 4n3
4
1
1
+
m n
<
1
1
+
m n
3
4
< 1.
Assim, se
95
m = n = N,
observamos que
1
1
2
+
=
6 .
N
N
N
Exemplo: Dada a sequn
ia
m = n = N,
2 + 2(1)N 6 .
Assim, isolando
em funo de
obtemos
log 2 1
N=
log(1)
(0, K),
onde
xn =
1
pode ser
n
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
Isto
omprova que o
onjunto dos ra
ionais no
ompleto, ne
essitando assim da denio dos
nmeros irra
ionais, que
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 .
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
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) dx
e norma Eu
lidiana
1
C 0,
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
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
98
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
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
se
fn
L,
ento
fn =
f (L+ + L )
2
Uma funo f (x), para ser des
rita por uma srie de Fourier, deve satisfazer as seguintes
ondies:
R
f (x) = sin
|f (x)|dx < ,
quando
x 0;
99
Exemplo:
f (x) = x2 ,
para
f0 =
a0
,
om
2
a0 =
2
(1)
R1
x2 12 dx =
2
. Portanto,
3
f0 = 13 .
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 =
+
9 2
2
2
3
E) n = 4
f4 =
+
4 2
9 2
2
2
3
fn (x)x2
observaremos o
omportamento da Figura (11.2).
fn (x)
erron (x) =
100
funo
5%
4.
5%
x2 ,
para
n = 0, 1, 2, 3
101
f (x) em x [L, L]
dita par se
x [L, L].
Exemplo: A funo
bn
e do
cosseno,
bn
an
sero nulos.
Conforme ilustrado
se anulam.
Extenso Peridi
a:
Caso uma funo seja denida em um intervalo
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
x [0, 1],
fpar (x) =
fmpar (x) =
4x 3x2 2x3
2
4x 3x + 2x
(
[0, 1]
x [1, 0)
102
f (x) =
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) =
103
Exer
ios:
1) Obtenha a srie de Fourier para
f (x) = x3
valores da
4) Repita o exer io
para
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
Heaviside
om entro em
0.
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
215
[0, 9]
10)
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
106
e, de forma geral, podemos representar um nmero por uma expanso polinomial na forma
(215)10 = 2 102 + 1 10 + 5
ou
(0111)2 = 0 23 + 1 22 + 1 21 + 1 20 .
Partindo-se de um nmero natural
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
nmero na base
110 8
6
13
5
ou seja,
(110)10 = (156)8 .
8
1
110 10
0
11
1
10
107
Xf ,
tal que
Xf = X Xi .
Desta forma,
Xf
Xi
[0, 1)
Xf = a1 21 + a2 22 + ..... + an 2n
onde deve-se observar que esta srie
onvergente para
innito, pois
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
....
ou
(1011001.....)2.
utilizarmos
1 21 + 1 23 + 1 24 + 1 27 = 0, 6953125.
10 = 1
108
11 = 1.
n1
(10101)2 = (0101)2 = 11 22 + 20 = (5)10 .
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
(que subtendido),
2)
indi a o sinal
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
y = 23
x = 8
1bit
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
x = 11
bits para
Como na pre iso simples utilizamos 8 bits para o expoente, ento podemos (idealmente)
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
126
127
para o expoente
1 01001011 10100101101100011101011
representa o de
imal
109
om Expoente
Expoente = 20 + 21 + 23 + 26 = 75
e Mantissa
0, 6472448110580444.
Portanto
Em pre iso simples observamos que o maior nmero que pode ser representado (em
mdulo) ser
maior do
1.175494350822287 1038
0, 0 (underow).
Exemplo:
sqrt(x x + y y).
Se
e/ou
dado por
h =
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
Por exemplo, se
12.4
Epsilon
da Mquina
epsilon
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
110
m =
tal que
f l(x)
1
2y
2
f l(x) x
m
x
1.1 1016 .
m = 0.5 2
23
= 5.96 10
x.
Desta forma, em
veri ado. Por exemplo, ao aproximarmos a derivada de uma funo em torno de um ponto
x,
podemos utilizar
df (x)
f (x + ) f (x)
dx
no far sentido (x
+ = x).
+, , NaN
so
(not a number) e
0,
somente a parte fra ionria, sendo que o nmero 0,0 no pode ser obtido diretamente na representao denida pela norma.
NaN
+0
1
1
= ,
= , log(0) =
+0
0
0 , 0/0, /, + (),
negativo.
(em teoria,
x/0
/x
NaN
111
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
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 ,
embora ambos possuam a mesma pre iso (pois esto sendo representados
em oat ou em double).
p = 1 + (y 1) log(2)
ou seja, se estivermos trabalhando em pre
iso simples (y
= 23)
ento
= 52)
onde
x f l(x) 1 1n
10
2
x
Por exemplo,
1
3
10,
f l(x),
utilizando a
= 0, 333333333......
ser
112
0, 33334,
1
3
0, 33334
1
3
satisfeita para
1
101n
2
n = 5.
y.
e seus
Ex = x x
Ey = y y
onde para simpli
ar a notao assumimos que
Assim, teremos que
outros l ulos, podemos agora estimar a propagao destes erros absolutos pois:
Ex+y = Ex +Ey
(
x y) + (Ex Ey )
Exy = Ex Ey ,
Ex Ey + Ex y + Ey x
pois
pois
x y = (Ex + x) (Ey + y) =
pois
x y = (Ex + x) (Ey + y) =
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
Ey ) tal
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
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
Ex
x
Ex
x
Ex
x
Ex
x
Ey
y
Ey
y
y
x
Ey
y
Ey
y
y = 49.9999995,
x = 100, x = 99.999999, y = 50
Ex = 100 99.999999
Ey = 50 49.999995
tal que os erros absolutos sero
Ex/y = 1, 8 107
que devem ser
omparados diretamente aos valores aproximados que seriam obtidos sem a
propagao deste erro
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
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
x = y ),
|x y| < tol).
z).
(x + y) + z
x + (y +
x = 1030 , y = 1030
no software Maxima:
z = 1,
ento
(x + y) + z = 1
x + (y + z) = 0.
Se digitarmos
a = 1
ompleta.
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:
Texto: "Texto"
Se
a 10
< ondio>
ento
Ou
< ondio>
ento
Seno
ento
<
omandos n>
Fim (Se)
115
116
Para
varivel
Fim (Para)
Enquanto
Condio
exe ute
Fim (Enquanto)
Repetir
<
omandos >
Sub-Rotinas:
Rotina <nome>
(argumentos de entrada)
<
omandos >
Fim da Rotina
Retorna <variaveis>
13.1. EXEMPLOS
117
13.1 Exemplos
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
Fim Para
Es
rever
Fim Programa
i + 1
numero
de
pontos "
SOMA < 0 . 0
i < 1
um numero "
Fim Para
Es
rever
Fim Programa
Se es ritos no
S ilab, estes
118
[ 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
f (x) = 0
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
. Existem diversos mtodos para determinao de raizes, sendo que iremos abordar
os mais utilizados.
f (x)
Se os valores da funo em
x=a
x = b,
[a, b]
x = ,
f () = 0. A
intervalo [a, b]
onde
I0 = b a
b>a
zero pelo menos uma vez (ao menos uma raiz no intervalo
de dimenso
om
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
120
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
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 "
121
c
c=a
(b a)f (a)
f (b) f (a)
(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.
f (x)
No entorno de um ponto
xn ,
podemos
onde
,
xn+1
xn+1 = xn
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
1
f () = f (xn ) + f (xn ) ( xn ) + f (xn ) ( xn )2
2
e,
omo
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
xn+1
f (xn )
=
( xn )2
2f (xn )
122
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
# ou
21
de
maximo
bus a
( <1)
Fim Se
# Exe uta
20
ver
f ( a ) f ( b)>=0
17
18
parada
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 "
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
n+1 = | xn+1 |, n = | xn |
f
xn
for prximo de
# 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
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
# 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
124
na forma
f (xn ) f (xn1 )
xn xn1
f (xn )
xn+1 = xn
(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
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.
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:
|xk1 xk | < 1 10
f (x) = x cos(x)
para
x [0, 1]
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
e a soluo
a = 0, 2 b = 1, 0, tol = 1 106
nmaxiter = 100
nmaxiter = 100
125
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
ate a
o n v e r g e n
i a
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
f (x) = sin(x), x [, ]
1 104
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
3, 1
4.
diferenas nos pontos ini iais podem fazer om que o mtodo de Newton-Raphson tenda para
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
..
= Aij =
.
.
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 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
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
128
e R,
na forma
eA[mn]
A[mn]
por um es alar
..
..
..
=
.
.
.
# 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
A[mn]
B[mn]
nmero de linhas e
olunas. Neste
aso, o resultado uma matriz de mesmas dimenses das
matrizes de entrada, na forma
..
..
..
=
.
.
.
129
# 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
AT = (aij )T = aji
e a rotina que realiza esta operao ilustrada no algoritmo (7)
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
A[mn]
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]
Pn
a
v
1j
j
j=1
..
=
.
.
Pn
j=1 amj vj
131
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
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
C[mo] ,
A[mn] B[no]
B[no]
olunas da matriz
matriz
s possvel se o nmero de
Esta operao resulta em uma
tal que
..
.. ..
..
..
.
=
.
. .
.
.
.
am1 ... amn
bn1 ... bno
Pn
Pn
a1j bj1 ...
j=1 a1j bjo
..
..
..
=
.
.
.
Pn
Pn
j=1 amj bjo
j=1 amj bj1 ...
j=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
soma < 0
18
Para
19
de
ate
exe ute
20
# soma
21
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
kxkp =
n
X
xpi
i=1
! p1
# 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
Fim Para #i
Retorna norma ( 1 / p )
Fim Rotina
Normap
tr(A) =
n
X
A,
na forma
Aii
i=1
134
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
Soma de matrizes:
O(m n),
O(m n),
operaes de soma;
O(m n),
ao;
multipli ao;
A[mn}
O(m 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]
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.
i=1
A[nn]
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
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
1 2 0, 5
A2 = 0 1 0, 5
0 0 1
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,
1 2 2
A= 3 6 1
2 6 1
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
137
de tal forma que na prxima etapa teremos uma diviso por zero. Uma alternativa
onsiste em
tro
ar as linhas
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
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
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
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.
det(A) = (1)
n
Y
Fi
i=1
onde
Fi
larizao e
Li
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.
A[nn]x[n] = b[n]
onde
um vetor om
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
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
retrobustituio).
O algoritmo para soluo de um sistema de equaes e
al
ulo de determinante ilustrado
no Algoritmo (12).
AA1 = I
que pode ser visto
omo a soluo simultnea de
Axi = 1i
onde
xi
nulos e
orresponde a
i esima
1i
um vetor om
n1
termos
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).
#
# 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
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
#
# 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
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 )
# D i v i d e as l i n h a s de I por e s t e termo
Para j de 1 ate n exe
ute
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
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
Para j de 1 ate n exe
ute
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
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
Para #i
# Retrosubstitui
ao
Para i de n1 ate 1 p a s s o 1 exe
ute
Para j de 1 ate n 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
A[nn]x[n] = b[n]
A = LU
onde
i>j
uij i < j
Le
forma
(17.1)
de
Ana
lij = aij
uij =
j1
X
k=1
P
aij i1
k=1 lik ukj
lii
i<j
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)
tal que
143
144
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
yi =
e, de posse de
y e da Eq.
bi
Pi1
k=1 lik yk
lii
, i = 1..n
na forma
xi = yi
n
X
uik xk , i = n..1.
k=i+1
n = 1000,
teremos
O(n2,376 ).
De fato, a omplexidade
para Gauss e
Assim,
se o
omputador for
apaz de realizar uma operao por mi
rosegundo, teremos a soluo em
torno de
1000
13, 42 segundos
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
#
# Rotina LU:
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
A
: LU
#
#
Rotina LU (A, n )
#
# De
ompoe a matriz A em LU
#
Para i de 1 ate n exe
ute
Para j de 1 ate n exe
ute
# 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
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
#
# Rotina Solu
iona_por_LU :
# Entradas : A
: Matriz
#
b
: vetor
#
n
: Dimensao do s i s t e m a
# 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)
Para i de 1 ate n exe
ute
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
Para k de i +1 ate n exe
ute
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
147
n
Y
lii
i=1
e, portanto,
2 0 0
L = 3 5 0
1 1 1
det(A) = 2 5 1 = 10.
A1 A = A1 (LU) = I
tal que se passarmos o produto
LUpara
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
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.
A,
utilizando
LU .
148
Captulo 18
Mtodo de Cholesky
A[nn]
simtri a, isto
A = AT ,
A = UT U
onde
LU ,
(18.1)
na forma
v
u
i1
X
u
u2ki
uii = taii
k=1
uij=
1
uii
aij
i1
X
uki ukj
k=1
> i).
sistema de equaes
UUT x = b
(18.2)
Ux = y
(18.3)
UT y = b.
(18.4)
A,
LU ,
om a diferena de
grande e
onomia de armazenamento. As solues dos problemas denidos nas Eqs. (18.4) e
149
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.
2 1 1
A= 1 8 1
1 1 10
obtemos
A=
1
2.7386 0.1825
1
1
3.0767
A = LDLT
onde
djj = ajj
lij
1
=
djj
j1
X
2
ljk
dkk
k=1
aij
j1
X
k=1
, i > j.
#
# Rotina Cholesky :
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
A
: U
#
#
Rotina Cholesky (A, n )
#
# De
ompoe a matriz A usando Cholesky
#
Para i de 1 ate n exe
ute
Para j de i ate n exe
ute
# R e a l i z a o somatorio
soma < A( i , j )
Para k de 1 ate i 1 exe
ute
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
152
#
# 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
: Dimensao do s i s t e m a
# Saidas :
b
: s o l u
a o do s i s t e m a
#
# 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)
Para i de 1 ate n exe
ute
soma < 0
Para k de 1 ate i 1 exe
ute
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
Para k de i +1 ate n exe
ute
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
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)
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)
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
kAk > 1.
AA1 = I
ento espera-se que
C (A) C (I) = 1.
max(Er ) = C (A)
kRk
kBk
(19.4)
onde
max
min
max
.
C (A) =
min
mos mais a frente, esta denio
ustosa do ponto de vista
omputa
ional, uma vez que a
omplexidade do
l
ulo dos autovalores elevada.
Hij =
e
1
i+j1
p 4n
1 + (2)
C (H) = O
155
H=
1
1
2
1
3
1
4
1
2
1
3
1
4
1
5
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)
tem
C (A) = 6, 91.
p
diag(HT ) diag(H1 ) = 7750, 133.
2 4 1
A = 3 1 1
1 1 1
156
Captulo 20
Mtodos Iterativos para a Soluo de
Sistemas Lineares
mtodos muito utilizados, sendo que existe uma innidade de mtodos iterativos disponveis
na literatura.
A[nn]x[n1] = b[n1] ,
x(i)k+1
"
#
n
X
1
=
b(i)
a(i, j)x(j)k
a(i, i)
j=1
j6=i
kxk+1 xk k tol.
x0
x1
k N
|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)
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
#
# Rotina Gauss_Ja
obi :
# 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
#
x
: vetor
#
n
: Dimensao do s i s t e m a
#
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
: s o l u
a o do s i s t e m a
#
# 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
Para i de 1 ate n exe
ute
# Cal
ula o somatorio
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
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
# 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
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
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
1
G = D (A = D) = 0.2857143
0.125
1.
Se
b=1
0.1
0
0.125
0.1
0
0
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
xk+1
Assim
x(i)k+1 =
"
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
na forma
A=D+L+U
onde
ontm a diagonal de
A, L
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
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
#
# Rotina Gauss_Seidel :
# 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
#
x
: vetor
#
n
: Dimensao do s i s t e m a
#
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
: s o l u
a o do s i s t e m a
#
# 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
Para i de 1 ate n exe
ute
# Cal
ula o somatorio
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
Para j de i +1 ate n 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
# 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,
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.
1
(x) = xT Ax bT x
2
a matriz A for simtri
a
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
(x) = Ax b = 0
e, da
ondio su
iente, sabemos que
H=A
deve ser positivo-denida.
Exemplo:
Seja o sistema denido por
1 1
1 2
Neste
aso, observamos que a funo
163
!( ) ( )
x1
1
=
.
x2
1
(x) =
ou seja,
x1 + x2 1
x1 + 2x2 1
Ax b.
des ent.
x0
steepest
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
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
Do on-
trrio, devemos repetir o pro
edimento at que uma determianda tolern
ia seja obtida.
pro
edimento est ilustrado no algoritmo 20.
Exemplo:
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,
T
x6 = 0.0919095 0.0408932 ,
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:
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
dTk Adk1 = 0
//
// Rotina Metodo_Gradiente :
// 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
//
x
: vetor
//
n
: Dimensao do s i s t e m a
//
tol
: t o l e r a n
i a de parada
//
nmaxiter : Numero maximo de i t e r a
o e s
// S a i d a s :
x
: s o l u
a o do s i s t e m a
//
//
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
endfun tion
165
dk = dk1 + k1 dk1
onde
k1
k1 =
rTk1 Adk1
.
dTk1 Adk1
xk+1 = xk + k dk
e, utilizando o mesmo pro
edimento do mtodo do gradiente, obtemos
k =
rTk1dk
.
dTk Adk
x,
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
167
//
// Rotina Gradientes_Conjugados :
// 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
//
x
: vetor
//
n
: Dimensao do s i s t e m a
//
tol
: t o l e r a n
i a de parada
// S a i d a s :
x
: s o l u
a o do s i s t e m a
//
//
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
endfun tion
n = 10
Captulo 21
Sistemas de Equaes Lineares Complexas
Os nmeros omplexos,
C,
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
z = a + ib
om
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
O omplexo
O omplexo
nulo sse
Im(z) = 0;
Re(z) = 0
Im(z) 6= 0;
Re(z) = Im(z) = 0.
(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
i2 = 1.
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
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
x=
xc =
ar
br
ac
bc
om soluo
1 10
2 4
2 8
2 8
3 1
1 10
2
ar
25
r
=
,
ac
5
bc 0
pois
171
pois
(1+2i)(5, 266+0, 838i) = 6, 944+9, 695i e (10+8i)(1, 4752, 149i) = 31, 9449, 695i.
172
Captulo 22
Soluo de Sistemas No-Lineares
x.
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 .
xk
por
n
X
fi
xj , j = 1..n
+
xkj
j=1
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 )
JY = B
173
(22.1)
174
onde a matriz onhe ida omo matriz Ja obiana do sistema. Assim, de posse de uma estimativa
xk ,
xk+1 = xk + Y k
at que
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
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 =
+
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
1 106 .
Captulo 23
Problema de Mnimos Quadrados
f (x)
de
nv
nexp
pontos
V[nexp 1] ,
.
x
Se os valores experimentais
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
a = 0
e
Aa = f
onde
nexp
A=
p(
xi )pT (
xi )
i=1
f=
nexp
X
p(
xi )Vi .
i=1
175
176
e os dados
experimentais
x1
x2
-5
11
-13
-25
obtenha os
oe
ientes que melhor aproximam a funo aos dados experimentais.
O polinmio
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
+ ...
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
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
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
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
// 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
// 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
x = xmin + (r rmin )
xmax xmin
rmax rmin
f1 (a0 , a1 , ...., an ) = 0
...
...
fn (a0 , a1 , ..., an ) = 0
(a0 + cos(a1 1) 0)2 + (a0 + cos(a1 2) 2)2 + (a0 + cos(a1 3) 0)2 + (a0 + cos(a1 4) 2)2
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
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
Ax = x
onde
um autovalor e
(24.1)
[A I] x = 0
(24.2)
det (A I) = 0
dando origem a um polinmio
om a forma
an n + an1 n1 ... + a1
que ter
iado a um autovalor
xi
asso-
A[nn]
x0
denida por
xk = Ak x0
181
{x}k
182CAPTULO 24.
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
verique)
k
A x0 =
n
X
ci ki vi
i=1
k1
A x0 =
ki
n
X
ci
i=1
k,
i
om
1
i > 1
i
1
k
vi
so menores do que
e que ao in rementarmos
su ientemente
Ak x0 c1 k1 v1 .
Outra informao interessante que podemos veri ar que uma vez que
xk+1 = Axk
e
xk+1 tende
Axk
tende a
kxk+1 k
1
kxk k
10 1 2 3
1 20 2 1
A=
2 3 30 1
1 2 3 40
1 xk ,
x0 = 1,
183
teremos
xT1
xT1
=
....
xT19
16 22 36 46
i
i
1029
h
i
=
9.4118 4.8743 11.4576 86.7484 1032
xT20
v1T =
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
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
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
v2T =
A.
ao espao nulo (n leo) dos autovetores j obtidos, de modo a obter os demais autovalores. Na
184CAPTULO 24.
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
Ax19
x18
Ax20
x19 xT20
v1 =
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.
185
#
# Rotina Metodo_Poten
ia :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
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
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.
R,
= RT AR,
onde
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
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
187
o nmero de iteraes.
Exemplo:
Considerando a matriz
4 2
A = 2 6 1
1 1 15
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
= 1),
2.763932
0
0.3249197
A2 = RT1 AR1 =
0
7.236068 1.3763819 .
0.3249197 1.3763819
15
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
2.763932
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
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
1 = 2.755002, 2 = 7
3 = 15.244998.
Os autovetores so obtidos
pelo produto
0.8547356
0.5070736 0.1109213
25 e o
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
: Dimensao do s i s t e m a
# 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
Para j de i +1 ate n 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.
#
# Rotina Ja
obi :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
nmaxiter : Numero maximo de i t e r a
o e s
# 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 :
#
MatrizXMatriz (A, B,m, n , o )
#
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
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,
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.
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.
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
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
DY = Y
resulta em
om autovetores
24.4. MTODO QR
193
0.5418033
Y1 = 0.8277240 ,
0.1460214
0.8334240
Y2 = 0.5359830
0.1346349
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
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
Q1 = QT ,
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.
#
# Rotina Inverte_U :
# Entradas : U
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
# 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
ak =
(24.3)
j=1
omo sendo a
k
X
projej ak
k esima
oluna de
A,
< ej , ak > ej
j=1
ek ,k = 1..n
rij =< ei , aj >, j i.
e a matriz
2 4
A = 3 1 1
1 1 1
temos que
uT1
eT1 =
2 3 1
2 3 1
/3.7416 =
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
=
196CAPTULO 24.
3.742 3.207
0
R = QT A = 0
2.777 1.440
0
0
0.9622
verique).
A obteno da
//
// Rotina Gram_S
hmidt :
// Entradas : A
: Matriz quadrada
//
n
: Dimensao do s i s t e m a
// 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
Ak+1 = Qk Rk
onde, se multipli
armos ambos os lados por
Qk
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
24.4. MTODO QR
197
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
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
: Dimensao do s i s t e m a
// 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.
A = QR,
ento
Ax = b
pode ser es
rita
omo
QRx = b
198CAPTULO 24.
e, omo
QT ,
tal que
Rx = QT b
e, nalmente,
omo
retrosubstituio.
64.
2016
20160
2016
84672
952560
20160
952560
11430720
92400
4656960
58212000
A=
221760 11642400 1.497 108
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
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
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
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).
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
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
for
i=n : 1:1
somatorio = 0
for j=i +1:n
somatorio = somatorio + R( i , j ) xqr ( j )
end
end
// 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
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
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
"
11.3723
0
0
5.6277
I+
"
T
+ Bk1
#T
7 2
3 10
T
"
4.3723
3
2
4.3722
#T
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
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
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
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 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
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
: Dimensao do s i s t e m a
# 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 )
#
Es
alarXMatriz ( e ,A,m, n )
#
MatrizXMatriz (A, B,m, n , o )
#
Tra
o (A,m)
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
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
#
# Rotina Leverrier_Faddev_X :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
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 )
#
Es
alarXMatriz ( e ,A,m, n )
#
MatrizXMatriz (A, B,m, n , o )
#
Tra
o (A,m)
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
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
u[m1]
A[mn] ,
v[n1]
hamamos
de valor singular de
que satisfazem
Av = u
e
AT u = v.
Os vetores
interessante notar que se
onsiderarmos todos os valores e vetores singulares ao mesmo tempo
obteremos
A = USVT
onde
U[mm]
(25.1)
S[mn]
ontm
singular da matriz
A.
tal que
V[nn]
UU = I
VV = I.
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
x = VS1 UT b
207
208
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
Cal ular
Gerar
S,
AAT ;
AAT
, gerando
AT A;
tal que
sii =
i ,
AT A;
AT A
, gerando
A=
!
3 1 1
.
1 3 1
AA =
!
11 1
1 11,
AAT =
1 1
1 1
1 = 12, 2 = 10
U=
1
2
1
2
1
2
1
10 0 2
AT A = 0 10 4 ,
2 4 2
V;
6= 0);
obtemos
U;
RANK
3 = 12, 4 = 10, 5 = 0
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
U, S
Rank
Rank
Rank
Exemplo:
Rank
2 2 2
A = 2 2 2
2 2 2
6 0 0
= 0 0 0
0 0 0
orres-
Sii 6= 0;
Sii = 0;
Assim, baseado no
V.
A dimenso do
2.
Rank
numri o
diferente do analti o.
e que o
Rank
2.
210
Low-
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
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
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
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
100
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.
MATRIX APPROXIMATION
212
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
MATRIX APPROXIMATION
// 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
de
v a l o r e s s i n g u l a r e s da matriz \n ")
de
end
end
de
// Mostra a imagem s i m p l i f i
a d a
imshow (A2)
imagem
214
Captulo 26
Derivada Numri
a
onde
a = x + x
denida omo
df (x)
f (x) f (a)
= lim
xa
dx
xa
em um dado ponto
aproximao
f (x),
x.
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
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
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
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 ,
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-
x 0,
geomtri
a e a validade para pequenos valores de perturbao. Com esta expanso, podemos
ento avaliar o
hamado erro de
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
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
217
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.
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
= 1 1010 ,
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
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.
//
// 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
endfun tion
219
220
Captulo 27
Integrao Numri
a
[xL , xU ]
f (x),
dada por
XU
f (x) dx = lim
x0
xL
x=x
XU
f (x)x
x=xL
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
om
x [0, 1].
e, se dividirmos o intervalo em
10
3x2 6x3 dx =
1
2
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.
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).
xi
xi+1
abaixo do trapzio
dAi = f (xi )x +
1
(f (xi+1 ) f (xi )) x
2
221
222
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
xi , xi+1
xi+2
f(x) = a + bx + cx2
onde os
oe
ientes so obtidos por
dAi =
xi+1
a + bx + cx dx +
xi
xi+2
a + bx + cx2 dx
xi+1
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.
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.
Realizando um
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).
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
//
// 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
//
//
// Depende : f ( x )
: 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
//
// Rotina Trapezio :
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//
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
: fun ao a s e r i n t e g r a d a
= Trapezio ( 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 ;
// 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
//
// Rotina Simpson1
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//
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
: fun
ao a s e r i n t e g r a d a
= Simpson1 ( 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 ;
//
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
//
// Rotina Simpson2
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//
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
: fun
ao a s e r i n t e g r a d a
= Simpson2 ( xl , xu , n )
I n i
i a l i z a os pontos
= xl ;
= x0 + h ;
= x1 + h ;
= x2 + h ;
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
p(r) = a0 + a1 r + a2 r 2 + a3 r 3
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
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
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
Z
Exemplo: A funo
1 .
3
1
1
+1p .
p(r) dr = 1 p
3
3
1
1
om
x [0, 1]
[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
x=
r+1
2
229
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
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
n.
n=1
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]
n=3
n = 4.
n = 2,
230
Captulo 28
Transformada Dis
reta de Fourier - DFT
f (t) = f (t + ),
[
[
1
{cos(kt)} {sin(kt)} , k N
B=
2
onde
2
.
t [0, Tf ] s, ento
=
1
f (t)
= a0 +
2
sendo que os
oe
ientes
a0 , ak
bk
X
k=1
(28.1)
2
< f (t), 1/2 >
=
a0 =
< 1/2, 1/2 >
2
< f (t), sin(kt) >
=
bk =
< sin(kt), sin(kt) >
f (t) dt,
f (t) cos(kt) dt
f (t),
em termos da
k ,
sendo que os
ak
bk
permitem asso iar uma magnitude (importn ia) para ada uma destas
232
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
mltiplo de
interessante notar que a Equao 28.1 tambm pode ser es
rita em outra forma alternativa,
pois
Rk =
a2k + b2k
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
t =
onde
TF
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
k =
e que os perodos asso
iados a
ada
k so
(28.3)
2
k
k =
TF
k
233
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.
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].
2
k
Tf
k =
[rad/s],
Fk
K/2
fn
Fk
pontos para ara terizar o sinal, pois a outra parte do vetor simtri a (espelhada).
fn .
fn
Fk
Fk
so omplexos. Isto
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
2s
10
em
10Hz
e um seno de amplitude
em
15Hz .
Se
N = 128
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
ao fato de no termos utilizado uma extenso peridi
a para avaliar o sinal em um intervalo
onsistente de
n [N/2, N/2],
234
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,
mos a questo da simetria. Desta forma, observamos que as amplitudes devem ser es
alonadas
(divididas) por um fator de
N/2.
N/2
obtemos
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
Figura 28.5: Parte real da DFT obtida no algoritmo 38,
onsiderando o es
alonamento por
e somente a metade do eixo das frequn
ias.
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
F,
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
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
Para ilustrarmos o quanto a taxa de aquisio do sinal importante, vamos utilizar uma
taxa de
16
N = 32.
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
2s,
ento
N = 15 2 2
15Hz
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
de forma muito didti a. Como ilustrado na gura, uma taxa de amostragem equivo ada pode,
239
N = 32.
N = 32.
240
N = 64.
N = 64.
241
in
lusive, des
rever um sinal que no tem qualquer relao
om o sinal que est sendo medido
(d).
aliasing.
Retirado de
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
N,
k em
j diferentes
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.
242
utilizamos a base
Fk
somatrio
Fk =
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
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
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
N
1
X
ik nTf
fn e
n=0
N
1
X
Wk
ij nTf ik nTf
fn e
n=0
N
1
X
fn ei(j k )nTf
n=0
N
1
X
fn ei(j k )nTf =
n=0
1 ei(j k )N Tf
1 ei(j k )Tf
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
j = k e
k ,
T
sin (j k ) N 2f
.
Tf
sin (j k ) 2
T
sin (j k ) N 2f
T
sin (j k ) 2f
observamos que
Fk
Wk
k .
No entanto,
Wk
243
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
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 .
Uma interpretao intressante deste fenmeno que estamos trun
ando os sinais
om
frequn
ias diferentes das
plo inteiro destas frequn
ias. Este
orte faz
om que a resposta seja a observada no gr
o
da gura 28.13.
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,
que seja equivalente a um mltiplo das frequn ias que se quer determinar,
244
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.
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
y(x)
x, y
so variveis independentes e
w(x, y, z)
a varivel dependente.
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
d2 y(x)
+
dx2
dy(x)
dx
2
= y(x)
Desta forma, a
246
equao
d2 y(x)
dx2
3
dy(x)
dx
2
= y(x)
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)
grau. Se
homognea linear.
T (x = L) = TL .
dx[m]
um balano de uxo de
alor. Para isto, iremos
onsiderar o uxo de
alor que entra no volume
diferen
ial,
qx [J/m2 ]
qx + dqx .
O termo
dqx
onsiderado para
Q[J/m3 ]
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
(varivel dependente
Se
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
T (x) = C1 x + C2
om
C1
C2
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
Diri hlet (tambm onhe idas omo essen iais ou de primeiro tipo), quando tra-
Neumman (tambm onhe idas omo naturais ou de segundo tipo), quando tra-
Robin (tambm onhe idas omo de ter eiro tipo) quando so expressas omo uma
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
qx (0) = q0
(entrando) e
T (L) = T1 ,
248
dT (x)
= q0
dx
T (x) = C1 + C2 x, obtemos
k
kC2 = q0 C2 =
e,
om a
ondio de
ontorno essen
ial em
x=L
q0
k
obtemos
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
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
resulta
em
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
No
problema foram informadas duas ondies de ontorno: uma essen ial (deslo amento zero em
x = 0)
x = L.
C1 = 0
e, om a segunda
du(L)
q0
= q0 C2 =
dx
E
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.
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
dqx dqy
+
+ Q = 0,
dx
dy
que o divergente do vetor uxo (div
q + Q = 0).
q = KT =
k 0
0 k
!(
dT (x,y)
dx
dT (x,y)
dy
250
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.
Lapla e.
2 T (x, y) = Q(x, y)
pode ser intepretada
omo a apli
ao do operador
Q(x, y).
matria para estudar as propriedades de uma equao diferen
ial,
omo se esta fosse a simples
apli
ao de um operador.
Os oe ientes
A, B, C, D, E, F
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;
= B 2 4AC
251
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;
252
Captulo 30
Mtodo dos Resduos Ponderados
Ainda,
y(x) deve
y(x)
y(x)
r(x)
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
fra
a (no sentido de
onvergn
ia) por meio de um fun
ional linear
< r(x), w(x) >= 0
onde
funes, do que
r(x)w(x) dx = 0
w)
resduos ponderados.
253
Certamente, podemos
254
realizar uma interpretao mais geomtri a, uma vez que sabemos que a ondio
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
1
0
w(x)
resulta em
!
d2 T (x)
1 w(x) dx = 0
dx2
1
2
a0 sin(x)w(x) dx =
w(x)
w(x) dx.
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
4
T (x) = 3 sin(x).
A gura 30.1 mostra a soluo exata sobreposta a aproximao obtida, bem omo o omportamento do resduo.
w(x) = b0 sin(x)
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)
w(x) = b0 (x 0.5)
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)
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.
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,
r(x) =
d2 T(x)
1
dx2
w(x)
resulta em
259
!
d2 T (x)
1 w(x) dx = 0
dx2
1
0
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
260
T (x)
aproximada por um
w(x)
no mesmo espao de
w(x)
w(x)
T (x)
(mesma base);
Heavisides.
Di a:
H =1
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.
T (x)
que:
2
diferen
iveis (C ).
261
d2 T (x)
= 1,
dx2
x (0, 1)
!
d2 T(x)
1 w(x) dx = 0.
dx2
e, apli ando
1
0
d2 T (x)
w(x)dx =
dx2
w(x)dx
dT (x) dw(x)
=
dx
dx
w(x)dx
T (x)
quanto
w(x);
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)
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)
( 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 .
om equaes do tipo
T (x) = a1 x + a2 x2
x = 0 podemos trabalhar
262
w(x)
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
1
0
(4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
dT(x) dw(x)
=
dx
dx
3
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 .
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
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
r(x) = EI
d4 v(x)
q(x)
dx4
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,
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
duas
q(x)w(x)dx.
para
v(x)
w(x).
termos de ontorno:
d3 v(x)
EI
w(x)
dx3 }
| {z
v(x)
no ontorno, e
V (x)
d2 v(x) dw(x)
EI
dx2 } dx
| {z
M(x)
e o segundo a
(x)
no ontorno.
q(x) = q0 ,
de
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
V (L) = M(L) = 0.
q0 (3 b3 L4 + 4 b2 L3 )
EI 12 a3 b3 L3 + (6 a2 b3 + 6 a3 b2 ) L2 + 4 a2 b2 L =
12
b2 ) 6EI a3 L2 + 4EI a2 L =
q0 L3
3
b3 ) 12EI a3 L3 + 6EI a2 L2 =
q0 L4
4
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
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