Professional Documents
Culture Documents
a -
UDESC
4 de Novembro de 2016
2
Conteúdo
I Fundamentos de Análise 9
1 Introdução 11
1.1 Con
eitos Bási
os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Provas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Contra-Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Teoria de Conjuntos 19
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Números Reais 25
3.1 Algumas Propriedades dos números reais. . . . . . . . . . . . . . . . . . . . . . 27
4 Funções 29
4.1 Composição de Funções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 RN 37
5.1 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3
4 CONTEÚDO
6 Espaços Vetoriais 47
6.1 Transformações Lineares e Fun
ionais . . . . . . . . . . . . . . . . . . . . . . . . 48
7 Produto Interno 67
7.1 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
7.2 Projeção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
8 Autovalores e Autovetores 77
8.1 Autovalores e Autovetores Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
9 Continuidade 91
10 Sequên
ias 95
10.1 Sequên
ias de Cau
hy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
16.2 Cál ulo de Determinante de uma matriz obtida por triangularização . . . . . . . 144
17 De
omposição LU 149
17.1 Cal
ulo de Determinante por De
omposição LU . . . . . . . . . . . . . . . . . . 153
25.1 Problema de Mínimos Quadrados Denido por uma Equação não Linear dos
27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra de Simpson) . . . . . . . 229
Fundamentos de Análise
9
Capítulo 1
Introdução
Os on eitos apresentados aqui servirão para que o leitor seja apaz de ompreender um texto
da área de me âni a omputa ional, bem omo entenda a lógi a por trás das implementações
lógi a. Para isto, iremos ini iar om uma revisão de on eitos e nomen laturas bási as da
neste urso, uma dis ussão sobre os números reais e suas propriedades, on eitos sobre funções
e uma dis ussão sobre o RN e suas propriedades. Com esta revisão de on eitos fundamentais,
iremos estudar em detalhes os espaços de funções para, após, nos on entrarmos na denição
É importante salientar que este material é de apoio e não pretende substituir a bibli-
ograa bási
a sobre os assuntos abordados. Para tanto, sugiro fortemente que o leitor
onsulte sempre que possível livros lássi os da área, omo por exemplo os livros: Optimization
Mathemati al Methods for Physi s and Engineering (3rd edition): A Comprehensive Guide de
2 e 3 de Donald Kreider.
Os quatro primeiros
apítulos são fortemente baseados no livro Matemáti
a Dis
reta:
uma Introdução de Edward R. S
heinerman. Os demais
apítulos são um apanhado de um
11
12 CAPÍTULO 1. INTRODUÇO
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
onde Né o
onjunto dos números naturais, Z dos números inteiros (do alemão Zhalen ) e Q dos
números ra
ionais (de Quotient ). Com estes
onjuntos bási
os, podemos
onstruir denições
Observem que a denição de par depende de 3 on eitos prévios: número natural, divisível
e 2. Alguns são óbvios, omo o 2 (que já é ne essário para denirmos o onjunto N) mas
alguns que pare em óbvios para nós nem sempre são tão laros omo pare em. Vamos denir
o on eito de divisível:
Denição: Divisível
Desta forma, sempre partimos de on eitos primitivos (axiomas) para obtermos on eitos
derivados, por meio de inferên ias lógi as. O importante é dominar os on eitos fundamentais e,
Com esta idéia bási
a sobre
omo devemos pro
eder para
onstruirmos
on
eitos mais avan-
1.1. CONCEITOS BÁSICOS 13
nossa área. Uma forma de denirmos on eitos derivados é pelo estabele imento de um Teo-
rema (ou os seus equivalentes). Um teorema nada mais é do que uma armação de larativa
sobre matemáti a, para a qual existe uma PROVA (uma armação de larativa é algo omo
"vai hover"ou "o Interna ional é melhor do que o grêmio"). Assim, podemos dizer que um
teorema é uma armação sobre algo que sabemos ser verdade e sabemos provar. Por sua vez,
uma Conje
tura não tem prova,
omo por exemplo, "todo o inteiro par maior do que 2 é a soma
de dois primos"(
onje
tura de Goldba
h, 1742). Podemos rodar um programa de
omputador
por 500 anos sem que isto se verique falso, mas para um matemáti o isto não é uma prova
(para apli ações de engenharia, pode servir, desde que se mostre que as nossas trabalharemos
na faixa de valores veri ados pelo programa). Atualmente, a armação é verdadeira para a
outros teoremas
Como os on eitos mais importantes que devemos utilizar estarão na forma de um teorema
(ou um sinnimo), devemos entender omo eles são apresentados e quais são os on eitos bási os
envolvidos nas provas que deveremos ler. Vamos avaliar dois tipos de apresentação de teoremas:
se-então e se-e-somente-se.
✞ ☎
✝ ✆
Teorema: Se x e y forem pares então x+y é par.
Podemos observar que A seria a parte "Se x e y forem pares"e que B seria "então x+y é par".
Desta forma, temos uma impli
ação em somente um sentido, de tal forma que o simbolismo grá-
o para este tipo de estrutura é A ⇒ B. No entanto, nada é dito sobre, por exemplo, a soma
14 CAPÍTULO 1. INTRODUÇO
de dois impares também resultar em um par. Por isto, é importante sempre pensarmos na ló-
gi a (booleana mesmo) destas armações. Assim, podemos onstruir a seguinte tabela verdade:
A B A⇒B
V V Possível
V F Impossível
F V Possível
F F Possível
que pode ser veri ada om a seguinte armação: "Se eu ganhar na Mega-Sena, todos
1) A mas não B: Isto viola a armação, pois se eu ganhar os alunos tem que passar. Por
isto (lembrem-se que estamos falando de matemáti a, onde não tem enganação !) esta situação
3) B mas não A: Pode ser que eu não ganhe, mas os alunos sejam muito bons e, portanto,
4) Nem A nem B: Pode ser que eu não ganhe, mas os alunos reprovem por falta de ompe-
Observem que a situação IMPOSSÍVEL basta para mostrar que um teorema é falso (veremos
É interessante também veri
ar que a situação não A mas B ,
omo no
aso da soma de dois
ímpares resultar em um par, é possível e o teorema não arma que isto não possa o
orrer.
Este tipo de armação pode ser es rita de formas alternativas, omo por exemplo:
a um exemplo
✞ ☎
✝ ✆
Teorema: Um inteiro x é par se e somente se x+1 é impar.
x é par (observem
omo
a redundante..). Neste teorema, temos então que A seria "x é par"e
B seria "x + 1 é impar". Para indi
ar este
aminho em duas vias, utilizamos a notação A ⇔ B ,
1.2. OPERADORES LÓGICOS 15
A B A⇔B
V V Possível
V F Impossível
F V Impossível
F F Possível
E um exemplo bem
onhe
ido é a frase "Um ponto x de uma função
ontínua é um máximo
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: A é "Um ponto x de uma função
ontínua
é um máximo lo
al"e a parte B é "primeira derivada neste ponto for nula e a segunda derivada
for negativa". Assim, do
ál
ulo I, sabemos que estas
ondições só o
orrem juntas e, portanto,
hamamos B de " ondição ne essária e su iente"para A. Outras formas utilizadas são:
meira derivada neste ponto for nula e a segunda derivada for negativa". O e que está unindo as
ondições "primeira derivada neste ponto for nula"
om "segunda derivada for negativa"é um
A B AeB
V V V
V F F
F V F
F F F
um exemplo: "Todo o inteiro ujo algarismo das unidades é zero é divisível por 2 e por 5".
impar"pode ser visto omo A ⇒ not(B) ou, SE par ENTO NO impar. A tabela verdade é
simplesmente:
16 CAPÍTULO 1. INTRODUÇO
A não A
V F
F V
e o simbolo alternativo é ¬
outras palavras, se um elemento for satisfeito então a ondição onjunta é satisfeita. Um exem-
plo seria "se a primeira derivada for nula em um ponto x, então este ponto é de mínimo ou
de máximo ou uma inexão". Observem que nesta armação temos: A vale "se a primeira
derivada for nula em um ponto x"e B vale "este ponto é de mínimo ou de máximo ou uma
inexão". Assim, B será válido se ao menos uma ondição for satisfeita (não pre isamos que
todas sejam satisfeitas ao mesmo tempo). A tabela verdade para este operador é:
A B A ou B
V V V
V F V
F V V
F F F
e o símbolo alternativo é ∨.
1.3 Provas
Uma prova é uma argumentação que mostra, de maneira irrefutável, que uma armação é ver-
dadeira. Para entendermos uma prova, pre isamos ompreender a linguagem utilizada para
es rever um texto matemáti o e as impli ações da lógi a dis utida nas seções anteriores. Exis-
uma ombinação de axiomas e teoremas (nas suas mais variadas formas) já onhe idos.
Para provarmos uma armação do tipo Se-e-Somente-Se, temos que realizar o ra io ínio nos
A ⇒ B
A ⇐ B
1.3.2 Contra-Exemplo
Mais fá
il do que
onstruir é destruir. Assim, podemos refutar uma armação se mostrarmos
que ela falha em uma determinada situação. Para a lógi a matemáti a, basta um aso inválido
para refutar a validade da armação omo um todo (ao ontrário de mostrar que fun iona em
Vamos a um exemplo:
Refutação Direta: Se a| b então existe um inteiro x tal que b = ax. Da mesma forma, existe
um inteiro y tal que a = by. Assim, substituindo a segunda expressão na primeira, obtemos
b = (by)x e
onsiderando que b é diferente de zero, podemos dividir ambos os lados por b, tal
que xy = 1. Este resultados pode ser obtido
om x = −1 e y = −1, no entanto, nesta situação
teremos b = −1a e a = −1b, tal que b = −a ou a = −b.
Observem que a refutação direta é mais geral do que simplesmente indi ar um ponto falho
na teoria, mas devemos enfatizar que ambas são sufu ientes para refutar a armação omple-
tamente.
18 CAPÍTULO 1. INTRODUÇO
Teoria de Conjuntos
2.1 Introdução
Um
onjunto é uma
oleção de objetos distintos e bem denidos. O
on
eito de
onjuntos
( sets ) foi introduzido por Georg Cantor, que utilizou a seguinte denição "Um onjunto é um
pensamento - que são hamados de elementos do onjunto". No entanto, esta deniçãoo are e
axioma é que um onjunto tem elementos e que dois onjuntos são iguais se e somente se ontém
os mesmos objetos.
"perten er", indi amos que um elemento x perten e (faz parte de) um onjuto A om a notação
x∈A
A = {2, 4, 6, 8, 10}
ou ompreensivamente
A = {x ∈ N, x > 1 e x ≤ 1000}
de ondição (observem o uso do operador lógi o e). Sendo dois onjuntos A e B, dizemos que
A ⊆ B sse ∀x ∈ U x ∈ A ⇒ x ∈ B
onde se lê: A está ontido em B se e somente se, para todo x (perten ente ao universo),
Observem que esta denição é de onhe imento geral, mas novamente utilizamos uma série
19
20 CAPÍTULO 2. TEORIA DE CONJUNTOS
de símbolos e on eitos que devem ser bem denidos. Em espe ial, vamos denir os quanti-
adores.
∀x ∈ A, armação sobre x
om as seguintes variações:
Para provarmos uma armação om "para todo", temos que mostrar que a armação é
Um outro quanti
ador é o existe, ∃, que impli
a na existên
ia de ao menos uma o
orrên
ia
do elemento, na forma
∃x ∈ A, armação sobre x
Este é um quanti ador existen ial e pode ser es rito nas seguintes variações:
É interessante notar que para provarmos uma armação om Existe, basta mostrar que
uma o orrên ia da armação é verdadeira (neste aso, o número 2 é par e primo e, portanto, a
armação é válida).
"Não existe inteiro que seja simultaneamente par e ímpar". Podemos representar esta
onde na primeira versão lemos não ( existe x inteiro que é par e é impar) e na segunda
lemos para todo x inteiro não existe x par e ímpar. As duas armações são equivalentes.
1)¬(∀x ∈ Z, x é primo)
2) ∃x ∈ Z, ¬(x é primo)
que signi am: não (todo x inteiro é primo) e existe x inteiro não primo.
plos:
No entanto, devemos ter muito uidado om a sequên ia dos quanti adores. Vamos provar
a primeira armação:
No entanto, uma pequena alteração pode mudar totalmente o sentido da armação, omo
por exemplo
União de Conjuntos:
em A ou em B, tal que
A ∪ B = {x : x ∈ A ∨ x ∈ B}
22 CAPÍTULO 2. TEORIA DE CONJUNTOS
Interseção de Conjuntos:
A ∩ B = {x : x ∈ A x∧ ∈ B}
1. A∪B =B∪A
2. A∩B =B∩A
3. A ∪ (B ∪ C) = (A ∪ B) ∪ C
4. A ∩ (B ∩ C) = (A ∩ B) ∩ C
5. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
1. A∪∅ =A
2. A ∩ ∅ = ∅.
Para provarmos estas propriedades, podemos utilizar os on eitos de união e interseção, omo
por exemplo:
Prove que A ∪ (B ∪ C) = (A ∪ B) ∪ C :
Da denição de união entre
onjuntos, temos que B∪C pode ser es
rita
omo
B ∪ C = {x : x ∈ B ∨ x ∈ C}
tal que o lado esquerdo da armação que estamos tentando provar pode ser es rito omo
A ∪ (B ∪ C) = {x : (x ∈ A) ∨ (x ∈ B ∨ x ∈ C)}.
{x : (x ∈ A) ∨ (x ∈ B) ∨ (x ∈ C)}
2.3. OPERAÇÕES COM CONJUNTOS 23
que equivale a
{x : (x ∈ A ∪ B) ∨ (x ∈ C)}
ou
(A ∪ B) ∪ C.
Observem que om este tipo de onstrução podemos provar várias propriedades de onjuntos.
Diferença de Conjuntos:
A diferença entre dois onjuntos é denotada por A−B e signi a que queremos todos os
A − B = {x : x ∈ A ∧ x ∈
/ B}.
A diferença simétri a entre dois onjuntos é denotada por A∆B e signi a que queremos todos
A∆B = (A − B) ∪ (B − A).
A × B = {(a, b) : a ∈ A, b ∈ B}
24 CAPÍTULO 2. TEORIA DE CONJUNTOS
Como exemplo, vamos onsiderar A = {1, 2} e B = {3, 4}. Assim, pela denição a ima,
temos que
e, om isto, veri amos que o produto artesiano entre dois onjuntos não é uma operação
omutativa (A × B 6= B × A).
A ardinalidade de um onjunto nada mais é do que o número de membros distintos que ele
ontém.
elementos distintos. Note que as seguintes relações entre ardinalidade e as operações denidas
e, voltando ao exemplo anterior, temos que |A| = 2 e |B| = 2, tal que |A × B| = 4, pois o
onjunto {(1, 3), (1, 4), (2, 3), (2, 4)} tem quatro elementos (pares).
Capítulo 3
Números Reais
Os números reais, R, são utilizados para representar quantidades ontínuas e são a expansão
do onjunto dos números ra ionais, pela onsideração dos númemeros irra ionais (frações que
não podem ser obtidas pela divisão de dois inteiros). Assim, temos que
N ⊆ Z ⊆ Q ⊆ R...
O onjunto dos números reais é obtido por meio de alguns axiomas, onhe idos omo axiomas
de orpo. Assim, R é um onjunto não vazio onde podemos denir duas operações fe hadas:
• Asso iatividade: (x + y) + z = x + y + z x, y, z ∈ R;
• Comutatividade: x + y = y + x x, y ∈ R;
• Elemento Neutro: x + 0 = x x, 0 ∈ R;
• Simétri
o: x + (−x) = 0 x, 0 ∈ R;
e
om os axiomas asso
iados a multipli
ação:
• 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;
de Conjunto Ordenado (ou Corpo Ordenado), que dá origem ao on eito de inequações. Para
25
26 CAPÍTULO 3. NÚMEROS REAIS
este m, denimos um sub
onjunto P ⊆ R, que
ontém os elementos positivos de R, atendendo
aos seguintes axiomas:
ou seja, R = 0 ∪ P ∪ (−P ), onde o onjunto −P é onhe ido omo onjunto dos números (reais)
negativos.
• x > 0 se x ∈ P ;
• x < 0 se x ∈ −P ;
• x ≥ 0 se x ∈ P ∪ 0;
• x ≤ 0 se x ∈ −P ∪ 0;
• x > y ⇒ x − y > 0;
• x < y ⇒ x − y < 0;
• x ≥ y ⇒ x − y ≥ 0;
• x ≤ y ⇒ x − y ≤ 0;
números reais.
Um intervalo nada mais é do que um sub onjunto de R, denido entre dois valores (nitos
• [a, b] = {x ∈ R : x ≥ a ∧ x ≤ b};
• (−∞, a] = {x ∈ R : x ≤ a};
Se um onjunto S tem ota inferior, dizemos que ele é limitado por baixo ou limitado inferior-
mente. Analogamente, se o onjunto tem ota superior, dizemos que ele é limitado por ima
ou limitado superiormente.
Como exemplo, podemos
itar o
onjunto dos números naturais, que tem uma
ota inferior, 0,
mas não tem
ota superior. Avaliando as denições a
ima, podemos veri
ar que um
onjunto
limitado por ima, por exemplo, pode ter diversas otas superiores. Para veri armos esta
armação, vamos
onsiderar o
onjunto A = [0, 1]. Qualquer número real maior ou igual a 1
será uma
ota superior para o
onjunto e qualquer número menor ou igual a 0 será
ota inferior,
pois a denição espe
i
a que as
otas devem perten
er a R. Com isto em mente, podemos
otas superiores. Analogamente, se S é limitado por baixo, hamamos de inmo ou inf (S) a
1) A = {x ∈ R : 0 ≤ x ≤ 1}
Neste
aso, temos que o
onjunto está denido entre 0 e 1, in
lusive. Assim, A
ontém
innitas otas superiores, pois qualquer número real na faixa [1, ∞) satisfaz a denição 3.1. No
entanto, 1 é a menor das otas superiores e, portanto, é o supremo do onjunto. O mesmo vale
por um intervalo aberto. Neste aso, as otas superiores estarão na faixa (1, ∞) e o supremo
será o menor valor deste intervalo. Assim, sup(B) = 1, mas om uma diferença que é muito
sup(A) ∈ A
sup(B) ∈
/ B
28 CAPÍTULO 3. NÚMEROS REAIS
(
+a se a > 0
|a| =
−a se a < 0
assim, se a = −1, temos que |a| = −(−1) = 1. Com esta denição, podemos estabele er as
seguintes relações:
1. |−a| = |a| , ∀a ∈ R
4. − |a| ≤ a ≤ |a| , ∀a ∈ R.
Sejam a, b ∈ R,
|a + b| ≤ |a| + |b|
e este teorema é tão utilizado, que vamos apresentar a prova para que que bem lara a impli a-
ção desta desigualdade: Sabendo que − |a| ≤ a ≤ |a| e que − |b| ≤ b ≤ |b| , podemos somar estas
duas denições, obtendo − |a|−|b| ≤ a+b ≤ |a|+|b| . Da denição de que |a| ≤ k ⇔ a ∈ [−k, k],
veri amos que k , nesta expressão, assume a forma de |a| + |b|, e, portanto, a armação pode
Funções
De forma bem simplória, podemos defnir uma função omo sendo uma entidade que transforma
Função:
Nesta denição utilizamos o on eito de relação. Uma relação nada mais é do que um onjunto
onde podemos ver os pares omo sendo (entrada, saida) da função. Assim, o que a denição
de função está dizendo, é que se apli armos as entradas da função e observarmos as saídas, não
poderemos ver um resultado diferente para uma mesma entrada. Assim, a relação
não é uma função, pois para uma mesma entrada, 1, tivemos duas respostas diferentes 2 e 4.
Assim, de forma alternativa, poderíamos es
rever
f = {(x, y) : x, y ∈ Z, y = x2 }
29
30 CAPÍTULO 4. FUNÇÕES
✬ ✩
Funções Multivaloradas (Polídromas):
Algumas "funções" omo por exemplo raiz quadrada ou funções trigonométri as inversas apre-
sentam mais de um valor para o mesmo argumento de entrada. Neste aso, mesmo sendo muito
omuns, não podemos utilizar a nomen latura de função. O orreto seria hamar de relação,
✫ ✪
onforme vimos anteriormente. Contribuição de Barbara Haens
h S
hneider.
É importante entender o on eito de função e omo ela se rela iona om a teoria de onjun-
tos que revisamos anteriormente. Para isto, vamos estudar as seguintes denições:
Seja uma função f. O onjunto de todos os primeiros elementos possíveis dos pares ordenados
Seja uma função f. O onjunto de todos os possíveis segundos elementos dos pares ordenados
im f = {b : ∃a, (a, b) ∈ f }
por sua vez, é um onjunto mais amplo, que ontém a imagem. Por exemplo, a imagem de
f :A→B
Seja f uma função e sejam A e B
onjuntos. Dizemos que f é uma função de A para B se
dom f = A e se im f ⊆ B , onde B é o
ontradomínio. Alternativamente, dizemos que f é uma
apli
ação de A em B .
Assim, a função seno é uma função que mapeia o onjunto dos reais no onjunto dos reais, pois
a1
a1
f(a1)
f(a1)
a2
a2
f(a2)
Funções inversas:
Seja uma função f : A → B= {(a1 , b1 ), (a2 , b2 ), ....}. A inversa da função, denotada por f −1 é
obtida pela inversão dos termos de ada um dos pares que formam a relação, tal que
Assim, temos que uma função um-a-um é aquela que mapeia
ada valor distinto
de A em um valor distindo de B .
ax + b = ay + b
e, se a 6= 0, podemos subtrair b dos dois lados e depois dividir por a. Neste aso, provamos que
a2 = b2
32 CAPÍTULO 4. FUNÇÕES
impli
a em a = b, o que obviamente não o
orre para ∀a, b ∈ R (podemos pensar no
aso óbvio
onde a = −1 e b = 1). Uma observação interessante, é que se a função fosse denida no
onjunto dos números naturais, então o resultado seria diferente. Porque ?
Seja f uma função. A relação inversa f −1 é uma função se e somente se f for injetiva. Neste
−1
aso, temos que dom f = im f e im f = dom f −1 .
A seguinte denição também é muito importante para entendermos vários resultados futuros:
Sobre:
Uma função f :A→B é dita sobre B desde que, para todo b ∈ B, exista um a∈A tal que
∀b ∈ B, ∃a ∈ A, f (a) = b
Portanto, para que a função seja sobre, todo elemento de B deve ter um
orres-
pondente 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 uma função é ne essário que f seja injetiva
(um-a-um). Com isto, se f ainda for sobre B, então podemos armar que f −1 : B → A. Neste
aso:
Bijeção:
Exemplo: Sejam A o onjunto dos números inteiros pares e B o onjunto dos inteiros ím-
pares. Vamos mostrar que f (x) = x + 1 é uma bijeção. Primeiro, vamos mostrar que f é
x+1=y+1
4.1. COMPOSIÇO DE FUNÇÕES 33
x = y.
Para veri armos se é sobre, temos que sele ionar um elemento de B, que pode ser es rito na
forma genéri a omo y = 2k + 1. Por denição, um elemento de A pode ser es rito na forma
x = 2k, tal que a função a ser estudada pode ser es rita na forma
f (x) = x + 1 = 2k + 1
ções:
Isto é fá il de entender, pois se |A| > |B| então os primeiros b elementos de A serão levados
para diferentes elementos de b. Após isto, não há elementos em B aos quais podemos apli ar
os elementos restantes de A.
Da mesma forma, se |A| < |B|, então sabemos que não existem elementos su
ientes em A
para
obrir todos os elementos em B.
Tarefa:
Z Z x → x3
R R x → x3
Z N x → |x|
Z Z x → x2
! Justique
ada uma das armações !
e que
hamamos de
omposição de g e f. Observem que a notação indi
a que apli
amos f (a)
(f está mais próximo e a) e depois apli
amos g no resultado desta operação. Ainda, temos que
pois não estamos modi ando a entrada do pro esso. O mais importante diz respeito ao a o-
plamento entre f e g, pois a saída de f deve ser uma entrada válida para g. Isto pode ser
garantido om
im f ⊆ dom g
(g ◦ f ) 6= (f ◦ g).
f (4) = (4)2 + 1 = 17
g(f (4)) = 2 ∗ 17 − 3 = 31
Sejam f : A → B, g : B → C e h : C → D, então
h ◦ (g ◦ f ) = (h ◦ g) ◦ f
Exemplo: Sejam A = {1, 2, 3, 4, 5}, B = {6, 7, 8, 9} e C = {10, 11, 12, 13, 14}. As funções
f : {(1, 6), (2, 6), (3, 9), (4, 7), (5, 7)}
f g
a
f(a) g(f(a))
gof
então
(g ◦ f ) = {(1, 10), (2, 10), (3, 13), (4, 11), (5, 11)}
onde utilizamos o seguinte ra io ínio: (1, 6) é um par de f na forma (a, b) que serve omo
entrada para g que tem a forma (b, c). Assim, a
omposição retorna um par na forma (a, (, c))
onde o b deve ser igual. Assim, b = 6 está presente em f nos pares (1, 6) e (2, 6), tal que isto
gera duas saidas em g, pois temos (1, (, 10)) e (2, (, 10)).
f ◦ idA = idB ◦ f = f
Sejam dois onjuntos A e B e uma função f :A→B que é um-a-um e sobre, então
f ◦ f −1 = idB
f −1 ◦ f = idA
Exemplo: Considere os
onjuntos A = {1, 2, 3} e B = {2, 4, 6} e a função f = {(1, 2), (2, 4), (3, 6)},
que nada mais é do que f = {(x, y) : x ∈ A, y ∈ B, y = 2x}. Neste
aso, temos que
y
f −1 = {(2, 1), (4, 2), (6, 3)} = {(y, x) : y ∈ B, x ∈ A, x = }.
2
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 ◦ cf = (2x) = idA
2
y
f ◦ f −1 = 2( ) = idB .
2
Capítulo 5
RN
Para ini iarmos os nossos estudos sobre espaços vetoriais, iremos abordar o RN . No RN os
elementos são hamados de vetores e são formados por uma oleção de números reais, omo
por exemplo (2, 1) no R2 ou (1, 2, 3) no R3 (que em duas e três dimensões permitem uma repre-
sentação grá a que já é de onhe imento de qualquer aluno de graduação). É importante que
os on eitos aprendidos aqui sejam bem xados, pois iremos re-utilizar estes on eitos quando
RN :
RN é o
onjunto das n-úplas ordenadas de números reais, na forma
Tendo em mente esta denição, podemos então denir um espaço vetorial sobre os reais, na
forma:
37
38 CAPÍTULO 5. RN
duas operações binárias: soma e multipli ação por um es alar, tais que:
• u + v = v + u, ∀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
• α(βu) = (αβ)u∀α, β ∈ R, ∀u ∈ V
Produto interno:
• u · u > 0, ∀u ∈ V, u 6= 0
• u · v = v · u, ∀u, v ∈V
• (u + v) · w = u · w + v · w, ∀u, v, w ∈ V
u · v = u1v1 + ... + un vn
mas isto não impli a na existên ia de somente esta implementação de produto interno. De
fato, temos que uAv, onde A é uma matriz positivo-denida (vamos denir formalmente o este
on
eito mais para frente) de dimensões N × N, também gera uma operação que atende aos
" # !
5 −1 v1
(u1, u2 ) = 5v1 u1 − u1 v2 − u2 v1 + 5u2v2
−1 5 v2
39
que é estritamente positiva para u 6= (0, 0). Assim, podemos dizer que no produto interno
Outro on eito importante é o de norma. A norma nada mais é do que uma medida de
um elemento do espaço (vetor), sendo que, assim omo o produto interno, tem uma denição
Norma
Dado um espaço vetorial V, uma norma é uma função de V → R, denotada por u → kuk e
• kαuk = α kuk ∀u ∈ V, ∀α ∈ R
• kuk > 0, ∀u ∈ V, u 6= 0
e, quando um espaço vetorial tem uma norma asso iada, este é dito espaço normado (veremos
isto em mais detalhes no apítulo sobre espaço de funções). Relembrando o R2 , temos omo
norma usual q
kuk = u21 + u22
on
eito para
N
! P1
X
kukP = |ui |P , p ∈ N∗ , p par
i=1
que gera a norma usual (também
hamada de norma-2 ou kk2 ) quando p = 2 e innitas normas.
Um
aso interessante é a norma
om p → ∞, também
hamada de max, pois
Distân ia
Seja V um espaço vetorial normado e u,v dois elementos deste espaço. Denimos omo a
d(u, v) = ku − vk
40 CAPÍTULO 5. RN
Se um espaço é normado e tem produto interno denido, então a seguinte denição se apli a:
|u · v| ≤ kuk2 kvk2
5.1 Bases
Um
on
eito fundamental quando lidamos
om espaços vetoriais é o
on
eito de Base, que está
rela ionado ao on eito de vetores linearmente independentes. Assim, é interessante ini iarmos
forma
N
X
u= αi vi
i=1
onde αi ∈ R e vi ∈ V , então dizemos que u é obtido por meio de uma ombinação linear de
Sejam dois elementos u e v ∈ V ⊆ RN . Se u não puder ser es
rito por meio de uma
ombinação
linear de v então dizemos que u e v são linearmente independentes. Alternativamente, se u
puder ser es
rito por meio de uma
ombinação linear de v, dizemos que u e v são linearmente
dependentes.
Conjunto Linearmente Dependente e Linearmente Independente:
elemento de S puder ser es rito por meio de uma ombinação linear dos outros elementos de
α1 u1 + .... + αm um = 0
Tendo em mente estes
on
eitos, podemos sele
ionar um sub
onjunto B de V, que seja line-
2
armente independente. Por exemplo, no R temos
omo vetores linearmente independentes o
onjunto B = {(1, 0), (0, 1)}. Estes vetores são L.I, pois não é possível gerar (1, 0) = α(0, 1)
2
para quaisquer valores de α ∈ R. No entanto, outros vetores de R podem ser obtidos a partir
Assim, podemos veri
ar que o
onjunto B ⊆ R2
ontém os elementos que servem para
ons-
2
truir quaisquer outros elementos de R , de tal forma que B é
onhe
ido
omo base do espaço
2
R (nesta
aso parti
ular, também
hamada de base
anni
a)
Base:
• B é linearmente independente
• B spans V
Vamos a um exemplo: Utilizando o R2 por uma questão de simpli idade, podemos veri ar que
os onjuntos
e podemos gerar um dado elemento de R2 por meio de uma ombinação linear dos elementos
tal que, para a primeira base podemos obter os oe ientes diretamente, pois
7 = α1 e 9 = α2
7 = 3β1 − 2β2
9 = β1 + β2
uja solução é β1 = 5, β2 = 4.
Bola aberta em RN :
Uma bola aberta de raio r e
entro u é denida por
Bola fe
hada em RN :
Uma bola fe
hada de raio r e
entro u é denida por
Br (u) = {v ∈ RN : d(u, v) ≤ r}
Esfera em RN :
Uma esfera de raio r e
entro u é denida por
Br (u) = {v ∈ RN : d(u, v) = r}
sendo que a úni a diferença está na desigualdade/igualdade. Estas denições nada mais são do
que a espe i ação de uma região no entorno de um ponto u, onde iremos onsiderar elemen-
tos vizinhos v, de a ordo om alguma norma pré-denida. No que segue, iremos utilizar o
O on eito de onjunto aberto e de fe hado ausa muita onfusão. Não devemos pensar em
uma aixa aberta ou fe hada, mas sim respeitar as denições que serão apresentadas a seguir:
Conjunto Aberto:
Um onjunto G ⊆ RN é aberto em RN se para todo o u ∈ G existe ǫ > 0 real tal que Bǫ (u) ⊆ G
Ou seja, um
onjunto é aberto se qualquer ponto deste
onjunto pode ser pertur-
5.2. CONJUNTOS ABERTOS E FECHADOS EM RN 43
genéri a x teremos Bǫ (x) = (x − ǫ, x + ǫ). Agora vamos imaginar que estamos em x=0 e que
perturbamos em ǫ genéri o. Termos um intervalo (−ǫ, ǫ) sendo que o extremo esquerdo deste
Complemento de um Conjunto:
∁(V ) = RN \V = {u ∈ RN : u 6= F }
e,
omo exemplo, podemos
itar ∁(I) = (−∞, 0) ∪ (1, ∞), para I = [0, 1] e ∁(A) = (−∞, 0] ∪
N
[1, ∞), para A = (0, 1). Dois
omplementos interessantes são: ∁(∅) = R e ∁(RN ) = ∅.
Conjunto Fe hado:
um pedaço da bola aberta fora do omplemento (dentro de A). Assim, A não é fe hado;
omplemento e garantir que a bola estara
ontida no
omplemento (não possuirá pontos em I ).
Assim, I é fe
hado.
44 CAPÍTULO 5. RN
Interessante notar que um onjunto pode ser aberto e fe hado ao mesmo tempo. Por exem-
plo, ∅ é aberto e é fe hado (pois o seu omplemento é aberto). Da mesma forma, RN também
Um
onjunto pode não ser aberto e nem fe
hado. Em exemplo seria o
onjunto E = {x : x ∈
(0, 1]}. Este
onjunto não é aberto, pois podemos posi
ionar a bola aberta em 1 e,
om isto, ter
pontos da bola fora de E. O interessante é que o
omplemento de E , ∁(E) = (−∞, 0] ∪ (1, ∞)
também não é aberto, pois podemos
olo
ar uma bola em 0 e ela
onterá pontos de E. Assim,
Sejam u ∈ RN e A ⊆ RN :
• Uma vizinhança de u é um onjunto que ontém um sub onjunto aberto que ontenha u
omplemento
Ponto de A umulação:
• um onjunto A denido pelo intervalo (0, 1). Neste aso, qualquer ponto no intervalo
[0, 1] é ponto de a umulação de A (observe que um ponto fora do onjunto pode ser de
a umulação);
• N = {0, 1, 2, 3, 4, 5, ....} não tem ponto de a
umulação, pois podemos
onsiderar uma bola
om
entro em qualquer número e
olo
ar um raio pequeno o su
iente para
onter apenas
• De modo geral, podemos armar que onjuntos nitos ( om número limitado de elemen-
tos) não possuem ponto de a umulação, pois podemos denir uma vizinhança (real) que
• O
onjunto (2, 3) ∪ {4} tem
omo pontos de a
umulação [2, 3], pois podemos
olo
ar uma
vizinhança em torno de {4} que não inter
epte pontos do
onjunto (além do 4)
Desta forma, podemos denir o on eito de Conjunto Fe hado de uma forma alternativa
Teorema 3. Bolzano-Weierstrass no RN
Todo sub
onjunto ininito e limitado de RN tem pelo menos um ponto de a
umulação.
onde devemos observar que o sub onjunto será limitado se for limitado superiormente E inferior-
mente. Este teorema pare e meio óbvio se olharmos o exemplo que foi dis utido anteriormente:
não pode armar nada sobre este aso, mas podemos observar que [0, 1] são pontos de
a umulação !!
Espaços Vetoriais
Todos os on eitos aprendidos om o RN podem ser estendidos para espaços mais gerais, onde
os membros (vetores) são funções. Embora possa pare er algo muito vago em um primeiro
on eito é muito útil para todas as nossas apli ações em me âni a omputa ional.
P = {1 + x2 , 3x + 4x3 , 6 − 3x + 2x2 + x3 }.
O
onjunto P
ontém elementos, que são polinmios na forma a + bx + cx2 + dx3 e é
laro que P
é um sub
onjunto de todos os polinmios de ter
eiro grau que existem (espaço de polinmios).
B = {1, x, x2 , x3 }
a base deste espaço tem ardinalidade 4, embora existam inúmeros polinmios dentro deste
espaço.
Um outro exemplo que justi a o estudo de espaços de funções vem da solução de uma
funções, que podem ser es ritas a partir de um onjunto de funções base. Aqui, sabemos que
u(x) deve fazer parte de um espaço V , que
ontém funções duas vezes diferen
iáveis no intervalo
[0, 1]. Este
onjunto é dado por B = {ekx , e−kx } tal que qualquer elemento de V (solução da
eq. diferen
ial) terá a forma u(x) = α1 ekx + α2 e−kx .
Da mesma forma que no RN , podemos estender o
on
eito de norma para espaços de funções,
na forma
47
48 CAPÍTULO 6. ESPAÇOS VETORIAIS
Z p1
p
kukp = |u|
onde u são funções mensuráveis e p ≥ 1. Estas normas são onhe idas omo Normas de
Lebesgue. Outas normas são possíveis, omo por exemplo a família de normas de Sobolev:
p1
Z X
kukm,p = |D α u|p
Ω |α|≤m
"Z Z " 2 2 # # 12
1 1 du du
kukm,p = |u|2 + + dxdy
0 0 dx dy
Deve-se enfatizar que estas normas são denidas para apli ações distintas. Assim, normas
de Sobolev são ne essárias para des revermos espaços de funções e derivadas su ientemente
ontínuas para alguma apli ação, omo por exemplo na solução de equações diferen iais par iais.
ír ulo de raio 1 em torno da origem (lembrem-se que p=∞ impli a em sele ionar o maior
valor). Lembre-se que o raio é sempre uma distân ia (asso iada a norma) que depende das
Desta forma, onhe endo o espaço vetorial de solução do nosso problema e as propriedades
dos operadores envolvidos, saberemos tudo sobre as suas propriedades (se tem solução, quantas
desde o iní io da nossa matéria, o on eito de elemento tem sido estendido. Atualmente,
estamos onsiderando onjuntos ujos elementos são funções e iremos agora denir relações
d du(x)
− a = f (x)
dx dx
onde a e f (x) são onhe idos e u(x) deve ser en ontrado. Uma outra maneira de es rever esta
T (u) = f
6.1. TRANSFORMAÇÕES LINEARES E FUNCIONAIS 49
ou
T :U →V
d d
que pode ser lida
omo: T = − dx a dx é um operador que rela
iona o espaço de funções que
des do operador, podemos estudar a solução de equações de forma mais geral. Vamos estudar
Transformação Linear:
observadas:
É interessante notar que podemos re-utilizar todos os on eitos que aprendemos om fun-
ções e estender para o on eito de operador. Por exemplo, os on eitos de domínio e de imagem
são análogos, bem omo a de um-a-um (injetivo). No entanto, ostumamos hamar um opera-
O nú leo de uma transformação (também onhe ido omo espaço nulo) é dado por
ℵ(T ) = {u : u ∈ U, T (u) = 0}
ℵ(T ) = {u ∈ U : u1 + u2 = 0}
(−u2 , u2 )
50 CAPÍTULO 6. ESPAÇOS VETORIAIS
Transformação Linear:
Exemplo: Conforme já dis utido, um operador um-a-um é aquele que gera saídas distintas
para entradas distintas. Desta forma, o operador do exemplo anterior não é um monomorsmo
e uma maneira de testar por isto é veri ar a estrutura do espaço nulo. Conforme visto no
Exemplo: Vamos onsiderar a transformação linear T :U →V tal que T (u) = 7u. Neste
aso,
ℵ(T ) = {u ∈ U : u = 0}
da dimensão N (dimensão de V ).
a dimensão de U
transformação é igual a 1 e que a dimensão do espaço nulo é 1 (um parâmetro a). U
orresponde
2
ao R , o que está de a
ordo
om a denição.
n
X
u = αi φ i
i=1
Xm
v = βj ϕj
j=1
6.2. TRANSFORMAÇO LINEAR DE ESPAÇOS FINITO DIMENSIONAIS 51
n
X m
X
T (u) = αi T (φi ) = βj ϕj ,
i=1 j=1
m
X
T (φi ) = tji ϕj
j=1
tal que !
m
X n
X m
X
βj ϕj − αi tji ϕj =0
j=1 i=1 j=1
ou !
m
X n
X
βj − tji αi ϕj = 0
j=1 i=1
β = Tα
onde T é uma matriz de dimensões m × n, ontendo os termos tji . Baseados nesta dedução,
• A transformação entre dois espaços vetoriais nitos pode ser representada pela apli ação
Estes resultados são utilizados a todo instante na me âni a omputa ional, pois trabalhamos
om espaços nito dimensionais para representar modelos dis retos de problemas ontínuos
(innito dimensionais).
Exemplo 1:
Seja U o espaço dos polinmios de ter
eiro grau e V o espaço dos polinmios de primeiro grau.
Embora existam innitos polinmios de primeiro e ter eiro graus, as suas bases são nitas,
tendo a forma
φ = {1, x, x2 , x3 }
ϕ = {1, x}
P
tal que um elemento de U tem a forma genéri
a u = 4i=1 αi φi = α1 + α2 x + α3 x2 + α4 x3
P2
(n = 4) e um elemento de V tem a forma genéri
a v = j=1 βj ϕj = β1 + β2 x (m = 2).
52 CAPÍTULO 6. ESPAÇOS VETORIAIS
d2
D=
dx2
e, portanto,
D:U →V
signi
a que
4
! 2
X X
D αi φ i = βj ϕj
i=1 j=1
e, omo o operador D é linear, podemos passar para dentro do somatório em i, tal que
4
X 2
X
αi D(φi ) = βj ϕj
i=1 j=1
2
X
D(φi ) = dji ϕj
j=1
signi ando que estamos es revendo este resultado na base de V. Vamos avaliar D(φi ) para
D(φ1 ) = D(1) = 0
D(φ2 ) = D(x) = 0
D(φ3 ) = D(x2 ) = 2
D(φ4 ) = D(x3 ) = 6x
tal que
4
X 2
X
αi D(φi ) = βj ϕj
i=1 j=1
α1 (0 ∗ 1 + 0 ∗ x) + α2 (0 ∗ 1 + 0 ∗ x) + α3 (2 ∗ 1 + 0 ∗ x) + α4 (0 ∗ 1 + 6 ∗ x) = β1 ∗ 1 + β2 ∗ x
6.2. TRANSFORMAÇO LINEAR DE ESPAÇOS FINITO DIMENSIONAIS 53
de onde observamos que ada termo da base de V pode ser olo ado em evidên ia:
ϕ1 → α1 ∗ 0 + α2 ∗ 0 + α3 2 + α4 0 = β1
ϕ2 → α1 ∗ 0 + α2 ∗ 0 + α3 0 + α4 6 = β2
polinmio
"
#
7
( )
0 0 2 0 2 30
=
0 0 0 6
15
−3
−0.5
Exemplo 2:
Dado um vetor u = (x1 , x2 , x3 ) no R3 , podemos apli
ar uma rotação em torno do eixo 3 para
′ ′ ′
obter um novo vetor v = (x1 , x2 , x3 ). Esta transformação, também
onhe
ida
omo rotação, é
Como sabemos que as bases do R3 formam o onjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, se seguirmos
o ra io ínio apresentado no exemplo anterior, veri amos que o operador dis reto asso iado a
tal que
cos(θ) − sin(θ) 0
R = sin(θ) cos(θ) 0 .
0 0 1
De fato,
cos(θ) − sin(θ) 0 x1
x1 cos(θ) − x2 sin(θ)
sin(θ) cos(θ) 0 x2 = x1 sin(θ) + x2 cos(θ) .
0 0 1 x3 x3
1 0 0
T= 0 1 0
0 0 0
a0
a
1
p = [1, x, x2 , x3 ] = Ua
a2
a
3
onde diferentes valores de a
ara
terizam elementos distintos do espaço (pensem nas
omponen-
tes de um vetor) e U é formado por
olunas que possuem vetores linearmente independentes.
Observem que uma oisa é o vetor (elemento do espaço dos polinmios úbi os) p∈P e outra
oisa é um dado valor que p(x) assume para um valor de x, que é um valor real. Isto a laro
se es revermos a relação
p(s) = C(s)p
onde C(s) é
hamado de operador de avaliação em s e é um fun
ional linear em P , pois mapeia
p para um número real. Assim,
a0
a
1
p(s) = C(s)Ua = [1, s, s2, s3 ] .
a2
a
3
6.3. MUDANÇA DE BASE 55
É interessante notar que existem problemas práti os onde temos os valores p(s) e queremos
determinar quais são os polinmios p que estão asso iados a estes valores. Assim, vamos
assumir que temos 4 valores distintos de s e seus orrespondentes p(s) onhe idos. Portanto,
a0
a
1
[1, si , s2i , s3i ] = p (si ) , i = 1..4
a2
a
3
E(S)a = v
onde S = {s1 , s2 , s3 , s4 } e v = {p (s1 ) , p (s2 ) , p (s3 ) , p (s4 )} são vetores oluna e E é a matriz
onde ada linha ontém os valores das bases avaliadas em um dos pontos onhe idos. Portanto,
ao realizarmos a operação
a = E−1 (S)v
estamos realizando um pro edimento de interpolação (re uperação de uma função a partir de
presentação matri ial, então é interessante investigar omo podemos rela ionar as bases de um
T : u∆ → uΦ , u∆ , uΦ ∈V
Enfatiza-se
PN PN
onde u∆ = i=1 αi δi é des
rito na base ∆ e uΦ = j=1 βj φj é des
rito na base Φ.
que o elemento é um só, estando somente des
rito em bases diferentes. Assim,
N
! N
X X
T αi δi = βj φj
i=1 j=1
impli
a em
N
X N
X
αi T (δi ) = βj φj
i=1 j=1
e, omo T (δi ) mapeia para a base Φ, podemos es rever esta equação na forma
N
X N
X N
X
αi rji φj = βj φj
i=1 j=1 j=1
56 CAPÍTULO 6. ESPAÇOS VETORIAIS
T
r11 ... r1N
α β1
1
. .. .
. .
.. .. . .
. = . (6.1)
.
α
rN 1 ... rN N N
β
N
onde R é um operador que transforma os oe ientes utilizados para representar um elemento
u∆ = α1 δ1 + α2 δ2 (6.2)
uΦ = β1 φ1 + β2 φ2
onde deve ar laro que u∆ = uΦ , pois é o mesmo elemento sendo des rito em duas bases
diferentes.
δ2 = r21 φ1 + r22 φ2
φ1 → β1 = r11 α1 + r21 α2
φ2 → β2 = r12 α1 + r22 α2
tal que
" #( ) ( )
r11 r21 α1 β1
=
r12 r22 α2 β2
é o
aso parti
ular da Eq. (6.1) para N = 2.
6.3. MUDANÇA DE BASE 57
assim, se ∆ = {(1, 0), (0, 1)} e Φ = {(3, 1), (−2, 1)}, temos, de a ordo om a Eq. (6.5), que
dão origem a dois sistemas simultâneos de equações (um por linha da equação a ima)
1 = 3r11 − 2r12
0 = 1r11 + 1r12
0 = 3r21 − 2r22
1 = 1r21 + 1r22
resultando em r11 = 0.2, r12 = −0.2, r21 = 0.4 e r22 = 0.6, tal que
" #
0.2 0.4
R=
−0.2 0.6
tal que
" #( ) ( )
0.2 0.4 α1 β1
= .
−0.2 0.6 α2 β2
" #( ) ( )
0.2 0.4 7 5
=
−0.2 0.6 9 4
pois
u∆ = α1 δ1 + α2 δ2 (6.4)
uΦ = β1 φ1 + β2 φ2
onde deve ar laro que u∆ = uΦ , pois é o mesmo elemento sendo des rito em duas bases
diferentes.
58 CAPÍTULO 6. ESPAÇOS VETORIAIS
φ2 = p21 δ1 + p22 δ2
β = P−1α,
demonstrando que R = P−1 . Na práti a, se a base ∆éa anni a, então a matriz do operador
dão origem a dois sistemas simultâneos de equações (um por linha da equação a ima)
3 = p11
1 = p12
6.4. MUDANÇA DE BASE APLICADA A OPERADORES LINEARES 59
−2 = p21
1 = p22
" #
3 −2
P= ,
1 1
Tarefa:
Proponha dois
onjuntos de bases para o R2 e deduza a forma matri
ial de P e de R. Após,
n
X
x= αi φ i
i=1
passe a ser des rito por um novo onjunto de oe ientes βj em uma nova base δj , tal que
n
X
′
x = βj δj .
j=1
′
x = Rx
onde R é o operador de mudança de base na forma matri ial. A operação inversa é des rita
por
′
x = R−1 x .
Se o observador que utiliza a base φi apli
ar uma operação linear A sobre x, obtendo um
60 CAPÍTULO 6. ESPAÇOS VETORIAIS
s = Ax
o observador que utiliza a base δj irá realizar um operação equivalente, tal que
′ ′ ′
s =Ax.
′ ′
s = Ax → R−1 s = AR−1 x
′ ′ ′ ′ ′
s = RAR−1 x → s = A x
tal que
′
A = RAR−1.
Um operador linear é des rito, utilizando a base anni a do R3 , na forma dis reta pela
matriz
4 0 1
A = −2 1 0 .
−2 0 1
Supondo que o mesmo observador des
reva um valor x na base
anni
a,
omo sendo
1
x= 2
3
7
s = Ax = 0 .
1
Um outro observador, utilizando outra base irá observar x
om valores diferentes. Se, por
6.5. FORMAS LINEARES, BILINEARES E QUADRÁTICAS 61
√1 √1 0
2 2
√1 √1
R= − 2 2
0
0 0 1
1.5 −0.5 0.707107
′
A = RAR−1
= −2.5 3.5 −0.707107
1.414221 1.41421 1.0
′
e este observador irá obter,
omo resultado da apli
ação deste operador em x
4.94975
′ ′ ′
s = A x = 4.94975 .
1.0
Finalmente, podemos observar que ada observador obteve um resultado distinto em valores
numéri os, mas que tem o mesmo signi ado físi o. De fato, se deszermos a operação de
7.0
−1 ′
s = R s = 0.0 .
1.0
linear. Na literatura, os fun ionais são muitas vezes hamados de funções de funções.
N
X
l : RN → R, l(u) = ai xi
i=1
Exemplo: Integração
O operador de integração pode ser visto
omo um fun
ional linear, pois
Z b
l : C[a, b] → R, l(f ) = f (x) dx,
a
Forma Bilinear
Forma Bilinear:
B :U ×V →R
que satisfaz:
X
u = αi φ i
i
X
v = βj ϕj
6.5. FORMAS LINEARES, BILINEARES E QUADRÁTICAS 63
então
XX XX
B(u, v) = αi βj B(φi , ϕj ) = αi βj bij
i j i j
B(u, v) = αT Bβ
om os seguintes resultados
Forma bilinear:
De omposição Polar:
Toda forma bilinear pode ser representada omo a soma de uma forma simétri a om uma
anti-simétri a
1 1
B(u, v) = [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) B : R2 × R2 → R, B((x, y), (z, t)) = xz − 2yt
3) B : U × V → R,
om U espaço dos polinmios de ter
eiro grau, de base {1, x, x2 , x3 }, e V
espaço dos polinmios de segundo grau, de base {1, x, x2 }. Assim, se denirmos, por exemplo,
Z 1 Z 1
B(u, v) = (u ∗ v) dx = a1 + a2 x + a3 x2 + a4 x3 b1 + b2 x + b3 x2 dx
0 0
60 30 20
B= 30 20
1 15
60
20 15 12
15 12 10
64 CAPÍTULO 6. ESPAÇOS VETORIAIS
tal que
60 30 20
n o 1 30 20 15
b1
B(u, v) = a1 a2 a3 a4
b2
.
60
20 15 12
b3
14 12 10
∂ui
Exemplo: O tensor gradiente de deslo
amento ∇u = ∂xj
admite uma de
omposição polar
na forma ∇u = ε + ς , onde o primeiro termo, parte simétri a, está asso iado a deformação e
o segundo termo, parte anti-simétri a, está asso iado a vorti idade. Esta mesma interpretação
Formas Quadráti
as
Uma forma quadráti
a é um fun
ional Q(u) tal que
Q(αu) = α2 (u)
duas formas bilineares tem a mesma parte simétri
a então geram a mesma
tal que se
forma quadráti
a. Desta forma, aproveitando os exemplos do item anterior, temos que:
1) B : R × R → R, B(x, y) = xy gera a forma quadráti
a Q(x) = x2
2) B : R2 ×R2 → R, B((x, y), (z, t)) = xz −2yt gera a forma quadrátiva Q((x, y)) = x2 −2y 2
3) B : U × V → R,
om U e V espaço dos polinmios de ter
eiro grau. Vamos denir a
1
u(ε) = (C33 ε23 + C22 ε22 + C22 C12 ε1 ε2 + C12 ε1 ε2 + C11 ε21 )
2
Produto Interno
nir a distân ia entre dois elementos quaisquer. O on eito de produto interno permite, por sua
Seja U um espaço vetorial linear. A forma bilinear U ×U → R que asso
ia a
ada dois elementos
do espaço um es
alar é
hamada de produto interno e é denotada por (u1 , u2 ) ou < u1 , u2 >.
Quando um espaço vetorial tem produto interno denido,
hamamos este espaço de Espao de
(pré)- Hilbert (o espaço deve ser
ompleto, mas veremos este
on
eito depois) e, portanto, po-
demos interpretar estes espaços de funções omo generalizações do espaço Eu lidiano ao qual
Espaço de (pré)-Hilbert:
√
kvk = < v, v >
é induzida por este produto interno. Desta forma, a distân ia entre dois elementos de um
√
d(v1 , v2 ) = kv1 − v2 k = < v1 − v2 , v1 − v2 >
67
68 CAPÍTULO 7. PRODUTO INTERNO
funções. Por exemplo, se
onsiderarmos o espaço das funções quadrado integráveis L2 ,
omposto
por funções que satisfazem Z
|f |2 dΩ < ∞
Ω
Z
< u, v >= uvdΩ.
Ω
Outro exemplo é o espaço ponderado L2 , formado por funções quadrado integráveis e funções
om produto interno Z
< u, v >= uvwdΩ.
Ω
7.1 Ortogonalidade
De posse da denição de produto interno, podemos avaliar o ângulo entre dois elementos do
espaço. Assim, da mesma forma que em um espaço Eu lidiano tradi ional, podemos avaliar se
Ortogonalidade
< u, v >= 0
e um onjunto de elementos não nulos B = {ui }, i = 1..n é dito ortogonal se ada par i, j for
ortogonal, isto é
e um onjunto de elementos não nulos B = {ui }, i = 1..n é dito ortonormal se ada par i, j for
ortogonal, isto é
kv1 + v2 k2 =< v1 + v2 , v1 + v2 >=< v1 , v1 > +2 < v1 , v2 > + < v2 , v2 >= kv1 k2 + kv2 k2
Z π
cos(nx)cos(mx) dx = 0, ∀m, n ∈ [1, ∞), m 6= n
−π
Z π
2
kv1 + v2 k = [cos(nx) + cos(mx)] [cos(nx) + cos(mx)] dx = 2π
−π
e Z π
2
kv1 k = [cos(nx)] [cos(nx)] dx = π.
−π
0 = α1 a + 0 + 0 + 0 + 0... + 0 → α1 = 0, pois a 6= 0
É interessante notar que dada uma base, podemos gerar um onjunto de vetores ortogonais.
Para isto, utilizamos o pro edimento de ortogonalização de Gram-S hmidt, que é baseado nos
7.2 Projeção
Projeção:
Este operador é uma projeção do espaço tridimensional no plano xy. Podemos veri
ar que
3 3
é uma projeção, mapeia pontos do R no próprio R ,e é linear (Verique !). Ainda, da
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
Projeção Ortogonal:
O operador
< φ, u >
proju φ = u
< u, u >
projeta o vetor φ ortogonalmente em u. Isto pode ser fa
ilmente visualizado
om o uso de
tal que
< u, φ >
kφk cos(θ) =
kuk
é o tamanho da projeção de φ sobre u. A direção de u pode ser representada por um vetor
Projeção Ortogonal:
ℜ(P ) ⊥ ℵ(P )
e onsiderando que em um espaço nito dimensional P (u) = Pu, onde P é uma matriz que
que será zero quando P = PT (pois neste aso PT P = PT ), ou seja, quando a matriz do
operador for simétri a (ao ser es rita em uma base ortonormal) o que também equivale ao fato
T
1 0 0 1 0 0
0 1 0 = 0 1 0 .
0 0 0 0 0 0
•
ada elemento w∈V pode ser es
rito ex
lusivamente
omo w = u + v, onde u ∈ ℜ(P )
e v ∈ ℵ(P );
Exemplo:
Ainda onsiderando o operador P dos exemplos anteriores, sabemos que para este operador
w
N(P)
R(P)
Figura 7.1: Vetor obtido pela ombinação linear de elementos do espaço nulo e do range.
w = (u1 , u2 , 0) + (0, 0, a)
Exemplo: Vamos
onsiderar a projeção ortogonal de um vetor u ∈ R3 sobre uma direção in-
3
di
ada por um vetor a∈R (Figura ). Neste
aso, a projeção nada mais é do que o
omprimento
Pu = ca (7.1)
0 =< a, u − Pu >= aT u − aT Pu
aT u − aT ca = 0
aT u
c= .
aT a
Assim, se u = (0, 6) e se onsiderarmos uma linha om direção dada por a = (1, 1), teremos
1∗0+1∗6
c= =3
1∗1+1∗1
tal que
Pu = (3, 3)
7.3. ORTOGONALIZAÇO DE GRAMM-SCHMIDT 73
e, onforme já armamos,
utilizados na me âni a omputa ional. Desta forma, o pro edimento de Gramm-S hmidt é de
apli ar uma transformação que gera uma nova base ortogonal {uk }nk=1 ∈ V
i−1
X < φi , uk >
ui = φi − uk
k=1
< uk , uk >
Exemplo: Seja o onjunto {1, x, x2 , x3 } denido no L2 [−1, 1]. Este onjunto é sabidamente
L.I , mas não é ortogonal (verique). No entanto, apli
ando o pro
edimento de ortogonalização
74 CAPÍTULO 7. PRODUTO INTERNO
temos
{u1 } = 1
< x, 1 >
{u2 } = {x} − 1 = {x}
< 1, 1 >
2 < x2 , 1 > < x2 , x > 2 1
{u3 } = {x } − 1+ x = x −
< 1, 1 > < x, x > 3
3 < x3 , 1 > < x3 , x > < x , x2 − 31 >
3
2 1
{u4 } = {x } − 1+ x+ x −
< 1, 1 > < x, x > < x2 − 31 , x2 − 31 > 3
3x
= x3 −
5
Z 1
2 1 3 1 2 1 n 3 xo
x − , x − x = x − x − dx = 0.
3 15 −1 3 15
RN , apli amos a ortogonalização a uma base polinomial sem problemas. De fato, estes on eitos
se apli am a espaços de funções de maneira absolutamente geral (desde que o espaço seja dotado
de produto interno).
M ⊥ = {u ∈ V :< u, v >= 0, ∀v ∈ M}
todos os vetores que são ortogonais a v e, portanto, forma um plano que passa pela origem e
gonal de M é
omposto por todos os vetores que são ortogonais ao mesmo tempo a v1 e a, v2 .
Desta forma, M⊥ é formado pela interseção dos
omplementos ortogonais de v1 e v2 . Visualize !
Exemplo: Seja S ⊆ R3 um subspaço gerado por {(1, 0, 1), (0, 2, 3)}. Um elemento típi
o de
7.4. COMPLEMENTO ORTOGONAL 75
3
s = α(1, 0, 1) + β(0, 2, 3) = (s1 , s2 , s1 + s2 )
2
pois
s1 = α
s2 = 2β
s3 = α + 3β
Assim, o
omplemento ortogonal de S pode ser denido por um vetor genéri
o (x1 , x2 , x3 )
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
permite veri
ar que
⊥ 3 3
S = x ∈ R : x = −x3 , − x3 , x3
2
Autovalores e Autovetores
Se A é um operador es rito em termos de uma base qualquer, então existe uma base no qual a
!
a b
A=
b c
tal que ( )
au1 + bu2
Au = .
bu1 + cu2
Uma outra forma de apresentar a MESMA operação, porém em outra base, seria realizada
′
om o operador A diagonal, tal que
!
′ λ1 0
A =
0 λ2
tal que ( )
′
′ λ1 u 1 ′
Au = ′ .
λ2 u 2
forma
anni
a
′
A forma diagonal de A, A é
onhe
ida
omo do operador (neste
aso,
onde R é o operador de mudança de base. O problema aqui é que não onhe emos o operador
de mudança de base que permita obter a forma diagonal do operador e nem os valores de λ.
A determinação desta mudança de base espe
í
a R=Φ e do operador diagonal asso
iado,
′
A é o objetivo de uma
lasse de problemas muito útil,
hamada de problema de autovalores e
autovetores.
77
78 CAPÍTULO 8. AUTOVALORES E AUTOVETORES
Autovalores e Autovetores:
T (u) = λu.
Como toda a transformação linear nito dimensional pode ser es rita pela multipli ação de
T (u) : Tu = λu
(T − λI) u = 0.
Assim, des
artando a solução trivial u = 0, o problema homogêneo denido pela equação a
ima
tem solução se e somente se
det (T − λI) = 0
λi são hamadas de autovalores (ou valores ara terísti os) do operador e os vetores ui que
Determinante de uma matriz: Seja uma matriz M de dimensões n × n, asso
iada a um espaço V .
Denimos o determinante de M ou det(M)
omo sendo o operador linear det : V → R
omo sendo o
uni
o operador que satisfaz os seguintes requisitos:
ou, de maneira alternativa, podemos armar que det(M) é uma função multilinear e alternada das
olunas de M. Ainda, temos as seguintes propriedades do determinante:
• O determinante de uma matriz é zero se e somente se a matriz for singular (não admitir inversa);
• O valor do determinante de uma matriz não é alterado se adi
ionarmos um multiplo de uma
oluna a outra
oluna da matriz;
Sugiro fortemente a leitura do texto www.axler.net/DwD.pdf, que trata sobre a denição de determi-
nantes e sua pertinên
ia e também a leitura da página
http://www.
lisnotes.
om/study_guide/
Denitions-of-the-Determinant.topi
Arti
leId-20807,arti
leId-20797.html
que apresenta duas denições bem didáti
as sobre este
on
eito.
Interpretação geométri
a do determinante:
" #
u1 u2
M=
v1 v2
onde ada linha ontém os oe ientes de um vetor em uma determinada base. A área om
sinal do paralelogramo denido por estes vetores é igual ao determinante da matriz. De fato,
i j k
A = ku × vk = u1 u2 0 = u1 v2 − v1 u2
v1 v2 0
e que o determinante de uma matriz 2×2 é dado por u1 v2 −v1 u2 . Estendendo este
on
eito para
3 dimensões, temos que o determinante de uma matriz 3×3 é igual ao volume do paralelepípedo
denido por três vetores u, v e w , ou seja ku · v × wk (produto misto).
Eqs. ( ??) e ( ??), pois neste
aso, u pode ser visto
omo uma das
olunas de Φ e λ um dos
80 CAPÍTULO 8. AUTOVALORES E AUTOVETORES
elementos da matriz diagonal Λ. Desta forma, podemos armar que um dado autovalor u é um
dos vetores bases da transformação que diagonaliza A e que o autovalor λ é a posição asso
iada
da matriz diagonal Λ. Desta forma, podemos veri
ar que a matriz Φ
ujas
olunas são os
autovetores u tem olunas linearmente independentes. Expandindo estes termos, veri amos
que
TΦ = ΛΦ ⇐⇒ Λ = Φ−1 T Φ
A equação ara terísti a asso iada a este operador é obtida por meio da operação
3 −1 1 1 0 0
det −1 5 −1 − λ 0 1 0 = 0
1 −1 3 0 0 1
resultado em
obtidos por
3 − 2 −1 1 u1
0
λ1 : −1 5 − 2 −1 u2 = 0
1 −1 3 − 2 u3 1
0
tal que
u1 −u2 +u3 = 0
−u1 +3u2 −u3 = 0
u1 −u2 +u3 = 0
81
u1
−a
u2 = 0 , ∀a ∈ R
u3 1 a
e
3 − 3 −1 1 u1
0
λ2 : −1 5 − 3 −1 u2 = 0
1 −1 3 − 3 u3 2
0
resulta em
u1
b
u2 = b , ∀b ∈ R
u3 2
b
e nalmente,
3−6 −1 u1
1 0
λ3: −1 5 − 6 −1 u2 = 0
1 −1 3 − 6 u3 3 0
resulta em
u1
c
u2 = −2c , ∀c ∈ R.
u3 3 c
Assim,
√1 √1 √1
2 3 6
Φ= 0 √1 − √26
3
− √12 √1
3
√1
6
tem
olunas que satisfazem as soluções obtidas e que são L.I (verique). Os valores de a, b e c
foram es
olhidos para que a norma 2 de
ada um dos vetores base fosse unitária.
2 0 0
Φ−1 TΦ = 0 3 0
0 0 6
é a forma diagonal de T.
Exemplo
4 0 1
A = −2 1 0
−2 0 1
e tem autovalores λ1 = 1 , λ2 = 3 e λ3 = 2 e autovetores
√
3
0 3√
− 31
Φ = 1 − 33 23 .
√
0 − 33 23
Supondo que o mesmo observador des reva um valor x na base anni a, omo sendo
1
x= 2
3
7
s = Ax = 0 .
1
Um outro observador, utilizando a base que diagonaliza o operador (autovetores) irá observar
′
x
omo sendo (lembre-se que Φ mapeia de x para x)
−1
′ −1
x = Φ x = 8, 66
12
′
e este observador irá obter,
omo resultado da apli
ação do operador diagonalizado em x
1 0 0 −1
−1
′ ′ ′
s = A x = 0 3 0 8, 66 = 25, 98 .
0 0 2 12 24
Finalmente, podemos observar que ada observador obteve um resultado des rito em sua base,
mas omo sabemos que o operador de mudança de base Φ permite des rever um vetor da base
7
′
s = Φs = 0 .
1
8.1. AUTOVALORES E AUTOVETORES REAIS 83
Tarefas:
• T : R2 → R2 , T (x, y) = (3x, 8x − y)
ondições, podemos ter raízes (autovalores) omplexos. Da mesma, forma, ao solu ionarmos o
Matriz Hermitiana
A = Ā
onde Ā é o onjugado transposto da matriz (aij = āji ), ou seja, as posições diagonais são reais
e as posições fora da diagonal são tais que aij + bij i = aji − bji i. Se a matriz é real, o
omplexo
T
onjugado se reduz ao fato de a matriz ser simétri
a, isto é, A = A .
Exemplo:
A matriz
1 2 + i −1
A = 2 − i 3 −3i
−1 3i 2
é Hermitiana e seus autovalores são λ1 = −1, 9359708, λ2 = 1, 8748776 e λ3 = 6, 0610932
om
autovetores
0, 4666037 − 0, 3527762i −0, 4221890 + 0, 6140749i −0, 0032597 − 0, 3201372i
Φ = −0, 1175921 + 0, 5766664i 0, 2046916 + 0, 1662744i −0, 1067124 − 0, 7567659i ,
0, 5580841 0, 6124726 0, 5598387
idênti
os (múltiplos autovalores). Por exemplo, T : R3 → R3 , T (x, y, z) = (3x, 2y, y + 2z) tem
84 CAPÍTULO 8. AUTOVALORES E AUTOVETORES
1) O operador
4 2 2
A = 2 4 2
2 2 4
tem
omo autovalores λ1 = λ2 = 2 e λ3 = 8 e seus autovetores são
1 1 1
Φ = 1 −1 1 ,
−2 0 1
que são linearmente independentes. Substituindo o autovalor λ1,2 na expressão A−λI, obtemos
a matriz
2 2 2
2 2 2
2 2 2
que tem Rank igual a 1 e nullity igual a 2. Assim, veri
amos que a Multipli
idade Geomé-
tri
a do autovalor λ1,2 = 2 é dada pela dimensão do espaço nulo, ou seja, 2 (também
hamado
de número de parâmetros livres do sistema de equações). Observe que a multipli
idade geo-
métri a do autovalor é, neste aso, igual ao número de vezes em que o autovalor apare e (se
matriz
−4 2 2
2 −4 2
2 2 −4
que tem Rank igual a 2 e nullity igual a 1. Assim, a multipli
idade geométri
a deste auto-
valor é igual a 1 que é, neste aso, igual ao número de vezes em que o autovalor se repete
( Multipli idade Algébri a). Devido ao fato de a multipli idade geométri a de todos os
autovalores desta matriz serem iguais ao número de vezes em que o autovalor se repete, veri-
amos que é possível utilizar os autovetores omo um operador de mudança de base, ou seja,
2) O operador
3 0 0
B = 0 2 0
0 1 2
8.3. SUBESPAÇOS PRÓPRIOS 85
0 0 1
Φ = 0 0 0 ,
1 −1 0
é 1 que, neste aso, não é igual ao número de vezes no qual o autovalor apare e, 2. Por sua
0 0 0
0 −1 0
0 1 −1
que também tem Rank igual a 2 e nullity igual a 1, tal que sua multipli idade geométri a é
1 que, neste aso, é igual ao número de vezes em que o autovalor é repetido. Desta forma,
devido ao fato de não termos a igualdade entre a multipli idade geométri a e o número de
vezes em que o autovalor é repetido para todos os autovalores, veri
amos que o operador não
é diagonalizável pela operação Φ−1 AΦ.
Multipli
idade Algébri
a de um autovalor é
Assim, dos exemplos, podemos notar que a
livres no sistema de equações, nullity ou dimensão do espaço nulo). Ainda, podemos veri ar
que a multipli idade geométri a é sempre menor ou igual a multipli idade algébri a.
Uλ = {X : AX = λX}
de onde a laro que a multipli idade geométri a de λ é o nullity do operador A − λI. Estes
autovetores formam uma base para um subespaço, hamado de Subespaço Próprio do autovalor
λ.
Exemplos:
1) O operador
86 CAPÍTULO 8. AUTOVALORES E AUTOVETORES
1 0 0
A = 2 0 0
3 0 0
tem autovalores λ1 = λ2 = 0 e λ3 = 1 . Os autovetores asso
iados a estes autovalores são
0 0 0, 2672
Φ = 0 1 0, 5345 .
1 0 0, 8018
Avaliando-se a dimensão do espaço nulo de A − 0I, obtém-se 2, que é igual a multipli idade
algébri
a deste autovalor. Com isto, pode-se veri
ar que os autovetores (0, 0, 1) e (0, 1, 0)
formam uma base (os vetores são L.I.) para um espaço de dimensão 2, tal que o
onjunto de
0
0
U0 = a 0 + b 1 , a, b ∈ R
1 0
assim
omo o autovetor asso
iado ao autovalor λ3 = 1 , que forma o
onjunto
0, 2672
U1 = a 0, 5345 , a ∈ R .
0, 8018
2) O operador
5 1 0
A = 0 5 1
0 0 5
tem 3 autovalores iguais a 5
om autovetores
1 −1 1
Φ = 0 0 0 .
0 0 0
A multipli idade geométri a deste autovalor é 1 (verique), tal que o mesmo não é diagonali-
zável. Outra onsequên ia importante é o fato de os autovetores asso iados ao autovalor não
formarem uma base adequada para o subespaço próprio de λ = 5, pois os mesmos são line-
armente dependentes. De fato, podemos veri ar que o subespaço próprio tem apenas uma
dimensão, pois
1
U5 = a 0 , a ∈ R ,
0
8.4. PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES 87
Ax = λBx (8.1)
tal que a forma padrão é obtida quando B = I. Os valores de λ e x que satisfazem esta equação
são obtidos pelo mesmo pro
edimento desenvolvido no
omeço desta seção, pois
(A − λB) x = 0
leva a ondição
det (A − λB) = 0.
onjunto ortogonal.
Um
aso espe
ial o
orre quando a matriz B é inversível, pois podemos multipli
ar a Eq. 8.1
−1
por B , obtendo
B−1 Ax = λB−1 Bx
ou
Cx = λIx = λx,
autovetores tradi ional estudado ao longo deste apítulo, tal que os autovalores e autovetores
Exemplo:
!
10 5
A=
6 15
e !
4 1
B= .
2 6
Os autovalores deste problema podem ser obtidos por
" ! !#
10 5 4 1
det −λ =0
6 15 2 6
resultando no polinmio
ara
terísti
o p(λ) = 22λ2 − 104λ + 120
om raízes (autovalores)
88 CAPÍTULO 8. AUTOVALORES E AUTOVETORES
problemas homogêneos
(A − λ1 B) u = 0
(A − λ2 B) v = 0,
resultando em ! !
u1 v1 2, 5 −1, 5
Φ= = .
u2 v2 1 1
Como, neste exemplo, a matriz B é inversível
!
3 1
− 22
B−1 = 11
1 2
− 11 11
det (C − λI) x = 0
!
2, 72 0
Φ−1 CΦ = .
0 2
8.4. PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES 89
Tarefas:
" #
2 2
(−2, 1) para
1 3
(resp. Sim)
1 −1 0
(−2, 1, 3) para 2 3 2
1 2 1
(resp. Não)
2) Os vetores (1, 1) e (2, −1) são autovetores de um operador linear T : R2 → R2 asso iados aos
autovalores 5 e −1, respe tivamente. Determinar T (4, 1). (Resp. T (x, y) = (x + 4y, 2x + 3y) e
autoespaços V1 = {(−y, y), y ∈ R} e V3 = {(0, y), y ∈ R}. (Resp. T (x, y) = (x, 2x + 3y))
(Resp. a)2 e 3 , b) não possui autovalores reais. Investigue o motivo e observe a forma
T (x, y, z) = (x + y + z, 2y + z, 2y + 3z)
T (x, y, z) = (x, −2x + 3y − z, −4y + 3z)
Continuidade
na me âni a omputa ional. Este on eito é intuitivo quando pensamos em função (geralmente
este on eito é dis utido nos ursos de Cál ulo I), e pode ser fa ilmente estendido para o nosso
Seja f : X → Y. Esta função é dita contı́nua em x0 ∈ X se para ada ǫ>0 existe δ>0 tal
que
onde
|x0 − x| < δ
ou seja, se nos deslo armos um valor δ no entorno do ponto x0 , então o valor da função não
Continuidade de um Operador:
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.
91
92 CAPÍTULO 9. CONTINUIDADE
Operador Limitado:
kT ukV ≤ M kukU , ∀u ∈ U
e, se o operador for linear, então ser ontínuo e ser limitado signi am a mesma oisa.
Como prova, onsideramos dois elementos de um espaço linear, u1 e u2 . Assim, por ser linear,
o operador admite
1
kT uk2 = (u1 + u2 )2 + (u2 − u3 )2 + u23 2
1
kuk2 = u21 + u22 + u23 2 .
tal que
12 1
(u1 + u2 )2 + (u2 − u3 )2 + u23 ≤ 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 .
Seja V um espaço linear normado e {φk }, k = 1..n um onjunto de bases de V. Então, ada
|αi | ≤ M kuk
ou seja, ada omponente do vetor é menor ou igual a uma onstante multipli ada pela norma
do vetor.
Exemplo: Seja V ∈ RN e seu onjunto de base anni a {êi }. Neste aso, temos que
Sequên ias
podem ser somadas termo a termo e até multipli adas termo a termo.
Sequên
ias são utilizadas para des
rever o
omportamento de funções a medida que o índi
e k
(
ontador) aumenta (
on
eito de limite). Assim:
Seja uma sequên
ia S = (xk ). Dizemos que x ∈ RN é limite de S se para todo ǫ > 0 existe
K∈N tal que kx − xK k < ǫ para todo k > K . A notação para este
omportamento é xk → x
ou,
x = lim xk
k→∞
Se uma sequên ia S = (xk ) possui limite, então é dita onvergente. Do ontrário, é dita
divergente.
1
Exemplo: Considere a sequên
ia S = k
. Esta sequên
ia tem limite em 0 e, portanto, é
onvergente.
95
96 CAPÍTULO 10. SEQUÊNCIAS
Sequên ia Limitada:
Seja uma sequên ia S. Esta é dita limitada se existe um número real M tal que
kxk k ≤ M, ∀k ∈ N.
Tivemos o uidado de denir os on eitos a ima para o RN , de modo que quem mais
laros em um primeiro momento. Mas omo temos visto neste texto, todas as denições são
lim fn (u) = f0
n→∞
1
Exemplo: Seja uma sequên
ia denida por fn (n) = n
(ou seja, 1/1, 1/2, 1/3....). Vamos mostrar
1
− 0 < ǫ
n
1
e vamos sele
ionar um n>M = ǫ
, que
hamaremos de ǫ+ . Neste
aso, a sua inversa será ǫ− ,
tal que
−
ǫ < ǫ.
Convergên ia de um operador:
Uma sequên
ia de Operadores {Tn } é dita unif ormemente convergente para T0 em um domínio
Ω se, para
ada ǫ>0 existe N > 0, dependente de ǫ mas não de u, tal que
lim Tn (u) = T0
n→∞
onvergên ia fra a. A onvergên ia de uma sequên ia foi denida de a ordo om uma norma,
que indi a que a distân ia entre o limite da sequên ia e um valor esta ionário de res e até que
kun − uk < ǫ. No entanto, é possível que un não seja mas um fun ional de un o seja. Neste
Seja uma sequên ia {un } em um espaço de(pré) Hilbert H . Esta sequên ia é dita fra amente
un ⇀ u.
n
Exemplo: A sequên
ia un (x) = sin 2
x x ∈ [0, π] em L2 irá apresentar diversas passagens
por zero ao longo do intervalo, a medida que aumentarmos sua frequên ia (n). No entanto, isto
não signi a que ela irá tender para a FUNÇO zero, que iremos hamar de z(x) = 0, pois
sZ
π n 2
1
< un (x) − z(x), un (x) − z(x) > 2 = sin x − 0 dx
0 2
q
sin(π n)
limn→∞ π − n
√
2
98 CAPÍTULO 10. SEQUÊNCIAS
Z π n
lim < un , v >= lim sin x v(x) dx → 0
n→∞ n→∞ 0 2
un ⇀ 0
A onvergên ia fra a é muito importante, pois omo o nome diz, impli a em uma medida
mais "tolerante"do on eito de onvergên ia. É importante ressaltar que se uma sequên ia
forem arbitrariamente próximos a medida que k aumenta (a medida que a sequên ia se desen-
|xn − xm | < ǫ.
O interessante sobre a sequên ia de Cau hy vem do fato de que toda a sequên ia onvergente
é de Cau hy. Assim, se provarmos que uma sequên ia tem ao menos uma sub sequên ia de
Cau hy, então a ongurada a prova de que a mesma é onvergente. Geralmente esta é a
abordagem utilizada na maioria das provas. Outra ara terísti a interessante sobre sequên ias
de Cau hy vem do fato de que utilizamos esta des rição para analizarmos a onvergên ia de
algoritmos.
3n2 − 2
{xn } =
4n3 + n2 + 3
é fá
il veri
ar que o limite para n → ∞ é zero. No entanto, a denição da sequên
ia de Cau
hy
3m2 − 2 3n 2
− 2 3m2 − 2 3n2 − 2
4m3 + m2 + 3 − 4n3 + n2 + 3 6 4m3 + m2 + 3 + 4n3 + n2 + 3 6 ǫ
3m2 3n2 3 1 1 1 1
+ = + < + 6ǫ
4m3 4n3 4 m n m n
10.2. ESPAÇO COMPLETO 99
3
pois
4
< 1. Assim, se m = n = N, observamos que
1 1 2
+ = 6 ǫ.
N N N
e, assumindo m = n = N,
2 + 2(−1)N 6 ǫ.
log 2ǫ − 1
N=
log(−1)
é
ompleto. Este
on
eito é muito importante, uma vez que está asso
iado a
apa
idade de
1
obtermos efetivamente o limite de uma seqên
ia. Por exemplo: A sequên
ia xn = n
pode ser
denida no intervalo (0, K), onde K é um número positivo maior do que 1. Esta sequên ia é
laramente de Cau hy, mas seu limite onverge para um elemento fora do domínio (espaço).
Outro exemplo lássi o será dis utido no apítulo sobre Séries de Fourier, onde será demonstrado
que uma sequên ia de funções ontínuas pode onvergir para uma função ontínua por partes.
xn 1
x0 = 1, xn+1 = +
2 xn
√
que é formada por números ra
ionais, mais
onverge para 2, que é um número irra
ional. Isto
omprova que o onjunto dos ra ionais não é ompleto, ne essitando assim da denição dos
números irra
ionais, que
ompletam os ra
ionais, formando o Espaço dos Números Reais.
100 CAPÍTULO 10. SEQUÊNCIAS
Capítulo 11
Série de Fourier
Já vimos que espaços vetoriais são a extensão dos on eitos asso iados a um espaço que é
on eitos fundamentais, omo o de função, operadores, norma, produto interno e sequên ias.
Seja um onjunto C 0 , das funções ontínuas, denidas no intervalo [−L, L]. Se este onjunto
for munido das operações binárias bási as denidas anteriormente, então onstitui um espaço
Z L
< u(x), v(x) >= u(x)v(x) dx
−L
e norma Eu
lidiana
1
kuk2 =< u, u > 2 .
Conforme já estudamos, existem diferentes bases para um mesmo espaço. Das diversas normas
dais quais podemos dispor para des rever as funções ontínuas C 0, uma é de interesse espe ial.
n nπx o n nπx o
1
B= ∪ cos ∪ sen , n ∈ N∗
2 L L
e, NESTA BASE ESPECÍFICA, um elemento do espaço C0 é des rito por uma ombinação
linear do tipo
∞ nπx X ∞ nπx
1 X
u = a0 + an cos + bn sin
2 n=1 L n=1
L
onde o somatório vai a innito, pois esta é a ardinalidade da base (a ombinação linear impli a
Os oe ientes da série são obtidos por meio das projeções da função nas direções denidas
101
102 CAPÍTULO 11. SÉRIE DE FOURIER
então
Z
hu, c0 i 2 L u(x)
a0 = = dx
hc0 , c0 i L −L 2
Z
hu, cn i 1 L
an = = u(x)cn (x) dx
hcn , cn i L −L
Z
hu, sn i 1 L
bn = = u(x)sn (x) dx
hsn , sn i L −L
tal que
n X n
1 X kπx kπx
fn (x) = a0 + ak cos + bk sin .
2 k=1 L k=1
L
• se f não for periódi a, então fn onverge para a média dos valores laterais, ie,
f (−L+ + L− )
fn =
2
Estas 3 ondições devem ser observadas para que uma função seja orretamente des rita pela
série de Fourier:
Teorema 7. Condições de Diri
hlet
Uma função f (x), para ser des
rita por uma série de Fourier, deve satisfazer as seguintes
ondições:
R
• A função deve ser absolutamente integrável, ie, |f (x)|dx < ∞, impli
ando que os
oe-
• Não podem existir innitos pontos de máximo e/ou de mínimo. Um exemplo que não
π
atende a este requisito é a função f (x) = sin x
quando x → 0;
Exemplo:
A) Um termo (n=0):
a0 2
R1
Neste
aso, f0 = 2
,
om a0 = (1) −1
x2 12 dx = 2
3
. Portanto, f0 = 13 .
Z
1 1 2 πx 4
a1 = x cos dx = − 2
1 −1 L π
Z 1
1 πx
b1 = x2 sin dx = 0
1 −1 L
tal que
1 4 πx
f1 = − 2 cos
3 π 1
C) n=2
cos (2 π x) 4 cos (π x) 1
f2 = − +
π2 π2 3
D) n=3
E) n = 4
Uma função f (x) em x ∈ [−L, L] é dita par se f (−x) = f (x) e é dita ímpar se f (−x) = −f (x),
∀x ∈ [−L, L].
Assim, pelas propriedades trigonométri
as do seno e do cosseno, observamos que em funções
pares os
oe
ientes bn são zero, enquanto em funções ímpares os
oe
ientes an serão nulos.
104 CAPÍTULO 11. SÉRIE DE FOURIER
Exemplo: A função x2 é par, pois (−x)2 = x2 em todo o intevalo [−1, 1]. Conforme ilustrado
Extensão Periódi a:
Caso uma função seja denida em um intervalo x ∈ [0, L], então é ne
essário estender o domínio
da função para que seja possível apli
ar as equações deduzidas a
ima. Neste
aso, existem duas
possibilidades:
• Extensão Par: (
f (x) x∈ [0, L]
fpar (x) =
f (−x) x ∈ [−L, 0)
• Extensão Ímpar:
• (
f (x) x ∈ [0, L]
fı́mpar (x) =
−f (x) x ∈ [−L, 0)
Exemplo:
Para f (x) = 4x − 3x2 − 2x3 e x ∈ [0, 1], temos as seguintes estensões periódi as:
(
4x − 3x2 − 2x3 x ∈ [0, 1]
fpar (x) =
−4x − 3x2 + 2x3 x ∈ [−1, 0)
105
(
4x − 3x2 − 2x3 x ∈ [0, 1]
fı́mpar (x) =
4x + 3x2 − 2x3 x ∈ [−1, 0)
portanto, temos os seguintes
omportamentos Ilustrados na Figura (11.2).
Z 0 Z 1
2 1 1
a0 = fpar (x) dx + f (x) dx
1 −1 2 0 2
Z 0 nπx Z 1 nπx
an = fpar (x)cos dx + f (x)cos dx
−1 L 0 L
Z 0 nπx Z 1 nπx
bn = fpar (x)sin dx + f (x)sin dx
−1 L 0 L
resultando em f4 (x) =
Exer í ios:
1) Obtenha a série de Fourier para f (x) = x3 e x ∈ [0, 5]. Estude quantos termos são
valores da aproximação em x = 0.
5) A relação entre o operador exponen ial e as funções trigonométri as é bem onhe ida (Fór-
mula de Euler). Desta forma, é possível es rever a base que utilizamos para obter a série de
Fourier utilizando uma notação mais ompa ta. Estude esta base e obtenha as expressões dos
107
Capítulo 12
Nesta segunda parte da matéria iremos apresentar os on eitos bási os de ál ulo numéri o.
Para isto, o leitor deve primeiro entender omo os números são representados internamente
em um omputador, para então ompreender a natureza dos erros de aproximação que são
inerentes a esta representação. De posse destes on eitos bási os, iremos apresentar de forma
simpli ada uma representação para algoritmos para, depois, estudarmos os métodos numéri os
de interesse.
É importante salientar que na norma brasileira a vírgula é utilizada para separar a parte
inteira de um número real da parte fra ionária (1, 23), sendo que o ponto é o separador de milhar.
No entanto, em países de língua inglesa, é o ponto que deve ser utilizado para separar a parte
inteira da parte fra ionária (1.23). Assim, neste texto iremos seguir a norma brasileira, mas o
aso) entenas + dezenas + unidades, sendo que neste aso (base 10) ada uma das posições
pode assumir valores entre [0, 9] (dez possibilidades). Diferentes bases seguem a mesma lógi a,
mas alteram o número valores que podem ser utilizado em ada posição. As bases mais omuns
são
8 0 1 2 3 4 5 6 7
10 0 1 2 3 4 5 6 7 8 9
16 0 1 2 3 4 5 6 7 8 9 A B C D E F
109
110 CAPÍTULO 12. CONCEITOS BÁSICOS DE CÁLCULO NUMÉRICO
e, de forma geral, podemos representar um número por uma expansão polinomial na forma
ou na forma ompa ta
(215)10 = 2 ∗ 102 + 1 ∗ 10 + 5
ou
(0111)2 = 0 ∗ 23 + 1 ∗ 22 + 1 ∗ 21 + 1 ∗ 20 .
110 ⌊2
0 55 ⌊2
1 27 ⌊2
1 13 ⌊2
1 6 ⌊2
0 3 ⌊2
1 1
e, portanto, (110)10 = (1101110)2, ou seja, os restos das divisões irão indi ar os oe ientes
a0 , a1 ....an−1 an na sequên ia em que apare erem. O último valor é o divisor nal. O mesmo
110 ⌊8
6 13 ⌊8
5 1
110 ⌊10
0 11 ⌊10 .
1 1
Xf , tal que Xf = X − Xi . Desta forma, Xf estará sempre na faixa [0, 1) e poderá ser des rito
onde deve-se observar que esta série é onvergente para 1 quando o número de termos tender a
innito, pois
∞
X 1 1 1 1
i
= + + + ... → 1, 0
i=1
2 2 4 8
ou seja, quanto maior o número de bits, maior a pre isão da representação. A forma de onverter
uma par ela fra ionária es rita em base de imal para uma representação em base 2 é o inverso
da parte inteira, pois aqui iremos multipli ar a parte fra ionária por 2. Por exemplo 0, 7 é
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
....
em omputadores, desde que sejam utilizados o número su iente de bits. Uma questão im-
portante é a representação do sinal, que não é ne essária em um número natural. Para isto,
é reservado o bit (posição) mais a esquerda (ou mais signi ativo) da representação binária.
Se este bit for 0 o número é dito positivo e se for 1 o número é dito negativo, pois −10 = 1 e
112 CAPÍTULO 12. CONCEITOS BÁSICOS DE CÁLCULO NUMÉRICO
−11 = −1. Com isto, restam n−1 bits para a representação do número. Por exemplo
e
(10101)2 = −(0101)2 = −11 22 + 20 = −(5)10 .
Assim, se um inteiro for representado
om 8 bits, teremos apenas 7 para representar efetivamente
os valores e um para o sinal. Com isto estaremos trabalhando na faixa ±[127].
Por sua vez, um numero real, também hamado de ponto utuante (oat) , pode ser repre-
sentado de diferentes formas. A mais utilizada é a denida pela norma IEEE 754 (1985, om
onde a Mantissa indi a a parte fra ionária do número 1 (que é subtendido), S indi a o sinal
da Mantissa, Expoente é o expoente da base (neste aso 2) e PESO é um fator que dene o
sinal do expoente. O uso do PESO, embora pareça uma ompli ação desne essária, permite
a e onomia de um bit de sinal para aumentar a pre isão da representação do expoente. Por
exemplo, em pre
isão simples, utilizamos 32bits para des
rever um número. Neste
aso, 1bit
(S) é utilizado para des
rever o sinal da Mantissa, x = 8 bits são utilizados para des
rever
o Expoente e y = 23 bits são utilizados para des
rever a Mantissa. Quando utilizamos 64
bits para representar um número em ponto utuante, então dizemos que a pre
isão é dupla
(double) e, neste aso, ontinuamos utilizando 1 bit para o sinal da Mantissa, x = 11 bits para
Como na pre isão simples utilizamos 8 bits para o expoente, então podemos (idealmente)
obter valores na faixa (00000000)2 = (0)10 e (11111111)2 = (255) que são todos positivos. Neste
aso, o valor P ESO denido na norma é 127, pois se Expoente=(00000000)2, então estaremos
trabalhando
om 20−127 = 2−127 Expoente = (11111111)2 = (255) então 2255−127 = 2128 .
e se
Da mesma forma, em pre isão dupla, teremos um P ESO = 1023. No entanto, a norma reservou
os valores extremos da faixa para representação de números espe iais e, portanto, temos um
limite real de 1 ≤ Expoente ≤ 254 o que nos leva aos extremos −126 e 127 para o expoente
efetivo.
A Mantissa representa a parte fra ionária a direita do 1 e, portanto, segue a notação apre-
1 01001011 10100101101100011101011
representa o de imal
om Expoente
Expoente = 20 + 21 + 23 + 26 = 75
e Mantissa
Mantissa = 2−1 + 2−3 + 2−6 + 2−8 + 2−9 + 2−11 + 2−12 + 2−16 + 2−17 + 2−18 + 2−20 + 2−22 + 2−23
Assim, qualquer número real terá um limite de representação que depende da pre isão utili-
zada. Em pre isão simples observamos que o maior número que pode ser representado (em
número que pode ser representado será 1, 0 ∗ 2−126 = 1.175494350822287 ∗ 10−38 . Assim, se
−1.175494350822287 ∗ 10−38 < x < 1.175494350822287 ∗ 10−38 , então x será
onsiderado
omo
0, 0 (underow).
• m = max(|x| , |y|);
• n = min(|x| , |y|);
• r = n/m;
• h = m ∗ sqrt(1 + r ∗ r).
Por exemplo, seDMAX é o maior número que pode ser representado na base de x e y e
x = y = 0, 5DMAX , então o
ál
ulo direto resulta em overow, embora o resultado da operação
√
seja 0, 5DMAX (obtido
om o
ál
ulo alternativo).
número que se for somado a unidade não será per eptivel (não altera o valor da operação). Para
entendermos melhor este
omportamento, vamos lembrar que em pre
isão simples o número 1, 0
é representado por o por
ou seja, mudamos o bit menos signi ativo da Mantissa. No entanto, devemos onsiderar um
número menor do que este, para que seja imper eptivel. Desta forma, a denição da norma é
1
ǫm = ∗ 2−y
2
tal que
f l(x) − x
≤ ǫm
x
1.1 ∗ 10−16 . Este on eito é de fundamental importân ia, devendo ser sempre uidadosamente
veri
ado. Por exemplo, ao aproximarmos a derivada de uma função em torno de um ponto x,
podemos utilizar
df (x) f (x + δ) − f (x)
⋍
dx δ
e esta derivada irá retornar zero se δ < ǫm , pois a subtração não fará sentido (x + ǫ = x).
são +∞, −∞, NaN (not a number) e ±0, pois se isto ainda não ou laro, a mantissa dene
somente a parte fra ionária, sendo que o número 0,0 não pode ser obtido diretamente na repre-
1 1
Assim, temos que = ∞, = −∞, log(0) = −∞ e log(x) = NaN, x < 0 (em teoria,
+0 −0
pois isto depende do
ompilador). Por denição da norma, as operações que denem NaN
são: 0 ∗ ∞, 0/0, ∞/∞, ∞ + (−∞), resto das operações x/0 e ∞/x e raiz de um número real
a ura y ) ou exatidão.
Pre
isão refere-se ao quão próximo um número representado pelo
omputador representa
o número que ele ambi
iona representar. A pre
isão de um número é governada pelo número
representar. A a urá ia é governada pelos erros (de trun amento e arredondamento) do método
em oat ou em double).
Da mesma forma, um on eito importante é o de quantos dígitos são realmente signi ativos
na representação de imal que desejamos obter. Este número é dado pela equação
p = 1 + (y − 1) × log(2)
ou 16 dígitos.
Da mesma forma, se tivermos um número x e sua representação por ponto utuante f l(x),
podemos veri
ar o número de dígitos signi
ativos da representação na base 10, utilizando a
relação
x − f l(x) 1 1−n
≤ 10
x 2
1
onde n é o maior valor que satisfaz esta equação. Por exemplo,
3
= 0, 333333333...... será
116 CAPÍTULO 12. CONCEITOS BÁSICOS DE CÁLCULO NUMÉRICO
1
− 0, 33334 1
3
1 ≤ 101−n
3
2
é satisfeita para n = 5.
iremos sempre ter um erro de representação em ada um dos números, ausado pela impre isão
na representação binária. Outra fonte de erros está na própria natureza dos algoritmos numé-
ri os iterativos ou até mesmo na entrada dos dados de um problema. De forma geral, podemos
denir os valores exatos de uma dada sequên ia de operações matemáti as omo x e y e seus
valores numéri os omo x̃ e ỹ. Assim, podemos denir os erros absolutos nestes valores omo:
Ex = x − x̃
Ey = y − ỹ
onde para simpli
ar a notação assumimos que x e y são maiores do que os valores aproximados.
Assim, teremos que x = Ex + x̃ e y = Ey + ỹ e, se estes valores forem utilizados para realizarmos
outros
ál
ulos, podemos agora estimar a propagação destes erros absolutos pois:
• Erro absoluto na soma Ex+y = Ex +Ey pois x+y = (Ex + x̃)+(Ey + ỹ) = (x̃+ ỹ)+(Ex +Ey )
• Erro absoluto na multipli
ação Ex∗y = x̃Ey + ỹEx , pois x ∗ y = (Ex + x̃) ∗ (Ey + ỹ) =
Ex Ey + Ex ỹ + Ey x̃ (o primeiro termo é de segunda ordem)
Ex x̃Ey
• Erro absoluto na divisão Ex/y = ỹ
− ỹ
2 pois
x (Ex + x̃) (Ex + x̃) (E + x̃) Ey Ey2 Ey3
= = = x 1− + 2 − 3 + ....
y (Ey + ỹ) E
ỹ 1 + ỹy ỹ ỹ ỹ ỹ
e,
omo Ey é pequeno, podemos abandonar os termos de alta ordem (potèn
ias de Ey ) tal
12.7. PROPAGAÇO DE ERROS 117
que
x (Ex + x̃) Ey (Ex + x̃) (Ex + x̃)Ey Ex x̃ Ex Ey x̃Ey
= 1− = − 2
= + − − 2
y ỹ ỹ ỹ ỹ ỹ ỹ ỹ 2 ỹ
De posse dos erros absolutos e denindo erro relativo omo erro absoluto sobre valor aproximado
x̃ Ex ỹ Ey
• Erro relativo na soma:
x̃+ỹ x̃
+ x̃+ỹ ỹ
x̃ Ex ỹ Ey
• Erro relativo na diferença:
x̃−ỹ x̃
− x̃−ỹ ỹ
Ex Ey
• Erro relativo na multipli
ação:
x̃
+ ỹ
Ex Ey
• Erro relativo na divisão:
x̃
− ỹ
.
Ex = 100 − 99.999999
Ey = 50 − 49.999995
que devem ser omparados diretamente aos valores aproximados que seriam obtidos sem a
sendo que o erro relativo permite uma avaliação mais pre isa da severidade dos erros asso iados
mais lenta do que o visto aqui, pois utilizam um dígito de guarda (denido pela norma),
além do fato de que os erros om sinais ontrários tendem a se ompensar de forma aleatória.
12.8 Di
as Importantes
Como as operações
om ponto utuante estão sujeitas a erros, nun
a devemos utilizar a
om-
paração direta entre valores (se x = y ), pois para o omputador os números só serão iguais se
todos os bits forem iguais. Desta forma, o orreto é avaliar se a distân ia entre os números
omputadores, esta asso
iatividade pode não se veri
ar. Por exemplo, se x = 1030 , y = −1030
e z = 1, então (x + y) + z = 1 e x + (y + z) = 0. Isto pode ser observado no software Maxima:
Um dos objetivos deste estudo é des rever o omportamento de algoritmos, isto é, uma sequên ia
de operações bem denidas e não ambiguas, ada qual podendo ser exe utada em um tempo
nito. Para isto, iremos denir neste apítulo uma pseudo-linguagem que irá nos ajudar a
des rever os passos ne essários para a implementação da sequên ia de operações asso iada a
• Variáveis: a, b,
• Atribuição de valor: a ← 10
• Texto: "Texto"
...
Senão então
<
omandos n>
Fim (Se)
119
120 CAPÍTULO 13. DESCRIÇO BÁSICA DE UM ALGORITMO
Fim (Para)
Fim (Enquanto)
Repetir
<
omandos >
• Sub-Rotinas:
Retorna <variaveis>
Fim da Rotina
13.1. EXEMPLOS 121
13.1 Exemplos
v a l o r <− 2 ∗ x ∗∗ 2 − 2∗ x + 2
Retorna v a l o r
Fim Rotina P o l i n o m i o
Ler N
SOMA <− 0 . 0
i <− i + 1
Fim Para
Es
rever " Media = " , SOMA/N
Ler N
SOMA <− 0 . 0
i <− 1
Ler V
SOMA <− SOMA + V
Fim Para
Es
rever " Media = " , SOMA/N
v a l o r = 2 ∗ x ∗∗ 2 − 2∗ x + 2
return valor
endfun tion
SOMA = 0
for i =1:N
SOMA = SOMA + V
end
media = SOMA/N
endfun
tion
Capítulo 14
Raízes de Equações
Dada uma equação de uma variável f (x) = 0
hamamos de raíz o valor (ou valores) de x
que satisfazem esta equação, onde as funções podem ser algébri
as se são denidas em termos
de operações bási as ou fundamentais, tais omo soma, multipli ação, subtração, divisão, raiz
quadrada, et
...) ou trans
endentes se são denidas a partir de outras funções,
omo por
x
exemplo e . Existem diversos métodos para determinação de raizes, sendo que iremos abordar
os mais utilizados.
Se os valores da função em a e b tiverem sinal diferentes, então om erteza a função passa pelo
zero pelo menos uma vez (ao menos uma raiz no intervalo [a, b] ) e podemos então reduzir o
intervalo, até que obtenhamos uma estimativa a
eitável para o ponto x = α, onde f (α) = 0. A
lógi
a deste método é extremamente simples e robusta, pois ini
iamos
om um intervalo [a, b]
om o algoritmo 1.
É interessante notarmos que a ada iteração, o intervalo será dividido por 2. Assm, em uma
iteração n
I0
|In − I1 | ≤
2n
Este método é uma modi ação do método da Biseção, onde ao invéz de utilizamos o ponto
médio do intervalo utilizamos a interseção de uma reta que une a e b om o eixo x. A equação
desta reta é
f (b) − f (a)
f (c) = 0 = f (a) + (c − a)
b−a
123
124 CAPÍTULO 14. RAÍZES DE EQUAÇÕES
e, isolando o c
(b − a)f (a)
c=a−
f (b) − f (a)
ou, de modo a minimizar error numéri
os
(b − a) ff (a)
(b)
c=a− h i .
1 − ff (a)
(b)
Considere uma função f (x) ontínua e diferen iável. No entorno de um ponto xn , podemos
onde O representa os termos de alta ordem. Se xn+1 for um ponto de passagem por zero, isto
é, f (xn+1 ) = 0, então
f (xn )
xn+1 = xn − (14.1)
f ′ (xn )
que dá uma estimativa para um ponto
ada vez mais próximo da raiz verdadeira e próxima de
xn . O interessante sobre este método, é que se a função e suas derivadas satiszerem algumas
isto, voltamos a série de Taylor, mas agora retendo os termos de segunda ordem
1
f (α) = f (xn ) + f ′ (xn ) ∗ (α − xn ) + f ′′ (xn ) ∗ (α − xn )2
2
1
0 = f (xn ) + f ′ (xn ) ∗ (α − xn ) + f ′′ (xn ) ∗ (α − xn )2
2
f ′′ (xn )
α − xn+1 =− ′ (α − xn )2
2f (xn )
126 CAPÍTULO 14. RAÍZES DE EQUAÇÕES
tal que se onsiderarmos os módulos dos dois lados desta Eq, obteremos
ǫn+1 ≤ Mǫ2n
′′
f (xn )
onde ǫn+1 = |α − xn+1 |, ǫn = |α − xn | M = − 2f
e ′ (x ) . Assim, de a
ordo
om o que vimos
n
′
na primeira parte da matéria, o intervalo ǫn+1 é limitado poe um fator M , que será nito se f
for diferente de zero e se f for limitado. Podemos ver ainda que o algoritmos onverge para
da derivada. Para evitar este
ál
ulo, podemos utilizar uma aproximação por diferenças nitas,
128 CAPÍTULO 14. RAÍZES DE EQUAÇÕES
na forma
f (xn ) − f (xn−1 )
f ′ (xn ) ≃
xn − xn−1
de tal forma que a Eq. (14.1) pode ser es
rita
omo
e, portanto, devemos ini iar o método om dois pontos, ao invés do método de Newton-Raphson
que ne essita de apenas um ponto. Uma outra interpretação para esta abordagem onsiste em
f (xn ) − f (xn−1 )
f (xn+1 ) = f (xn ) + (xn+1 − xn )
xn − xn−1
e, assumindo que xn+1 é uma estimativa de raiz, tal que f (xn+1 ) = 0, obtemos novamente a
Eq. (14.2).
É interessante omentar que o método, por utilizar uma aproximação da derivada, tem taxa
de onvergên ia igual a razão áurea, 1, 618. A prova deste resultado, bem omo uma dis ussão
bem ompleta sobre o pro edimento dis utido na dedução da taxa de onvergên ia de Newton-
Raphson pode ser obtida no artigo "A note on the Convergen e of the Se ant Methods for Sim-
ple and Multiple Roots", de P. Díez (Applied Mathemati s Letters, 16(2003), pp. 1211-1215).
Iteração a b b−a
0 2.000000e-01 1.000000e+00 8.000000e-01
Iteração a b ck − ck−1
0 2.000000e-01 1.000000e+00 2.966355e-01
Iteração x xk − xk−1
0 2.000000e-01
1 8.507771e-01 6.507771e-01
2 7.415302e-01 1.092469e-01
3 7.390864e-01 2.443744e-03
4 7.390851e-01 1.316662e-06
5 7.390851e-01 3.828049e-13
Tarefas :
1) Obtenha as raízes da função f (x) = sin(πx), x ∈ [−π, π] para uma tolerân
ia de 1 ∗ 10−4
e um número máximo de 6 iterações, utilizado Regula-Falsi, Newton-Raphson e Método da
Se ante. Para isto, des reva em detalhes todas as etapas do ál ulo e solu ione passo a passo;
2) A equação x3 − 2x2 − 11x + 12 tem omo raízes −3, 1 e 4. O interessante é que pequenas
diferenças nos pontos ini iais podem fazer om que o método de Newton-Raphson tenda para
Do ponto de vista de programação, uma matriz é uma estrutura de dados que ontém uma série
de valores. Existem diversas formas de armazenar uma matriz, sendo que nesta primeira parte
do texto iremos tratar de armazenamento denso, onde todas as posições são armazenadas em
a11 ... a1n
. . .
A[m×n] = Aij = .. .. ..
am1 ... amn
sendo que, dependendo do padrão omo os valores se distribuem no interior da matriz, adotamos
• Matriz Tridiagonal: Apenas a diagonal prin ipal e as diagonais a ima e abaixo da prin ipal
• Matriz Pentadiagonal: Apenas a diagonal prin ipal e duas diagonais a ima e abaixo da
No que segue, iremos apresentar os algoritmos bási os para operações om matrizes retangulares
131
132 CAPÍTULO 15. OPERAÇÕES BÁSICAS COM MATRIZES
e ∈ R, na forma
e ∗ a11 ... e ∗ a1n
. . .
e∗A[m×n] = .. .. ..
e ∗ am1 ... e ∗ amn
e o algoritmo referente a esta operação é ilustrado na listagem (5).
número de linhas e olunas. Neste aso, o resultado é uma matriz de mesmas dimensões das
a11 + b11 ... a1n + b1n
. . .
C[m×n] = A[m×n] + B[m×n] = .. .. ..
am1 + bm1 ... amn + bmn
AT = (aij )T = aji
olunas da matriz for igual ao número de linhas do vetor e resulta em um vetor
oluna
om m
linhas. A operação é denida por
P
n
a11 ... a1n v1 j=1 a1j vj
.. .. ..
. ..
A[m×n] v[n] = . . .
.. = .
.
Pn
am1 ... amn vn j=1 amj vj
n
X
< u, v >= ui vi
i=1
olunas da matriz A for igual ao número de linhas da matriz B. Esta operação resulta em uma
P Pn
n
a11 ... a1n b11 ... b1o j=1 a1j bj1 ... j=1 a1j bjo
. . .
. . .
. . .
A[m×n] B[n×o] = .. .. .. .. .. .. = .. .. .. .
Pn Pn
am1 ... amn bn1 ... bno j=1 amj bj1 ... j=1 amj bjo
n
! p1
X
kxkp = xpi
i=1
n
X
tr(A) = Aii
i=1
seja, o número de operações que são ne
essárias para realizar a tarefa, dada as dimensões das
15.9. COMPLEXIDADE DE UM ALGORITMO 139
matrizes e vetores envolvidos. Desta forma, diz-se que um algoritmo tem
omplexidade O(n),
por exemplo, quando depende linearmente do número de dimensões de um vetor. Para os
• Multipli ação de es alar por matriz: O(m ∗ n), operações de multipli ação;
• Multipli ação de uma matriz por um vetor: O(m ∗ n), operações de soma e de multipli-
ação;
• Multipli ação de duas matrizes A[m×n} e B[n×o] :O(m ∗ o ∗ n), operações de soma e de
multipli ação;
Outra informação importante está asso iada ao erro propagado em ada uma destas operações,
sendo que
om isto podemos ter uma noção da a
urá
ia esperada na resposta.
140 CAPÍTULO 15. OPERAÇÕES BÁSICAS COM MATRIZES
Capítulo 16
Quadrada
Um on eito fundamental para o estudo dos algoritmos bási os de álgebra linear está asso iado
uma matriz quadrada A[n×n] , de estrutura geral, em uma matriz triangular superior, isto é,
om termos não nulos armazenados somente da diagonal superior para ima . Este pro e-
dimento é utilizado em diversos algoritmos que servem de base para a solução de sistemas de
equações lineares e ál ulos de determinantes, além de prover fundamentos para apli ações mais
omplexas. Devido a este fato, iremos abordar a triangularização omo um tópi o separado,
• Li = Li /aii ;
• Lk = Lk − aki Li , k = i + 1..n
Exemplo:
2 4 1
A = 3 1 −1
1 1 1
i=1:
1
L1 = [ 2 4 1 ] = [ 1 2 0, 5 ]
2
L2 = [ 3 1 −1 ] − 3 ∗ [ 1 2 0, 5 ] = [ 0 −5 −2, 5 ]
L3 = [ 1 1 1 ] − 1 ∗ [ 1 2 0, 5 ] = [ 0 −1 0, 5 ]
141
142 CAPÍTULO 16. TRIANGULARIZAÇO DE UMA MATRIZ QUADRADA
1 2 0, 5
A1 = 0 −5 −2, 5
0 −1 0, 5
e observamos que toda a oluna abaixo da primeira posição diagonal foi zerada. Partindo agora
da segunda linha,
1
L2 = [ 0 −5 −2, 5 ] = [ 0 1 0, 5 ]
−5
L3 = [ 0 −1 0, 5 ] − (−1) ∗ [ 0 1 0, 5 ] = [ 0 0 1 ]
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 não pode ser apli
ado se a matriz possui algum
zero em sua diagonal, pois neste aso a etapa 1, onde dividimos a linha pelo valor da diagonal
não será denido. Isto pode ser fa ilmente visualizado no seguinte exemplo:
1 2 2
A= 3 6 1
2 6 −1
na diagonal, pois
1
L1 = [ 1 2 2 ]=[ 1 2 2 ]
1
L2 = [ 3 6 1 ] − 3 ∗ [ 1 2 2 ] = [ 0 0 −5 ]
L3 = [ 2 6 −1 ] − 2 ∗ [ 1 2 2 ] = [ 0 2 −5 ]
resultando em
1 2 2
A1 = 0 0 −5
0 2 −5
16.1. MÉTODO DE GAUSS 143
de tal forma que na próxima etapa teremos uma divisão por zero. Uma alternativa onsiste em
1
L2 = [ 0 2 −5 ] = [ 0 1 − 25 ]
2
L3 = [ 0 0 −5 ] − 0 ∗ [ 0 1 − 52 ] = [ 0 0 −5 ]
resultado em
1 2 2
A2 = 0 1 − 25
0 0 −5
e
1 2 2
A3 = 0 1 − 25
0 0 1
se dividirmos a ultima linha por −5. (não seria ne
essário, mas
om isto obtemos uma diagonal
unitária), obtemos uma matriz que é triangular superior. Uma outra maneira de evitarmos estes
que as maiores posições de ada oluna quem nas posições diagonais. No exemplo
1 2 2
A= 3 6 1
2 6 −1
e veri
amos que a21> a31 > a11 , portanto tro
amos as posições da linha 1
om a linha 2, obtendo
3 6 1
A= 1 2 2
2 6 −1
e por m veri amos que a32 > a22 , portanto tro amos as linhas 2 e 3, obtendo
3 6 1
A = 2 6 −1
1 2 2
144 CAPÍTULO 16. TRIANGULARIZAÇO DE UMA MATRIZ QUADRADA
e agora, podemos veri ar que os maiores valores de ada oluna estão na diagonal prin ipal.
Este pro edimento faz om que a matriz possa ser triangularizada sem problemas. Assim,
1
L1 = [ 3 6 1 ] = [ 1 2 13 ]
3
L2 = [ 2 6 −1 ] − 2 ∗ [ 1 2 13 ] = [ 0 2 − 35 ]
1 5
L3 = [ 1 2 2 ] − 1 ∗ [ 1 2 3
]=[ 0 0 3
]
resultado em
1 2 13
A = 0 2 − 35
0 0 53
que já é diagonal. Continuando
om o algoritmo
1
L2 = [ 0 2 − 53 ] = [ 0 1 − 56 ]
2
L3 = [ 0 0 35 ] − 0 ∗ [ 0 1 − 65 ] = [ 0 0 5
3
]
e, nalmente,
3 5
L3 = [ 0 0 3
]=[ 0 0 1 ]
5
1
1 2 3
A = 0 1 − 65
0 0 1
Deve-se salientar que o pivotamento global, realizado antes do pro edimento de triangulari-
zação, é desejável numeri amente. Isto se deve ao fato de as vezes podermos ter números muito
pequenos na diagonal prin ipal, que mesmo se não resultarem em divisão por zero poderão
a arretar grandes erros numéri os. Desta forma, o pivotamento deixa a matriz em uma forma
n
Y
p
det(A) = (−1) Fi
i=1
onde Fi são os fatores utilizados para normalizar ada linha Li no pro edimento de triangu-
larização e p é o número de pivotamentos realizados. Como exemplo, veri
amos que, para a
16.3. SOLUÇO DE UM SISTEMA DE EQUAÇÕES LINEARES 145
matriz
2 4 1
A = 3 1 −1
1 1 1
não realizamos pivotamento e p = 0, F1 = 2 e F2 = −5 tal que
e, para a matriz
1 2 2
A= 3 6 1
2 6 −1
5
om pivotamento prévio, p = 2, F1 = 3 , F2 = 2 e F3 = 3
, tal qe
2 5
det(A) = (−1) 2∗2∗ = 10.
3
A[n×n]x[n] = b[n]
onde A é uma matriz quadrada de oe ientes om determinante não nulo, b é um vetor om
termos onhe idos e x é um vetor de in ógnitas. Embora analiti amente possamos es rever a
x = A−1 b
isto não é viável do ponto de vista numéri o, uma vez que a operação de inversão tem omple-
xidade extremamente alta. Uma abordagem onsiste em triangularizar a matriz de oe ientes
de tal forma que a ultima linha deste sistema de equações tenha a forma ānn ∗ xn = b̄n , uja
solução é xn = b̄n /ān = b̄n (pois normalizamos todos os termos das diagonais). Da mesma
forma, a penultima linha será ān−1,n−1 xn−1 + ān−1,n xn = b̄n−1 , mas
omo já temos xn então o
esso de triangularização, o que torna a divisão desne essária na equação anterior. Assim, para
• Li = Li /aii e bi = bi /aii ;
e, após a triangularização, pro edemos om o pro esso onhe ido omo retrosubstituição, tal
que
i−1
X
xi = b̄i − āik xk , i = n..1
k=n
onde deve-se observar que o ontador i ini ia em n e de rementa até 1 (por isto hamamos de
retrosustituição).
no Algoritmo (13).
ponto de vista omputa ional. No entanto, da denição da inversa de uma matriz que
AA−1 = I
que pode ser visto omo a solução simultânea de n sistemas de equações lineares om a forma
Axi = 1i
de equação. 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 é ilustrado
no Algoritmo (14).
16.3. SOLUÇO DE UM SISTEMA DE EQUAÇÕES LINEARES 147
De omposição LU
Na solução do sistema de equações A[n×n]x[n] = b[n] , podemos re-es rever a matriz Ana forma
A = LU (17.1)
onde L é uma matriz triangular inferior e U uma matriz triangular superior om diagonal
unitária (por denição). Os termos de Le de U são fa ilmente obtidos, uma vez que o número
de in ognitas lij i>j e uij i < j é igual ao número de termos da matriz A. Uma vez realizado
j−1
X
lij = aij − lik ukj i > j
k=1
P
aij − i−1
k=1 lik ukj
uij = i<j
lii
i−1
X
lii = aii − lik uki
k=1
uii = 1
para os termos da diagonal. Uma vez que tenhamos realizado este pro edimento, teremos um
LUx = b. (17.2)
Ux = y (17.3)
tal que
x = U−1 y (17.4)
149
150 CAPÍTULO 17. DECOMPOSIÇO LU
LUU−1 y = b
tal que
Ly = b. (17.5)
O problema denido na Eq. (17.5) pode ser solu ionado por substituição direta, uma vez que
Pi−1
bi − k=1 lik yk
yi = , i = 1..n
lii
e, de posse de y e da Eq. (17.3), podemos nalmente obter x por meio de uma retrosubstituição,
na forma
n
X
xi = yi − uik xk , i = n..1.
k=i+1
se o omputador for apaz de realizar uma operação por mi rosegundo, teremos a solução em
torno de 1000 segundos por Gauss e em torno de 13, 42 segundos por LU. A implementação da
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
2 0 0 1 2 0.5
L = 3 −5 0 U = 0 1 0.5
1 −1 1 0 0 1
e,
omo é de se esperar,
2 0 0 1 2 0.5 2 4 1
3 −5 0 0 1 0.5 = 3 1 −1 .
1 −1 1 0 0 1 1 1 1
151
n
Y
det(A) = det (LU) = lii
i=1
pois os termos da diagonal de U são unitários. Para veri armos, podemos utilizar o resultado
e, do exemplo anterior,
0.5 0 0 1 −2 0.5
L−1 = 0.3 −0.2 0 U−1 = 0
1 −0.5
−0.2 −0.2 1 0 0 1
tal que
1 −2 0.5 0.5 0 0 2 4 1 1 0 0
0 1 −0.5 0.3 −0.2 0 3 1 −1 = 0 1 0 .
0 0 1 −0.2 −0.2 1 1 1 1 0 0 1
No entato, não é vantajoso inverter as matrizes L e U e realizar o produto. Para isto, po-
demos solu ionar uma série de sistemas de equações omo zemos om a eliminação de Gauss,
Método de Cholesky
Quando uma matriz quadrada A[n×n] é simétri a, isto é A = AT , e positivo denida, então é
A = UT U (18.1)
v
u i−1
u X
uii = taii − u2ki
k=1
i−1
!
X
uij= 1 aij − uki ukj
uii
k=1
para os elementos da triangular superior (j > i). Assim, se onsiderarmos a Eq. (18.1) em um
sistema de equações
UT Ux = b (18.2)
Ux = y (18.3)
UT y = b. (18.4)
que podemos armazenar somente a triangular superior da matriz A, o que propor iona uma
grande e onomia de armazenamento. As soluções dos problemas denidos nas Eqs. (18.4) e
155
156 CAPÍTULO 18. MÉTODO DE CHOLESKY
(18.3) são
i−1
!
1 X
yi = bi − uki yk , i = 1..n
uii k=1
e !
n
1 X
xi = yi − uik xk , i = n..1.
uii k=i+1
A de omposição por Cholesky de uma matriz simétri a, sem preo upação om a e iên ia
2 1 1
A= 1 8 1
1 1 10
obtemos
1.4142 0.7071 0.7171
A= 1 2.7386 0.1825
1 1 3.0767
pois alteramos somente a triangular superior, sem modi
ar a triangular inferior.
A = LDLT
j−1
X
2
djj = ajj − ljk dkk
k=1
j−1
!
1 X
lij = aij − lik ljk dkk , i > j.
djj
k=1
Dos algoritmos apresentados nos apítulos anteriores a laro que para solu ionarmos um
sistema de equações pre isamos realizar uma grande quantidade de operações. Em espe ial,
temos divisões pelos termos da diagonal prin ipal, que não podem ser nulos e nem muito
menores do que os demais termos da matriz, para que isto não o asione erros de trun amento
ina eitáveis. Quando uma matriz tem valores de tal forma que a solução numéri a do sistema
não propague erros ina eitáveis, é dita bem ondi ionada, do ontrário, dizemos que a matriz
idealmente
Ax̄ − b = 0
Ax̄ − b = R (19.1)
de tal forma que o erro absoluto da solução pode ser es rito por
E = x − x̄ (19.2)
A (x − E) = R + b
tal que
Ax − AE = R + b
ou
AE = −R − b+b.
AE = −R (19.3)
159
160 CAPÍTULO 19. CONDICIONAMENTO DE UMA MATRIZ
podemos obter os valores dos erros absolutos da solução do sistema de equações (é laro que
isto também impli a em erros adi ionais, pois temos que solu ionar o mesmo sistema). O
interessante é que de posse dos erros absolutos, podemos obter uma nova estimativa para a
solução, podendo assim renar a solução de forma iterativa, por meio da Eq. (19.3). No
entanto, devemos lembrar que a própria estimativa do erro irá onter um erro, de forma que o
entes e seu impa to na solução de um sistema de equações está rela ionada ao número de
C (A) = kAk
A−1
onde as normas devem ser onsistentes, isto é, kAk > 1. Como sabemos que o produto
AA−1 = I
então espera-se que C (A) → C (I) = 1. Desta forma, o maior erro relativo existente na solução
kRk
max(Er ) = C (A) (19.4)
kbk
λmax
C (A) = .
λmin
onde λmax e λmin são os autovalores máximos e mínimos da matriz. No entanto, omo vere-
mos mais a frente, esta denição é ustosa do ponto de vista omputa ional, uma vez que a
1
Hij =
i+j−1
e p 4n
1 + (2)
C (H) = O √
n
19.1. MATRIZES DE HILBERT 161
onde n é a dimensão da matriz. Estas matrizes são extremamente mal ondi ionadas e servem
tal que os autovalores extremos desta matriz são λmax = 1, 5 e λmin = 9, 67 ∗ 10−5e, portanto,
1, 5
C (H) = = 15513, 739 >>>> 1
9, 67 ∗ 10−5
indi ando um mal ondi ionamento. Se avaliarmos o ondi ionamento de a ordo om diferentes
normas, então
C (A) = max (H) max H−1 = 1, 0 ∗ 6480 = 6480
ou
p p
C (A) = diag(HT ) ∗ diag(H) ∗ diag(H−T ) ∗ diag(H−1 ) = 7750, 133.
Sistemas Lineares
Métodos iterativos partem de uma estimativa para x e operam por uma redução sistemáti
a do
erro de solução, até um determinado
ritério de
onvergèn
ia. A grande vantagem na utilização
de tais métodos está em sua e iên ia omputa ional. No que segue, serão mostrados dois
métodos muito utilizados, sendo que existe uma innidade de métodos iterativos disponíveis
na literatura.
" n
#
1 X
x(i)k+1 = b(i) − a(i, j)x(j)k , k ∈ N∗
a(i, i) j=1 j6=i
onde ini iamos om um vetor x0 de modo a obter um vetor x1 e assim su essivamente, até que
kxk+1 − xk k ≤ tol. Existem duas ondições su ientes para a onvegên ia:
n
X
|a(i, i)| ≥ |a(i, j)|j6=i , i = 1..n
j=1
Xn
|a(k, k)| > |a(k, j)|j6=k , k = 1..n
j=1
que na práti a impli a em uma ondição onde o módulo dos elementos da diagonal deve
ser maior ou igual ao somatório módulos dos elementos restantes da linha. O método de
163
164CAPÍTULO 20. MÉTODOS ITERATIVOS PARA A SOLUÇO DE SISTEMAS LINEARES
Uma outra maneira de denir o método de Gauss-Ja obi é rees rever a matriz A em
A = D + (A − D) ,
Dxk+1 = − (A − D) xk + b
ou
G = −D−1 (A − D)
é um operador que representa o método de Gauss-Ja obi. Para que o método não tenha uma
ampli ação ao longo das iterações (o que iria ausar a instabilidade do método), observamos
que o maior autovalor de G deve ser menor ou igual a 1, fato este que é satisfeito se a
ondições
de diagonal dominante for observada.
Exemplo:
Seja
10 1 1 10 0 0 10 1 1 10 0 0
A = 2 7 0 = 0 7 0 + 2 7 0 − 0 7 0
1 1 8 0 0 8 1 1 8 0 0 8
então o operador que des
reve o método de Gauss-Ja
obi é
0 −0.1 −0.1
−1
G = −D (A − D) = −0.2857143 0 0
−0.125 −0.125 0
que tem todos os autovalores menores do que 1. Se b=1 e ini
iarmos o método
om x0 = 1,
então
x1 = −D−1 (A − D) x0 + D−1 b = −0.1 −0.1428571 −0.125 ,
x2 = −D−1 (A − D) x1 + D−1 b = 0.1267857 0.1714286 0.1553571 ,
−1 −1
x3 = −D (A − D) x2 + D b = 0.0673214 0.1066327 0.0877232 ,
x4 = −D−1 (A − D) x3 + D−1 b = 0.0805644 0.1236224 0.1032557 ,
166CAPÍTULO 20. MÉTODOS ITERATIVOS PARA A SOLUÇO DE SISTEMAS LINEARES
x5 = −D−1 (A − D) x4 + D−1 b = 0.0773122 0.1198387 0.0994766
x6 = −D−1 (A − D) x5 + D−1 b = 0.0780685 0.1207679 0.1003561
sendo que mais iterações vão levar a uma melhor a urá ia do resultado.
onde os valores de xk+1 que já foram al ulados são utilizados para omputar os xk+1 restantes.
Assim " #
i−1 n
1 X X
x(i)k+1 = b(i) − a(i, j)x(j)k+1 − a(i, j)x(j)k , k ∈ N∗
a(i, i) j=1 j=i+1
A=D+L+U
triangular a ima da diagonal (não onfundir om as matrizes obtidas por LU). Desta forma, o
(D + L) xk+1 = −Uxk + b,
tal que
xk+1 = Gxk + b̄
onde
G = − (D + L)−1 U
b̄ = − (D + L)−1 b
e, se o operador G tiver seu maior autovalor menor ou igual a um, então não haverá ampli
ação
durante o pro
esso iterativo.
Exemplo:
Seja a matriz
20.2. MÉTODO DE GAUSS-SEIDEL 167
10 1 1 10 0 0 0 0 0 0 1 1
A = 2 7 0 = 0 7 0 + 2 0 0 + 0 0 0
1 1 8 0 0 8 1 1 0 0 0 0
Assim, o operador G é
0 −0.1 −0.1
G = 0 0.0285714 0.0285714
0 0.0089286 0.0089286
om autovalores
λ1 = λ2 = 0 e λ3 = 0.0375,
tal que o método irá
onvergir. De fato, se b = 1, então, ini
iando o algoritmo
om x0 = 1,
teremos
T
x1 = − (D + L)−1 x0 + (D + L)−1 b = −0.1 0.1714286 0.1160714 ,
T
−1 −1
x2 = − (D + L) x1 + (D + L) b = 0.07125 0.1225 0.1007813 ,
T
x3 = − (D + L)−1 x2 + (D + L)−1 b = 0.0776719 0.1206652 0.1002079
T
−1 −1
x4 = − (D + L) x3 + (D + L) b = 0.0776719 0.1206652 0.1002079 ,
que já apresenta onvergên ia até a quarta asa de imal. É imporatnte salientar que as inversões
1
φ(x) = xT Ax − bT x
2
então podemos
onstatar que, se a matriz A for simétri
a e positivo-denida, então existe
somente um ponto de mínimo para a função e este ponto é igual a solução do sistema de
equações Ax = b. Isto pode ser veri ado utilizando a ondição ne essária para o mínimo de
∇φ(x) = Ax − b = 0
20.3. MÉTODO DO GRADIENTE - STEEPEST DESCENT 169
H=A
Exemplo:
!( ) ( )
1 1 x1 1
= .
1 2 x2 1
Neste
aso, observamos que a função φ é
e, do ál ulo, sabemos que o mínimo desta função é obtido quando o gradiente é nulo e a matriz
( )
x1 + x2 − 1
∇φ(x) = ,
x1 + 2x2 − 1
ou seja, Ax − b.
O método do gradiente é basi
amente o método de otimização
onhe
ido
omo steepest
des
ent. Neste método, partimos de um ponto arbitrário x0 e,
omo este ponto não é a solução
∇φ(x0 ) = Ax0 − b = r0 ,
onde r0 é o vetor resíduo ini ial. Do ál ulo, sabemos que o vetor gradiente em um ponto indi a
a direção de maior aumento do valor da função, tal que, para obtermos um valor menor do que
o atual, devemos andar na direção oposta. Desta forma, a estimativa para o próximo ponto
será
x1 = x0 − αr0
1
φ(x1 ) =(x0 − αr0 )T A (x0 − αr0 ) − bT (x0 − αr0 ) .
2
1
Assim, podemos obter o valor ideal de α que minimiza φ(x ) igualando a derivada de φ(x1 ) em
relação a α a zero
que leva a
170CAPÍTULO 20. MÉTODOS ITERATIVOS PARA A SOLUÇO DE SISTEMAS LINEARES
rT r
α= .
rT Ar
Se o ponto x1 for a solução do sistema, então o próximo vetor resíduo será nulo. Do
on-
trário, devemos repetir o pro edimento até que uma determianda tolerân ia seja obtida. O
Exemplo:
T T
r0 = 11 21 , kr0 k = 23.7, x1 = 0.4356399 −0.0774146
T T
r1 = 3.2015702 −1.677013 , kr1 k = 3.6, x2 = 0.1309866 0.0821657
T T
r2 = 0.4741977 0.9052865 , kr2 k = 1.1, x3 = 0.1066577 0.0357195
T T
r3 = 0.1380161 −0.0722942 , kr3 k = 0.1, x4 = 0.0935244 0.0425989
T T
r4 = 0.0204421 0.0390259 , kr4 k = 0.04, x5 = 0.0924757 0.0405966
T T
r5 = 0.0059497 −0.0031165 , kr5 k = 0.007, x6 = 0.0919095 0.0408932 ,
do gradiente. A grande diferença está no fato de utilizarmos uma outra direção diferente do
uT AT v = vT Au = 0.
Assim, a ada iteração do método dos Gradientes Conjugados, utilizamos uma direção que
seja onjugada om a direção anterior de minimização. Isto faz om que o método tenha as
• A solução é obtida em, no máximo, n iterações (devido a erros numéri os, é possível que
Como na primeira iteração não temos duas direções para onjugar, observamos que o método
se torna o método dos gradientes. Após a primeira iteração, impomos a
ondição de que as
20.4. MÉTODO DOS GRADIENTES CONJUGADOS 171
direções de bus a sejam onjugadas. Para evitar a onfusão entre o vetor resíduo de uma
dTk Adk−1 = 0
sendo que a direção de bus a na iteração k é obtida por uma ombinação linear
onde βk−1 é um es alar que dene a ombinação linear. Este termo é obtido diretamente da
resultando em
rTk−1 Adk−1
βk−1 = .
dTk−1 Adk−1
Assim, o próximo ponto será
xk+1 = xk + αk dk
rTk−1dk
αk = − .
dTk Adk
rk = Axk − b → rk = A (xk−1 + αk dk ) − b
tal que
rk = rk−1 + αk Adk .
• rTk rk−1 = 0;
• rTk dk = 0;
• rTk dk−1 = 0;
e
rTk−1 Adk−1 rTk−1 rk−1
βk−1 = T = T .
dk Adk−1 rk−2 rk−2
O pro edimento está ilustrado no algoritmo 22. É importante salientar que este método
é muito utilizado em omputação de alto desempenho, sendo que existem diversas melhorias
matriz de oe ientes. Uma maneira de melhorar o ondi ionamento onsiste em modi ar o
DADx̃ = Db (20.1)
x = D−1 x̃ (20.2)
onde existem diversas possibilidades para a matriz D. A mais simples é utilizar o es
alonamento
√
diagonal, onde a matriz D assume a forma Dii = Aii .
Como exemplo,
onsidere a matriz
1 10 2000
A = 10 25 40 (20.3)
2000 40 9
tal que
1 0 0
D = 0 5 0 (20.4)
0 0 3
1 50 6000
à = DAD = 50 625 600 . (20.5)
6000 600 81
Se al ularmos o ondi ionamento de ambas as matrizes pela razão espe tral, observamos que
λmax
C(A) = = 81, 56 (20.6)
λmin
174CAPÍTULO 20. MÉTODOS ITERATIVOS PARA A SOLUÇO DE SISTEMAS LINEARES
e
λmax
C(Ã) = = 9, 98. (20.7)
λmin
Tarefa: Solu ione um sistema de dimensão n = 10 uja matriz de oe ientes é uma matriz de
Hilbert e o vetor b é um vetor de sua es olha. Utilize todos os métodos de solução do sistema
Os números omplexos, C, são uma extensão dos números reais, tal que R ⊂ C. Se onsiderar-
mos que um polinmio om oe ientes reais pode ter raízes omplexas, podemos entender que
tal que:
(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
!( ) ( )
A −Ac xr br
=
Ac A xc bc
e este sistema pode ser solu ionado por qualquer método apaz de solu ionar um sistema om
177
178 CAPÍTULO 21. SISTEMAS DE EQUAÇÕES LINEARES COMPLEXAS
(3 + 2i)a + (1 − 4i)b = 7 + 5i
(−1 + 2i)a + (10 + 8i)b = 25.
!
3 1
A= ,
−1 10
!
2 −4
Ac = ,
2 8
( )
7
b=
25
e
( )
5
bc = .
0
( )
ar
x=
br
e
( )
ac
xc = .
bc
3 1 −2 4
ar
7
25
−1 10 −2 −8 b
r
2 −4
= ,
3 1
ac
5
2 8 −1 10 bc 0
om solução ar = 5, 266, br = 1, 475, ac = 0, 838 e bc = −2, 149. Veri
ando a primeira equação:
pois (3 + 2i)(5, 266 + 0, 838i) = 14, 122 + 13, 048i e (1 − 4i)(1, 475 − 2, 149i) = −7, 122 − 8, 048i,
resultando em 7 + 5i. Da mesma forma, a segunda equação resulta em:
pois (−1+2i)(5, 266+0, 838i) = −6, 944+9, 695i e (10+8i)(1, 475−2, 149i) = 31, 944−9, 695i.
180 CAPÍTULO 21. SISTEMAS DE EQUAÇÕES LINEARES COMPLEXAS
Capítulo 22
Os pro edimentos apresentados até agora dizem respeito a solução de problemas lineares, ou
seja, é possível obter uma matriz de oe ientes e um vetor que são independentes dos valores
das variáveis x. No entanto, diversos problemas de engenharia são des ritos por equações não-
lineares, de tal forma que é importante entendermos os pro edimentos de solução para esta
lasse de problemas.
f1 (x1 , x2 , ...., xn ) = 0
...
...
f (x , x , ..., x ) = 0
n 1 2 n
onde ada uma das equações pode ser aproximada no entorno de um ponto xk por
n
X ∂fi
fi (x1 , x2 , ..., xn ) ≃ fi (xk1 , xk2 , ..., xkn ) + ∆xj , j = 1..n
j=1
∂xkj
n
X ∂fi
k
∆xj = −fi (xk1 , xk2 , ..., xkn ), j = 1..n
j=1
∂xj
∂f1 ∂f1
... ∆x k
f1 (x )
∂xk1 ∂xkn
1
. .. .
. .
. . . .
. = − . (22.1)
. . .
.
∂fn ∂fn ∆x
f (xk )
∂xk1
... ∂xkn n
n
JY = B
181
182 CAPÍTULO 22. SOLUÇO DE SISTEMAS NO-LINEARES
onde a matriz é onhe ida omo matriz Ja obiana do sistema. Assim, de posse de uma estima-
xk+1 = xk + Y k
até que kYk < tol. Esta é a extensão do Método de Newton-Raphson para multiplas variáveis,
x1 + 2x2 + x3 + 4x4 − 20, 7 = 0
x2 + 2x x + x3 − 15, 88 = 0
1 1 2 4
3 3
x1 + x3 + x4 − 21, 218 = 0
3x2 + x3 x4 − 21, 11 = 0
temos que
1 2 1 4
2x2 + 2x1 2x1 0 3x24
J=
3x21 0 3x23 1
0 3 x4 x3
e, partindo do ponto x0 = 1, temos
1 2 1 4
12.7
4 2 0 3 0
Y = 11.88
3 0 3 1 18.218
0 3 1 1 17.11
tal que
1
1.23285
2.23285
1
5.19175
4.19175
x1 = + =
1
5.00045
6.00045
1
−0.4819 0.52001
e, na segunda iteração, teremos
1 2 1 4
2.6645 ∗ 10−15
−12.44379
14.8533 4.4663 0 0.81151
Y0 = .
14.9613 0 107.9802 1 −206.3798
0 3 0.520099 5.99945 2.39923
Autovetores
Ax = λx (23.1)
[A − λI] x = 0 (23.2)
det (A − λI) = 0
que terá n raizes (autovalores). De posse dos autovalores, podemos obter o autovalor xi asso-
iado a um autovalor λi por meio da solução do sistema de equações homogêneas e Eq. (23.2).
módulo é maior do que os demais, então existe um vetor x0 não nulo tal que a sequên
ia {x}k
denida por
ou
xk = Ak x0
183
184CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
tende ao autovetor asso iado ao autovalor dominante. Para veri armos este omportamento,
primeiro veri
amos que x0 pode ser es
rito por meio de uma
ombinação linear dos autovetores
de A n
X
x0 = ci vi .
i=1
ou, olo ando o autovalor dominante λk1 em evidèn ia, podemos re-es rever esta equação omo
n k
k
X λi
A x0 = λki ci vi
i=1
λ1
λi
onde
a
laro que as frações
λ1
om i > 1 são menores do que 1 e que ao in
rementarmos
o ontador k, estes valores serão termos de ordem superior. Com isto, para k su ientemente
Ak x0 → c1 λk1 v1 .
Outra informação interessante que podemos veri ar é que uma vez que
xk+1 = Axk
e xk+1 tende a um autovetor dominante, entãoo Axk tende a λ1 xk , de tal forma que
kxk+1 k
→ λ1
kxk k
10 1 2 3
−1 20 2 1
A=
2 3 30 1
1 2 3 40
23.1. MÉTODO DA POTÊNCIA 185
h i
xT1 = 16 22 36 46
h i
xT1 = 392 542 1224 2008
....
h i
xT19 = ∗ 1029
5.7101 2.9656 7.0122 52.5745
h i
xT20 = 9.4118 4.8743 11.4576 86.7484 ∗ 1032
h i
v1T = 0.1067813 0.0553020 0.1299917 0.9841959
que é muito próximo ao autovetor asso iado ao maior autovalor desta matriz. O autovalor pode
vT Av = λ1
o que é esperado, uma vez que o autovetor diagonaliza a matriz (neste aso, somente na posição
matriz são transladados por uma magnitude c por meio de uma operação ( shift ) na forma
A − cI
h i
v2T = 0.9854277 0.1224214 −0.1143751 −0.0293873
que é o menor autovalor da matriz A. Assim, podemos restringir o algoritmo de forma su essiva
ao espaço nulo (nú
leo) dos autovetores já obtidos, de modo a obter os demais autovalores. Na
186CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
práti a, esta abordagem não é muito e iente. Este método é ilustrado no Alg.(23).
oe ientes. Com isto, iremos obter o autovetor asso iado ao menor autovalor. Assim
xk = A−k x0
e
kxk+1 k 1
→ .
kxk k λn
Deve-se salientar que não invertemos a matriz, mas solu
ionamos um sistema de equações
na forma
Axk+1 = xk .
10 1 2 3
−1 20 2 1
A=
2 3 30 1
1 2 3 40
h i
Ax1 = 1→ xT1 =
0.0849 0.0511 0.0212 0.0187
h i
Ax2 = x1 → xT2 = 0.008179 0.0029702 −0.0001151 0.0001226
......
h i
Ax19 = x18 → xT19 = 1.11866 0.1384 −0.1296799 −0.0333282 ∗ 10−19
h i
Ax20 = x19 → xT20 = 1.412 1.1411 −0.132292 −0.0339997 ∗ 10−20
h i
v1 = 0.9855 0.1219 −0.1142436 −0.0293611 .
−1
1.412 ∗ 10−20
λmin = = 9.8024.
1.11866 ∗ 10−19
Tarefa: Modi
ar o Alg. (23) para o Método das potên
ias Inversas.
23.1. MÉTODO DA POTÊNCIA 187
Λ = RT AR,
mudança de base pode ser onstruída por uma série de operações de rotação su essivas em
torno de diferentes eixos, om o objetivo de zerar blo os de dimensão 2×2 fora da diagonal.
Desta forma, a ada iteração do método temos uma matriz de rotação na forma
1 0
0 1
..
.
cos(θ) − sin(θ)
Rk = .. .
.
sin(θ) cos(θ)
..
.
1
Se realizarmos a operação
Ak+1 = RTk Ak Rk ,
1 2aij
θ = atan .
2 aii − ajj
Uma es
olha
omum é sele
ionar o termo de maior magnitude fora da diagonal a
ada iteração.
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
Φ = RK RK−1...R1
Exemplo:
Considerando a matriz
4 2 1
A = 2 6 1
1 1 15
veri
amos que o maior número fora da diagonal é 2, na posição i = 1, j = 2. Assim, a matriz
de rotação R1 será
cos(θ1 ) −sin(θ1 ) 0
R1 = sin(θ1 ) cos(θ1 ) 0
0 0 1
om
1 2∗2
θ1 = atan
2 4−6
tal que θ1 = −0.5535744.
Assim, temos que, ao nal da primeira iteração (k = 1),
2.763932 0 0.3249197
A2 = RT1 AR1 =
0 7.236068 1.3763819 .
0.3249197 1.3763819 15
rotação será
1 0 0
R2 = 0 cos(θ2 ) − sin(θ2 )
0 sin(θ2 ) cos(θ2 )
om
1 2 ∗ 1.3763819
θ2 = atan
2 7.236068 − 15
tal que θ2 = −0.1703648 e
−0.0550875 0.3202158
2.763932
A3 = RT2 A2 R2 = −0.0550875 6.9992857
0 .
0.3202158 0 15.236782
Agora, identi
amos que o termo de maior magnitude é 0.3202158 na posição i = 1, j = 3. A
cos(θ1 ) 0 −sin(θ1 )
R3 = 0 1 0
sin(θ1 ) 0 cos(θ1 )
om θ3 = −0.0256505, tal que
2.7557165 −0.0550694 0
A4 = RT3 A3 R3 = −0.0550694 6.9992857 −0.0014129 .
0 −0.0014129 15.244998
cos(θ4 ) −sin(θ4 ) 0
R4 = sin(θ4 ) cos(θ4 ) 0
0 0 1
om θ4 =, resultando em
2.755002 0 −0.0000183
A5 = RT4 A4 R4 =
0 7.0000002 −0.0014127 .
−0.0000183 −0.0014127 15.244998
Neste momento, veri
amos que os termos fora da diagonal já se en
ontram em uma ordem
pelo produto
0.8547356 0.5070736 0.1109213
Φ = R1 R2 R3 R4 = −0.5183361 0.8451319 0.1306897 ,
−0.0274739 −0.1691997 0.9851988
que também mostram uma grande a
urá
ia. Deve-se
omentar que este método utiliza um
23.3 Método QR
O método QR é um dos métodos mais utilizados para
ál
ulo de autovalores e autovetores. Isto
se deve a sua e iên ia quando programado om alguns uidados. Neste método, transformamos
a matriz A na forma
A = QR
23.3. MÉTODO QR 191
Algoritmo 24 Rotina que determina a posição do maior valor em módulo da triangular superior
de uma matriz.
1 #
2 # Rotina En
ontra_Maior_Valor :
3 # Entradas : A : Matriz quadrada e s i m e t r i
a
4 # n : Dimensao do s i s t e m a
5 # Saidas : maxi : Linha
om o maior v a l o r
6 # maxj : Coluna
om o maior v a l o r
7 #
8 #
9 Rotina En
ontra_Maior_Valor (A, n )
10
11 # I n i
i a l i z a as p o s i
o e s
12 maxi <− 0
13 maxj <− 0
14
15 # Maior v a l o r ate o momento
16 maxval <− 0
17
18 # 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
19 Para i de 1 ate n−1 exe
ute
20 Para j de i +1 ate n exe
ute
21
22 # Valor a b s o l u t o da p o s i
a o
23 v = |A( i , j ) |
24
25 # V e r i f i
a s e e s t e e o maior
26 Se v>maxval entao
27 maxval <− v
28 maxi <− i
29 maxj <− j
30 Fim Se
31 Fim Para #j
32 Fim Para #i
33
34 # Retorna os v a l o r e s
35 Retorna maxi , maxj
36
37 Fim Rotina En
ontra_Maior_Valor
192CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
onde Q é uma matriz ortogonal, ie, Q−1 = QT , e R é uma matriz triangular superior. Este
pro esso pode ser realizado por mais de um método, sendo que aqui iremos utilizar o pro edi-
S
hmidt, na forma
k−1
X
uk = ak − projej ak (23.3)
j=1
om
uk
ek = .
kuk k
Desta forma, se
onsiderarmos ak
omo sendo a k − ésima
oluna de A, podemos isolar estes
tal que podemos nalmente veri
ar que a matriz A pode ser de
omposta em uma matriz Q
ujas
olunas são os vetores unitários ek ,k = 1..n e a matriz R será uma matriz triangular
2 4 1
A = 3 1 −1
1 1 1
temos que
h i
uT1 = 2 3 1
h i h i
eT1 = 2 3 1 /3.7416 = 0.5345 0.8017 0.2672
h i h i h i h i
uT3 = −1 1 − < 1 −1 1 , 0.5345 0.8017 0.2672 > 0.5345 0.8017 0.2672
1
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
eT3 = −0.1924 −0.1924 0.9622
194CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
Ak+1 = Qk Rk
onde, se multipli
armos ambos os lados por Qk a direita e depois por Q−1
k a esquerda obteremos
Q−1 −1 −1
k Ak+1 Qk = Qk Qk Rk Qk = Qk Ak Qk
23.3. MÉTODO QR 195
indi ando que as matrizes Ak+1 e Ak são iguais e portanto devem ter os mesmos autovalores.
Ak+1 = Q−1
k Ak Qk
e sendo que após um número su
iente de ortogonalizações iremos obter uma matriz A triangu-
lar superior
ujos elementos da diagonal serão os autovalores. Caso a matriz A seja simétri
a,
então a matriz A será diagonal e a matriz Q
onterá os autovetores. Caso A não seja simétri
a,
então devemos obter os autovetores de interesse por meio da solução do sistema de equações
O pro edimento para o aso de uma matriz simétri a está ilustrado no Alg. (27), em S ilab.
Algoritmo 27 Obtenção dos autovalores e autovetores de uma matriz simétri
a pelo método
QR.
1 //
2 // Rotina QR:
3 // Entradas : A : Matriz quadrada e s i m e t r i
a
4 // n : Dimensao do s i s t e m a
5 // 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 )
6 // A : Matriz d i a g o n a l
om os a u t o v a l o r e s
7 //
8 //
9 fun
tion [ Qt ,A℄ = QR(A, n , n i t e r )
10
11 Qt = eye ( n , n )
12
13 for i =1: n i t e r
14
15 Q = Gram(A, n )
16 A = inv (Q) ∗A∗Q
17 Qt = Qt ∗Q
18
19 end
20
21 endfun
tion
Ax = b
QRx = b
196CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
e, omo Q é ortogonal, então podemos multipli ar ambos os lados por QT , tal que
Rx = QT b
e, nalmente, omo R é triangular superior, podemos solu ionar o sistema por meio de uma
64. −2016 20160 −92400 221760 −288288 192192 −51480
−2016 84672 −952560 4656960 −11642400 15567552 −10594584 2882880
20160
−952560 11430720 −58212000 1.497 × 108 −2.043 × 108 1.413 × 108 −38918880
−92400 4656960 −58212000 3.049 × 108 −8.004 × 108 1.110 × 109 −7.769 × 108 2.162 × 108
A=
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
8.562 × 10
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 8.562 × 108 −6.184 × 108 1.767 × 108
0
0
−0.0031391
−0.0035287
x1 =
−0.0028351
−0.0018490
−0.0008703
0
obviamente após re
ebermos o aviso de que o sistema é mal
ondi
ionado. Se testarmos esta
solução om
−1.1727528
−0.9367498
−3.4111172
−4.9773307
Ax1 − b =
−5.8545016
−6.3134753
−6.5224791
−6.5805729
que é diferente de 0. Se utilizarmos a de
omposição QR e o pro
edimento apresentado aqui,
8.0000012
6.1710323
5.1420638
4.4403682
x2 =
3.9204908
3.515998
3.1906261
2.9223971
que resulta em
0.0000014
5.588 × 10−08
1.490 × 10−08
0.0000004
Ax2 − b =
−0.0000002
0.0000005
0.0000017
0.0000004
que é uma solução muito mais próxima do que se espera (lembrando que o sistema é muito mal
ondi ionado).
AX = λUT UX.
Y = UX
X = U−1 Y,
podemos es rever
AU−1 Y = λUT Y,
198CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
1
2 // Dimensao do problema
3 n = 8
4
5 // Gera uma matriz de H i l b e r t , nxn .
6 A = testmatrix ( ' hilb ' , n)
7
8 // Gera um v e t o r de termos i n d e p e n d e n t e s
9 b = (1:n) '
10
11 // Numero de
ondi
ionamento de A
12 // quanto mais proximo de 1 melhor !
13
onda =
ond (A)
14
15 // Solu
ao d i r e t a
16 xd = A\b
17
18 // De
omposi
ao QR
19 [Q,R℄ = qr (A)
20
21 // Novo v e t o r do lado d i r e i t o
22 bqr = Q' ∗ b
23
24 // Apli
a r e t r o s u b s t i t u i
a o usando
25 // R e bq
26 xqr = z e r o s ( n , 1 )
27
28 for i=n : − 1:1
29 somatorio = 0
30 for j=i +1:n
31 somatorio = somatorio + R( i , j ) ∗ xqr ( j )
32 end
33 xqr ( i ) = ( bqr ( i ) − somatorio )/R( i , i )
34 end
35
36 // Testa a p r i m e i r a s o l u
a o
37 e r r o _ d i r e t o = A∗ xd − b
38
39 // Testa a segunda s o l u
a o
40 erro_qr = A∗ xqr − b
23.4. DECOMPOSIÇO CHOLESKY 199
Este problema de autovalores e autovetores pode ser solu ionado pelos demais métodos vistos
neste apítulo, resultando nos mesmos autovalores do problema original. Ainda, de posse dos
deduzir uma expressão para obtermos U−1 que ompartilha da e iên ia do método Cholesky.
u11 u12 u13 α11 α12 α13 1 0 0
0 u22 u23 0 α22 α23 = 0 1 0 ,
0 0 u33 0 0 α33 0 0 1
onde α
ontém a inversa de U. Solu
ionando para in
ógnitas αij , obtemos
1 1 1
α11 = , α22 = , α33 =
u11 u22 u33
e
u12 α22 u12 α23 + u13 α33 u23 α33
α12 = − , α13 = − , α23 = −
u22 u11 u22
que pode ser generalizado
omo
αii = 1/uii
j
!
1 X
αij = − uik αkj i<j
uii k=i+1
αij = 0 i > j
om i e j variando de n até 1.
Exemplo:
6 1 1
A = 1 9 1
1 4 1
e
200CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
4 2 1
B = 2 6 1 .
1 1 15
A de
omposição Cholesky de B é
2 1 0.5
U = 0 2.236068 0.2236068
0 0 3.8340579
om inversa
0.5 −0.2236068 −0.0521641
U−1
= 0 0.4472136 −0.0260820 .
0 0 0.2608203
O operador D é denido por
1.5 −0.4472136 −0.0391230
D = U−T AU−1
= −0.4472136 1.9 0.0058321
−0.0391230 0.3557592 0.0319728
e, a solução do problema de autovalores e autovetores denido por
DY = λY
0.5418033
Y1 = −0.8277240 ,
−0.1460214
−0.8334240
Y2 = −0.5359830
−0.1346349
e
0.0277133
Y3 = 0.0035141 .
0.9996097
0.4636034
X1 = −0.3663609 ,
−0.0380853
23.5. OPCIONAL - MÉTODO DE LEVERRIER-FADDEV 201
−0.2898395
X2 = −0.2361873
−0.0351155
e
−0.0390728
X3 = −0.0245003 ,
0.2607185
que são os autovetores do problema original.
terísti
o
P (λ) = (−1)n λn − P1 λn−1 .... − Pn
onde
P1 = tr(A)
1
Pk = tr (Ak ) , k = 2..n
k
om
Ak = Bk A
Bk = Ak−1 − Pk−1 I
Exemplo: " #
10 2
A=
3 7
Ini
iamos
om
P1 = tr(A) = 10 + 7 = 17
" #
−7 2
B1 = A − 17I =
3 −10
P (λ) = (−1)2 λ2 − 17λ + 64
om raizes
λ1 = 11.3723 e λ2 = 5.6277.
É 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 este pro edimento ar mais laro, vamos ilustrar om uma matriz de dimensão n = 4.
Exemplo:
10 1 2 3
−1 20 2 1
A=
2 3 30 1
1 2 3 40
Os autovalores são obtidos
om:
P1 = tr(A) = 100
10 1 2 3 −90 1 2 3
−1 20 2 1
− 100I = −1 −80 2 1
B2 =
2 3 30 1 2
3 −70 1
1 2 3 40 1 2 3 −60
A2 = B2 A
1
P2 = tr(A2 ) = −3483
2
2589 −58 −109 −147
75 1890 −99 −41
B3 = A2 + 3483I =
−122 −146 1396 −21
−46 −70 −84 1091
A3 = B3 A
1
P3 = tr(A3 ) = 49236
3
204CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
23653 808 1351 1720
−1379 −11740 837 376
B4 = A3 − 49236I =
1697
1104 −7955 44
533 484 521 −5888
A4 = B4 A
1
P4 = tr(A4 ) = −232916
4
dando origem ao polinmio
P (λ) = (−1)4 λ4 − 100λ3 + 3483λ2 − 49236λ + 232916
om raízes
T
40.612 0 0 0 −90 1 2 3 −49.388 −1 2 1
1 T
0 30.2235 0 0 −1 −80 2 1 1 −49.765 3 2
X = I+ =
0 0 19.351 0 2 3 −70 1 2 2 −50.648 3
0 0 0 9.803 1 2 3 −60 3 1 1 −50.197
T
40.612 0 0 0 2589 −58 −109 −147 583.258 34.388 −40.777 −5.388
2 T
0 30.2235 0 0
1 T
75 1890 −99 −41 −27.765 385.358 −55.295 −9.530
X = X + =
0 0 19.351 0 −122 −146 1396 −21 −70.297 −60.297 415.889 −25.946
0 0 0 9.803 −46 −70 −84 1091 −117.592 −31.197 −11.197 598.939
T
40.612 0 0 0 23653 808 1351 1720 34.041 17.568 40.998 314.168
3
T 0 30.2235 0 0
2
T −1379 −11740 837 376 −31.475 −88.753 −567.849 195.852
X = X + =
0 0 19.351 0 1697 1104 −7955 44 −9.338 −329.828 92.897 18.901
0 0 0 9.803 533 484 521 −5888 567.300 70.186 −65.763 −16.901
O pro edimento para obtenção dos oe ientes do polinmio está ilustrada no Alg. (30)
Algoritmo 30 Obtenção dos
oe
ientes do polinmio
ara
terísti
o utilizando o método de
Leverrier-Faddev
1 #
2 # Rotina Leverrier_Faddev_Poli :
3 # Entradas : A : Matriz quadrada
4 # n : Dimensao do s i s t e m a
5 # 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
6 #
7 # Depende : AmaisB(A, B,m, n )
8 # Es
alarXMatriz ( e ,A,m, n )
9 # MatrizXMatriz (A, B,m, n , o )
10 # Tra
o (A,m)
11 # Zeros (m, n )
12 # I d e n t i d a d e (m)
13 #
14 Rotina Leverrier_Faddev_Poli (A, n )
15
16 # Faz a
o p i a da matriz de entrada
17 Ak <− A
18
19 # 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
20 P = Zeros ( n , 1 )
21
22 # Cal
ula o p r i m e i r o
o e f i
i e n t e
23 P( 1 ) = Tra
o (Ak)
24
25 # I t e r a para o b t e r os demais
o e f i
i e n t e s
26 Para k de 2 ate n exe
ute
27
28 # Cal
ula Bk
29 Bk <− AmaisB(Ak , Es
alarXMatriz ( −P( k − 1) , I d e n t i d a d e ( n ) ) )
30
31 # Cal
ula Ak
32 Ak <− MatrizXMatriz (Bk ,A, n , n , n )
33
34 # Cal
ula o
o e f i
i e n t e k do polinomio
35 P( k ) <− (1/ k ) ∗ Tra
o (Ak)
36
37 Fim Para #k
38
39 Retorna P
40
41 Fim Rotina Leverrier_Faddev_Poli
206CAPÍTULO 23. SOLUÇO DE PROBLEMAS DE AUTOVALORES E AUTOVETORES
Dada uma matriz A[m×n] , hamamos σ de valor singular de A se e somente se existem dois
Av = σu
AT u = σv.
Os vetores u e v são
hamados, respe
tivamente, de vetor singular a esquerda e de vetor singular
a direita. Uma matriz A tem ao mínimo 1 e no máximo min(m, n) valores singulares distintos.
É interessante notar que se onsiderarmos todos os valores e vetores singulares ao mesmo tempo
obteremos
A = USVT (24.1)
onde U[m×m] armazena em suas olunas os m vetores singulares a esquerda, S[m×n] ontém
somente termos não negativos em suas posições diagonais (demais termos são nulos) e V[n×n]
ontém os n vetores singulares a direita. A Eq. (24.1) é
hamada de de
omposição em valor
unitária e não são úni
as. Desta forma, as
olunas de U e V formam bases ortonormais para
T T
A tal que UU = I e VV = I. Com isto
A−1 = VS−1 UT
o que torna a inversão trivial. Esta inversão é onhe ida omo pseudo-inversa da matriz, sendo
podemos es rever a solução utilizando a inversa da de omposição em valor singular, tal que
x = VS−1 UT b
207
208 CAPÍTULO 24. DECOMPOSIÇO EM VALOR SINGULAR
kAx − bk2
será mínimo. Esta solução deve ser utilizada quando temos um problema mal ondi ionado
• Cal ular AT A;
!
3 1 1
A= .
−1 3 1
!
T 11 1
AA =
1 11,
obtemos λ1 = 12, λ2 = 10 e !
1 1
ΦAAT =
1 −1
que uma vez ortogonalizada por Gramm-S
hmidt resulta em
!
√1 √1
U= 2 2 .
√1 −1
√
2 2
10 0 2
AT A = 0 10 4 ,
2 4 2
24.1. RELAÇO ENTRE SVD, RANK E ESPAÇO NULO DE UM OPERADOR 209
√1 √2 √1
26 −1
5 30
V= √ √ √2 .
6 5 30
√1 0 −5
√
6 30
e, por m,
√ !
12 0 0
S= √ ,
0 10 0
tal que
T
! ! √ ! √1 √2 √1
3 1 1 √1 √1 12 0 0 26 5 30
2 2 −1 √2
= √ √ √ .
−1 3 1 √1 −1
√ 0 10 0 6 5 30
2 2 √1 0 −5
√
6 30
• A dimensão do espaço nulo do operador, nullity, pode ser obtida pelo número de
olunas
de V
orrespondentes as posições onde os valores singulares são nulos, ie, Sii = 0;
• A dimensão do Rank do operador, pode ser obtida pelo número de olunas de U orres-
Assim, baseado no Rank do operador, obtido por SVD, é possível avaliar o Rank numéri o
efetivo de um operador, pois erros numéri os podem levar a um Rank diferente do analíti o.
No exemplo anterior, observamos que o espaço nulo tem dimensão 1 e que o Rank é 2.
Exemplo:
2 2 2
A = 2 2 2
2 2 2
tem
omo matriz de valores singulares
6 0 0
σ = 0 0 0
0 0 0
Tarefa:
1) Solu ione o problema mal ondi ionado do apítulo anterior utilizando o SVD.
espaç para armazenar esta informação. Se apli armos o SVD em uma matriz que ontém as
informações de uma imagem, teremos n valores singulares (
onsiderando que n 6 m) não nulos,
tal que a imagem pode ser re
onstruída por uma
ombinação linear da forma
n
X
A= σi ui viT
i=1
onde A é a matriz que ontém a imagem re onstruída. Como ordenamos os valores prin ipais
em ordem de res ente, temos que os primeiros termos do somatório são formados pelos valores
singulares mais signi ativos da imagem. Desta forma, apenas alguns valores singulares são
ne essários para obter uma boa aproximação da imagem original. Neste aso, são ne essários
apenas N <n6m valores prin ipais, om seus respe tivos vetores a direita e a esquerda, tal
zarmos a ompressão de imagem por SVD. A imagem original, em tons de inza e na resolução
de 512 × 512 é mostrada na gura 24.2, enquanto as imagens obtidas om diferentes valores de
A qualidade das imagens obtidas pela ombinação linear pode ser melhor ompreendida
avaliando-se a distribuição dos valores singulares da imagem. A gura 24.2 mostra os valores
dos 512 valores singulares, bem omo um detalhamento para os 100 primeiros valores. Como
pode ser visto, os primeiros valores singulares ontém prati amente todas as informações sobre
a gura, justi
ando assim o pequeno aumento de qualidade de N = 100 para N = 200.
24.2. COMPRESSO DE IMAGENS UTILIZANDO O SVD - LOW-RANK MATRIX APPROXIMATION
N Espaço N + 2 ∗ N ∗ 512 %
10 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
Seja uma função f (x) de nv variáveis, a ser determinada a partir de uma série de pontos
experimentais, avaliados em um onjunto dis reto de nexp pontos x̄. Se os valores experimentais
nos pontos x̄ forem organizados em um vetor V[nexp ×1] , então podemos denir o erro médio
v
unexp
uX
Φ=t (f (x̄i ) − Vi )2 .
i=1
Supondo agora que a função seja des rita por um polinmio de ordem m, na forma
f (x) = pT (x)a
teremos v
unexp
uX
Φ=t (pT (x̄i )a − Vi )2
i=1
∇a Φ = 0
Aa = f
onde
nexp
X
A= p(x̄i )pT (x̄i )
i=1
e
nexp
X
f= p(x̄i )Vi .
i=1
215
216 CAPÍTULO 25. PROBLEMA DE MÍNIMOS QUADRADOS
experimentais
x̄1 0 1 1 0 2
x̄2 0 1 0 1 2 ,
V 3 -5 11 -13 -25
obtenha os oe ientes que melhor aproximam a função aos dados experimentais.
a0
a1
f (x̄1 , x̄2 ) = pT (x̄)a = [ 1 x̄1 x̄2 x̄21 x̄22 ]
a2
a3
a4
tal que
n 2 2
Φ = a0 + a1 0 + a2 0 + a3 02 + a4 02 − 3
+ a0 + a1 1 + a2 1 + a3 12 + a4 12 − (−5) + ...
2 2
2 o 21
+ a0 + a1 2 + a2 2 + a3 2 + a4 2 − (−25)
dΦ
= 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
dΦ
= 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
......
dΦ
= 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
217
5 5 5 5 5 5
dΦ X X X X X X
= a0 1 + a1 x̄1 (i) + a2 x̄2 (i) + a3 x̄21 (i) + a4 x̄22 (i) = V (i)
da0 i=1 i=1 i=1 i=1 i=1 i=1
5 5 5 5 5 5
dΦ X X X X X X
= a0 x̄1 (i) + a1 x̄21 (i) + a2 x̄2 (i)x̄1 (i) + a3 x̄21 (i)x̄1 (i) + a4 x̄22 (i)x̄1 (i) = V (i)x̄1 (i)
da1 i=1 i=1 i=1 i=1 i=1 i=1
...
5 5 5 5 5 5
dΦ X X X X X X
= a0 x̄22 (i) + a1 x̄1 (i)x̄22 (i) + a2 x̄2 (i)x̄22 (i) + a3 x̄21 (i)x̄22 (i) + a4 x̄22 (i)x̄22 (i) = V (i)x̄22 (i)
da4 i=1 i=1 i=1 i=1 i=1 i=1
tal que
P5 P5 P5 P5 P5 P5
2 2
i=1 1 i=1 x̄1 (i) i=1 x̄2 (i) i=1 x̄1 (i) i=1 x̄2 (i) a0 V (i)
i=1
P5 2
P 5 P 5 P 5 P5
i=1 x̄1 (i) i=1 x̄1 (i)x̄2 (i) x̄3 (i) i=1 x̄2 (i)x̄1 (i) a1 V (i)x̄1 (i)
P5 2
P5 i=12 1 P5 3
= P5i=1
i=1 2 x̄ (i) x̄
i=1 1 (i)x̄ 2 (i) i=1 x̄2 (i)
a2 V (i)x̄2 (i)
P5 4
P 5 2 2
P5i=1
i=1 x̄1 (i) i=1 x̄2 (i)x̄1 (i) a3 V (i)x̄21 (i)
P5 4
P5i=1 2
i=1 x̄2 (i) a4 i=1 V (i)x̄2 (i)
onde somente a triangular superior da matriz é mostrada, pois a mesma é simétri
a. Assim,
om os
dados deste problema, obteremos o sistema
5 4 4 6 6 a0 −29
6 5 10 9
a1
−44
6 9 10 a2 = −68
18 17
a3
−94
18 a4 −118
tal que
a0 3
a1 6
a2 = −8 .
a 2
3
a4 −8
equações obtidas serão em função das novas variáveis r, mas que o mapeamento inverso é obtido por
xmax − xmin
x = xmin + (r − rmin ) .
rmax − rmin
∇a Φ = 0
Exemplo: Seja o modelo des
rito pela equação f (x) = a0 + cos(a1 x) e os dados experimentais
f (1) = 0, f (2) = 2, f (3) = 0 e f (4) = 2. Neste
aso, a equação de mínimos quadrados se torna
q
Φ= (a0 + cos(a1 1) − 0)2 + (a0 + cos(a1 2) − 2)2 + (a0 + cos(a1 3) − 0)2 + (a0 + cos(a1 4) − 2)2
e
dΦ −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)
f2 = = q .
da1 2 (cos (4 a1) + a0 − 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 − 2)2 + (cos (a1) + a0)2
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 .
4 (cos (4 a1) + a0 − 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 − 2)2 + (cos (a1) + a0)2
2
Capítulo 26
Derivada Numéri a
em um dado ponto x. Com base nesta interpretação geométri a, podemos observar que uma
aproximação para o ál ulo da derivada em torno de um dado ponto pode ser obtido por uma
simples interpretação geométri a (gura 26), onde a hipotenusa do triângulo formado por um
ateto adja ente de dimensão ∆x e ateto oposto de dimensão ∆f = f (x0 + ∆x) − f (x0 ) tende
f(x) f(x)
df(x)
dx
f(x0)+f(x0+DX)
df(x)
dx f(x0)
x0 x x0 x0+DX x
Obviamente, esta denição matemáti a não pode ser apli ada diretamente para obtermos
uma derivada numéri
a, pois se ∆x for da ordem do epsilon da máquina, observamos que ∆f
não será
orretamente
al
ulado, levando a erros
onsideráveis de
ál
ulo. Este erro é
onhe
ido
omo erro de arredondamento,
ausado simplesmente pela pre
isão utilizada para des
rever
os números reais no
omputador.
221
222 CAPÍTULO 26. DERIVADA NUMÉRICA
Outro erro que pode apare er está asso iado ao uso de uma perturbação ∆x muito grande.
Neste aso, a intepretação geométri a permite ver que a hipotenusa não oin ide om a reta
df
f (x0 + ∆x) = f (x0 ) + ∆x + O
dx
onde O representa todos os termos de alta ordem. Estes termos tendem a zero muito mais rapi-
damente do que o termo de primeira ordem a medida que ∆x → 0, justi ando a interpretação
geométri a e a validade para pequenos valores de perturbação. Com esta expansão, podemos
então avaliar o
hamado erro de trun
amento, asso
iado ao erro o
asionado por perturbações
muito grandes.
bação.
Derivada
Exato
Perturbacao
Figura 26.2: Comportamento da derivada numéri
a por diferenças nitas utilizando diferentes
valores de perturbação.
Esta forma de al ularmos a derivada é hamada de Diferenças Finitas a Frente, pois uti-
lizamos o ál ulo da função em um ponto a frente do ponto atual, f (x0 + ∆x). De forma
análoga, é possível denirmos um ál ulo para trás, onhe ido omo Diferenças Finitas para
Cada uma destas formas tem vantagens e desvantagens. As diferenças nitas entrais, por
exemplo, por utilizarem um intervalo mais amplo, são menos su etíveis ao erro de arredonda-
mento do que as diferenças nitas para trás e para frente. No entanto, ne essitam do ál ulo
da função nestes dois pontos, o que a arreta um maior usto omputa ional.
df
f (x0 + ∆x) = f (x0 ) + δi + O.
dx
Des
artando os temos de alta ordem e
onsiderando somente a parte
omplexa de
ada uma
O interessante é que este pro edimento faz om que não seja ne essário o ál ulo da subtração
presente nos outros tipos de diferenças nitas, eliminando assim o erro de arredondamento.
menor do que o epsilon da máquina. Assim, o grá o da gura 26.2 não apresenta os erros de
Exemplo:
Para ilustrar os
on
eitos vistos nas seções anteriores, vamos
onsiderar a função f (x) =
2
3 cos(x2 )3 ,
om derivada analíti
a dfdx
(x)
= −18 x cos (x2 ) sin (x2 ). No ponto x = 2, a derivada
assume o valor analíti
o 11, 640379 (
onsiderando 6
asas de
imais para ns de ilustração), que
f (2+δ)−f (2)
• Diferenças nitas para frente:
δ
= 11, 640378;
f (2)−f (2−δ)
• Diferenças nitas para trás:
δ
= 11, 640382;
f (2+δ)−f (2−δ)
• Diferenças nitas
entrais:
2δ
= 11, 64038;
Imag(f (2+δi))
• Diferenças nitas
omplexas:
δ
= 11, 640379,
224 CAPÍTULO 26. DERIVADA NUMÉRICA
df
dx1
df
dx2
∇f (x) = ..
.
df
dxn
sendo que ada uma das posições pode ser al ulada utilizando um dos pro edimentos unidi-
mensionais des
ritos a
ima. O algoritmo 34 ilustra o
ál
ulo do gradiente de uma função de n
variáveis utilizando as abordagens dis
utidas neste
apítulo.
26.2. CÁLCULO DO VETOR GRADIENTE 225
Integração Numéri a
Dada uma função f (x), temos que por denição a integral de Cau hy da função no intervalo
ou seja, o somatório da área de innitos retângulos de base ∆x e altura f (x). Obviamente esta
denição matemáti a não é muito práti a para uma implementação numéri a, uma vez que
Z 1
1
3x2 − 6x3 dx = −
0 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 retângulos −0.5151 e, om 1000 retângulos, −0.501501. Obviamente, esta estra-
tégia, que podemos hamar de método dos retângulos, é muito pobre e só onsegue integrar
linear entre dois pontos da urva (função) e al ulamos a área abaixo do trapézio. Desta forma,
onsiderando dois pontos xi e xi+1 e seus respe
tivos valores f (xi ) e f (xi+1 ) teremos
omo área
abaixo do trapézio
1
dAi = f (xi )∆x + (f (xi+1 ) − f (xi )) ∆x
2
227
228 CAPÍTULO 27. INTEGRAÇO NUMÉRICA
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
omo este método é muito mais pre iso do que o método de ordem zero. No entanto, este
método onsegue integrar orretamente uma função de primeira ordem. Este método está
Desta forma, a laro que se utilizarmos aproximações de alta ordem para ada uma
das áreas diferen iais a serem somadas, iremos obter aproximações ada vez melhores mesmo
om um menor número de intervalos. Esta é a idéia por tras dos métodos de integração por
interpolação.
f˜(x) = a + bx + cx2
Como este pequeno pedaço da função tem área onhe ida e igual a
Z xi+1 Z xi+2
2
dAi = a + bx + cx dx + a + bx + cx2 dx
xi xi+1
∆x
dAi = [f (xi ) + 4f (xi+1 ) + f (xi+2 )] .
3
Este método, por sua natureza, é apaz de itegrar orretamente funções onstantes, lineares
e quadráti
as.
27.3. REGRA DE SIMPSON DE TERCEIRA ORDEM (SEGUNDA REGRA DE SIMPSON)229
sendo que este resultado já é obtido om ∆x = 0.5 neste exemplo. O pro edimento está
3∆x
dAi = [f (xi ) + 3f (xi+1 ) + 3f (xi+2 ) + f (xi+3 )]
8
onseguindo integrar exatamente até funções úbi as, omo é o aso do nosso exemplo. O pro-
soma ponderada da função avaliada em pontos espe í os. Tanto as posições dos pontos quanto
os valores dos pesos são deduzidos de modo a minimizar o erro de integração. Existem diversas
regras de quadratura diferentes, sendo que aqui iremos estudar a mais utilizada na área de
de pontos utilizados para avaliar a integração. Neste método aproximamos a integral por
Z 1 n
X
f (r) dr = Wi f (ri )
−1 i=1
sendo que pro edimento para obtermos os pesos e os pontos de quadratura serão apresentados
a seguir.
230 CAPÍTULO 27. INTEGRAÇO NUMÉRICA
Z 1
2
p(r) dr = 2a0 + a2
−1 3
e, om este resultado, podemos utilizar a forma aproximada proposta por Gauss, obtendo
n
2 X
2a0 + a2 = Wi p(ri )
3 i=1
2
2a0 + a2 = W1 p(r1 ) + W2 p(r2 )
3
2
2a0 + a2 = W1 a0 + a1 r1 + a2 r12 + a3 r13 + W2 a0 + a1 r2 + a2 r22 + a3 r23
3
de tal forma que podemos agrupar por oe ientes ai em omum, obtendo
2 = W1 + W2
0 = r1 W1 + r2 W2
2
= r12 W1 + r22 W2
3
0 = r13 W1 + r23 W2
polinmio de ordem igual ou menor a 3 será obtida om duas avaliações da função, na forma
Z 1
1 1
p(r) dr = 1 ∗ p − √ +1∗p √ .
−1 3 3
Exemplo: A função f (x) = 3x2 − 6x3
om x ∈ [0, 1] não está denida no intervalo [−1, 1].
Para utilizarmos a quadratura de Gauss devemos primeiro realizar uma mudança de variável, de
tal forma que o intervalo seja orrigido para os limites apropriados. Assim, podemos fa ilmente
x − xL
r = −1 + 2
xU − xL
e
r(xU − xL ) + (xU + xL )
x=
2
que neste
aso permite obter
r+1
x=
2
27.4. INTEGRAÇO POR QUADRATURA 235
2 3
r+1 r+1
p(r) = 3 −6 .
2 2
É importante salientar que ao mudarmos a variável, estamos mudando também o diferen ial
dx
dr ∗ = dx
dr
dx xU −xL
onde
dr
= 2
e este fator deve ser SEMPRE
onsiderado quando realizamos a mudança de
variável.
!2 !3 !2 !3
1 − √13 + 1 − √13 + 1 √1
3
+1 √1
3
+1
3 −6 + 3 −6 = −0.5
2 2 2 2 2
mensões. Desta forma, para um polimio denido em duas variáveis r e s, podemos al ular a
integral
om
Z 1 Z 1 npg npg
X X
p(r, s)drds = p(ri , sj )Wi Wj , (27.1)
−1 −1 i=1 j=1
Uma questão que deve ser observada é no ál ulo da orreção entre a área do domínio
original e do domínio normalizado. De forma análoga ao que foi feito no aso 1D, quando
realizamos uma mudança de variável entre um domínio [xl , xu ] × [yl , yu ] para um problema 2D
[−1, 1] × [−1, 1], devemos multipli
ar as integrais obtidas pela quadratura pela
orreção |J|,
que é a área de domínio original pelo domínio normalizado (2 × 2). Este
ál
ulo é trivial se o
domínio original é um retângulo (sem distorções), mas deve ser al ulado om uidado no aso
Exemplo Seja o polinmio p(x, y) = 20x2 + 10xy − 5y 3 no domínio [0, 5] × [0, 6]. A integral
x
r = −1 + 2 (27.3)
5
y
s = −1 + 2 (27.4)
6
236 CAPÍTULO 27. INTEGRAÇO NUMÉRICA
A integral por quadratura, ainda sem onsiderarmos a orreção de área, é obtida por
Z 1 Z 1
p(r, s) dr ds = −135s31 − 405s21 + (75r1 − 330)s1 + 125r12 + 325r1 + 65 W1 W1 +(27.6)
−1 −1
−135s32 − 405s22 + (75r1 − 330)s2 + 125r12 + 325r1 + 65 W1 W2 +
−135s31 − 405s21 + (75r2 − 330)s1 + 125r22 + 325r2 + 65 W2 W1 +
−135s32 − 405s22 + (75r2 − 330)s2 + 125r22 + 325r2 + 65 W2 W2 ,
om
1
r1 , s1 = √ (27.7)
3
1
r2 , s2 = − √ (27.8)
3
W1 = W2 = 1.
resultado
orreto
340 6 ∗ 5
− = −850. (27.9)
3 2∗2
d 2 dPn (x)
(1 − x ) + n(n + 1)Pn (x) = 0
dx dx
para n∈N e x ∈ [−1, 1] e tem a forma
1 dn 2 n
Pn (x) = (x − 1) .
2n n! dxn
Z 1
2
Pn (x)Pm (x)dx = δmn
−1 2n + 1
e tem
omo raízes as
oordenadas dos pontos de quadratura de ordem n.
27.4. INTEGRAÇO POR QUADRATURA 237
Tarefas:
1) Deduza as quadraturas para n=1 (um ponto de Gauss) e para n = 4. Quais são os graus
dos polinmios que podem ser orretamente integrados por estas quadraturas ?
2) Integre a função f (x) = e3x para x = [2, 5] utilizando todos os métodos de interpolação
A Série de Fourier de uma função ontínua periódi a de período τ, isto é, uma função om a
[
1 [
B= {cos(kωt)} {sin(kωt)} , k ∈ N
2
onde
2π
τ= .
ω
Se a função for denida no intervalo t ∈ [0, Tf ] s, então a série de Fourier é obtida
om
∞
1 X
f (t) ∼
= a0 + {ak cos(kωt) + bk sin(kωt)} (28.1)
2 k=1
sendo que os oe ientes a0 , ak e bk são obtidos por meio das projeções ortogonais
Z τ
< f (t), 1/2 > 2
a0 = = f (t) dt,
< 1/2, 1/2 > τ 0
Z τ
< f (t), cos(kωt) > 2
ak = = f (t) cos(kωt) dt
< cos(kωt), cos(kωt) > τ 0
e Z τ
< f (t), sin(kωt) > 2
bk = = f (t) sin(kωt) dt.
< sin(kωt), sin(kωt) > τ 0
Desta forma, a equação 28.1 permite es rever uma função no tempo, f (t), em termos da
oe ientes ak e bk permitem asso iar uma magnitude (importân ia) para ada uma destas
omponentes de frequên ia. Por isto, tal operação é dita um mapeamento do domínio da
A equação 28.1 pode ser es rita em formas alternativas, porém diferentes. Uma forma mais
239
240 CAPÍTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
∞
∼ 1 X ikωt
f (t) = a0 + ck e e,
2 k=1
omo a exponen ial de zero é um, podemos in luir o termo onstante no somatório, bastando
K
X
f (t) ∼
= Fk eiωk t , (28.2)
k=0
onde Fk são as amplitudes e, para simpli armos a notação, denimos ωk omo sendo o k-ésimo
É interessante notar que a Equação 28.1 também pode ser es rita em outra forma alternativa,
pois
As equações obtidas a ima dizem respeito a uma função que varia ontinuamente no tempo
t. No entanto, quando adquirimos um sinal, obtemos um onjunto dis reto de valores ao longo
do tempo. Desta forma, se o tempo for dis retizado em N pa otes, tal que
Tf
∆t = ,
N
onde TF é o tempo nal, podemos es rever que o tempo em uma posição dis reta n é dado por
tn = n∆T,
para n ∈ [0, N − 1]. Se ainda onsiderarmos que ada frequên ia ωk pode ser des rita por
2π
ωk =
τk
e que os períodos asso iados a ada ωk são pa otes dis retos do tempo total, na forma
TF
τk =
k
241
K
X
fn ∼
k
= Fk e2πn N i . (28.4)
k=0
A operação inversa,
hamada de Dis
rete Fourier Transform - DFT - permite obter os Fk
a partir de um sinal no tempo. Para isto, simplesmente invertemos a relação da Eq. 28.4,
resultando em
N
X −1
k
Fk = fn e−2πn N i (28.5)
n=0
om k ∈ [0, K] e n ∈ [0, N − 1]. Nesta equação, podemos ver que
ada Fk está asso
iado a
2π
uma
omponente de frequên
ia ωk = Tf
k [rad/s], tal que esta operação é um mapeamento do
Se o sinal fn for real, então Fk é simétri o onjugado, e ne essitamos somente dos primeiros
K/2 pontos para ara terizar o sinal, pois a outra parte do vetor é simétri a (espelhada).
É importante salientar que, mesmo no aso de fn reais, temos que os Fk são omplexos. Isto
Fk = Rk + Ik i
temos que q
Mk = Rk2 + Ik2 (28.6)
Ik
φk = tan2 . (28.7)
Rk
Exemplo.
Se o sinal for amostrado om N = 128 pa otes no tempo, então teremos uma resolução de
grá os pode-se avaliar que o resultado é realmente simétri o (espelhado) ao longo do eixo k.
Desta forma, ne essitamos somente dos primeiros K/2 valores, sendo que isto está asso iado
ao fato de não termos utilizado uma extensão periódi a para avaliar o sinal em um intervalo
Figura 28.1: Sinal obtido om f (t) = 10cos(2π10t) + 5sin(2π15t) t ∈ [0, 2]s e N = 128.
Outro resultado interessante que vemos nos grá os é o fato das amplitudes serem muito
maiores do que as observadas no sinal original (domínio do tempo). Isto se deve ao fato de
estarmos realizando um somatório (Loop) de dimensão N para ada K, somado ao fato de ter-
mos a questão da simetria. Desta forma, observamos que as amplitudes devem ser es alonadas
Assim, utilizando somente metade do grá o e es alonando os resultados por N/2 obtemos
Novamente, de posse das par elas reais e imaginárias obtidas por meio da DFT do sinal,
podemos al ular a magnitude a a fase do sinal, utilizando as equações 28.6 e 28.7, resultando
O grá o da parte omplexa, juntamente om o grá o da fase, permite avaliar uma ara -
terísti a interessante da DFT quando apli ada a análise modal. Quando temos um modo de
vibração para ima e um para baixo, podemos interpretar a parte para ima omo sendo
uma
omponente de um
osseno e a para baixo
omo a
omponente de um seno. Assim,
ada
243
Figura 28.2: Parte real da DFT obtida no algoritmo 39. O eixo horizontal
ontém as frequên
ias
em Hz
orrespondente a
ada posição k.
Figura 28.3: Parte imaginária da DFT obtida no algoritmo 39. O eixo horizontal
ontém as
frequên
ias em Hz
orrespondente a
ada posição k.
244 CAPÍTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
Figura 28.4: Parte real da DFT obtida no algoritmo 39,
onsiderando o es
alonamento por N/2
e somente a metade do eixo das frequên
ias.
Figura 28.5: Parte real da DFT obtida no algoritmo 39,
onsiderando o es
alonamento por N/2
e somente a metade do eixo das frequên
ias.
245
Figura 28.6: Módulo da DFT obtida no algoritmo 39,
onsiderando o es
alonamento por N/2
e somente a metade do eixo das frequên
ias.
Figura 28.7: Fase da DFT obtida no algoritmo 39,
onsiderando somente a metade do eixo das
frequên
ias.
246 CAPÍTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
É interessante notar que, de posse do vetor F, que ontém os valores omplexos da DFT
do sinal original, é possível realizar a operação direta, isto é, a Série de Fourier, para obtermos
Algoritmo 40 Algoritmo para o mapeamento do domínio das frequên
ias para o domínio 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:N−1
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
frequên
ia 15Hz. Como o número de pontos utilizados para amostrar o tempo foi de 128
pa
otes em 2s, utilizamos uma taxa de amostragem de 64 pa
otes por segundo. Esta taxa é
Para ilustrarmos o quanto a taxa de aquisição do sinal é importante, vamos utilizar uma
taxa de 16 pa otes por segundo, tal que N = 32. Neste aso, o sinal tem a forma ilustrada no
grá
o da gura 28.8, que quando
omparado
om o (mesmo) sinal obtido
om N = 128, gura
28.1, ilustra a falta de informações sobre o fenmeno. Se apli
armos a DFT neste sinal, iremos
obter, por exemplo, o grá o de magnitudes ilustrado na gura 28.9, que mostra laramente que
a faixa de frequên ias que a DFT onsegue al ular é menor do que as frequên ias existentes
no sinal. O que está sendo al ulado é uma resposta tí ia, ausada pela falta de informação
a taxa de amos-
Desta forma, podemos denir a famosa Regra de Nyquist, que diz que
tragem do sinal deve ser no mínimo maior do que duas vezes a maior frequên
ia
que ser quer obter. Novamente, podemos utilizar esta regra e o
onhe
imento sobre o nosso
exemplo para denir que
omo a maior frequên
ia é de 15Hz e estamos amostrando um sinal de
2s, então N = 15 ∗ 2 ∗ 2 deve ser su
iente. Utilizando a potên
ia de 2 mais próxima, N = 64,
obtemos o sinal dis
reto ilustrado na gura. A gura mostra que já é possível identi
ar as
ara terísti as de mais alta frequên ia do sinal. No entanto, omo a faixa de frequên ia que
estamos aptos a des
rever é de 16Hz , pois 64 pacotes/2 segundos = 32, e
omo utilizamos
somente metade do espe
tro, fmax = 32/2 = 16Hz , não iremos
onseguir des
rever as
urvas
em todos os detalhes,
omo ilustrado na gura 28.11.
Figura 28.10: Sinal obtido om f (t) = 10cos(2π10t) + 5sin(2π15t) t ∈ [0, 2]s e N = 64.
in lusive, des rever um sinal que não tem qualquer relação om o sinal que está sendo medido
(d).
Figura 28.12: Expli ação sobre o aliasing. Retirado de http://www.dspguide. om/ h3/2.htm.
Da teoria apresentada no omeço deste apítulo, a laro que a DFT onsegue des rever o
espe
tro de frequên
ias de um sinal no tempo somente em unidades dis
retas de frequên
ia
2π
wk = Tf
k. Assim, se analizarmos um ou mais períodos de um sinal periódi
o
om período
múltiplo de N, iremos obter todas as frequên ias orretamente. No entanto, esta situação é
muito espe í a e esperamos que existam frequên ias ωj diferentes das frequên ias dis retas
ωk em um sinal qualquer.
Para entendermos o que o orre neste aso, podemos interpretar a DFT de forma semelhante
ao que zemos na dedução da série de Fourier, onde uma função no tempo,fn , é projetada em
uma base sele
ionada. Neste
aso,
omo estamos trabalhando no domínio das frequên
ias,
250 CAPÍTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
utilizamos a base
que realmente não tem o expoente negativo, omo veremos logo abaixo.
Assim, o oe iente Fk asso iado a uma dada frequên ia angular ωk do sinal é dado por um
somatório
N −1 N −1
X < fn , eiωk nTf > iωk nTf X
Fk = e = Wk eiωk nTf (28.8)
n=0
< eiωk nTf , eiωk nTf > n=0
onde
fn = eiωj nTf
é um sinal senoidal om amplitude unitária e uma frequên ia angular ωj espe í a (ou seja,
um sinal bem simples para que nós possamos estudar as propriedades desta transformação) e
Wk é a amplitude de
ada projeção na direção de
ada base. Assim,
omo visto anteriormente,
Fk irá
onter as amplitudes do sinal em
ada frequên
ia, que neste
aso deveria ser nulo para
toda a frequên
ia ωk 6= ωj e 1 (já que a amplitude do sinal
onsiderado é unitária) se ωk = ωj .
Desenvolvendo os Wk
PN −1
n=0 fn e−iωk nTf
Wk =
N
onde e−iωk nTf é o
omplexo
onjugado da base (mantém a parte real igual mas muda o sinal da
N
X −1 N
X −1 N
X −1
−iωk nTf iωj nTf −iωk nTf
fn e = fn e e = fn ei(ωj −ωk )nTf
n=0 n=0 n=0
N −1
X 1 − ei(ωj −ωk )N Tf
fn ei(ωj −ωk )nTf =
n=0
1 − ei(ωj −ωk )Tf
T
1−e i(ωj −ωk )N Tf T sin (ωj − ωk ) N 2f
i(ωj −ωk )(N −1) 2f
= e .
1 − ei(ωj −ωk )Tf Tf
sin (ωj − ωk ) 2
Assim,
T
1 T sin (ωj − ωk ) N 2f
i(ωj −ωk )(N −1) 2f
Wk = e
N T
sin (ωj − ωk ) 2f
se ωj não for um múltiplo inteiro de ωk , observamos que Wk é diferente de zero, fato este que
faz om que seja obtida uma amplitude Fk não nula para uma frequên ia que não está sendo
Assim, é
omum na literatura apresentar o DFT
omo um ltro digital para
ada k, pois
a amplitude Wk é propor
ional, em módulo, a
sin (ω − ω ) N Tf
1 j k 2
|Wk | =
N sin (ω − ω ) Tf
j k 2
que é a saída do ltro, que pode ser visualizada na gura 28.13. Conforme pode ser visto na
gura, o padrão geométri o da saída do ltro é em lobulos, que são os saltos no grá o. O
maior dos saltos é o lóbulo prin
ipal e os demais são os lóbulos laterais.
abs(sin(16*(3.141592653589793-w)))/(32*abs(sin((3.141592653589793-w)/2)))
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
w
Figura 28.13: Amplitude de saída do ltro digital asso
iado a projeção de uma senoide de
frequên
ia wj = π [rad/s℄ para ωk ∈ [0, 2π]
om ∆ωk ∼
= 0.1963[rad/s℄ (Tempo nal de 1s e
N = 32).
Como pode ser visto na gura, a ampli ação do ltro é zero nos múltiplos inteiros do
intervalo de frequên ia e diferente de zero para outros valores de frequên ia, omo dis utido an-
Uma interpretação intressante deste fenmeno é que estamos trun ando os sinais om
plo inteiro destas frequên ias. Este orte faz om que a resposta seja a observada no grá o
da gura 28.13. O interessante desta observação é que é justamente esta a motivação para
denirmos as janelas, que são tratamentos matemáti os que permitem minimizar este efeito.
28.2.1 Janelamento
Uma janela ( window ) é uma função que zera um sinal que se en
ontra fora de uma determinada
faixa de valores de tempo. A janela mais simples que existe é a janela retangular,
ujo efeito
é ilustrado na gura 28.14, onde as omponentes do osseno que se en ontram fora da faixa
t ∈ [10, 90]s são zeradas. Isto faz om que seja possível trun ar o sinal em um número xo
de pa
otes, N, que seja equivalente a um múltiplo das frequên
ias que se quer determinar,
252 CAPÍTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT
Figura 28.14: Sinal (em verde ) e Janela retangular (em azul) na esquerda e sobreposção do
sinal
om a janela (direita).
No aso ilustrado na gura, zemos justamente o ontrário, de modo que a janela tran a
o sinal em um múltiplo não inteiro da frequên ia do osseno. Assim, se zermos uma DFT
do sinal do grá o da direita na gura 28.14, iremos obter o módulo Mk ilustrado no grá o
da gura 28.15, que ilustra laramente o fenmeno de vazamento asso iado ao trun amento do
Figura 28.15: DFT do sinal obtido om o osseno e a janela retangular, gura 28.14
Existem diversas opções de janelas, ada uma om suas ara terísti as. Suas apli ações e
deduções saem do es opo deste texo, sendo que o leitor interessado deve pro urar a literatura
espe
ializada.
Parte III
253
Capítulo 29
des onhe ida ( hamada de variável dependende). Se a função a determinar depender de apenas
uma variável independente, dizemos que a equação diferen ial é ordinária (EDO), podendo
′ ′
F (x, y(x), y (x), ....., y n (x)) = 0
depender de mais de uma variável independente a equação diferen
ial é dita par
ial (EDP),
podendo ser es
rita na forma
′
F (x, y, z, w(x, y, z), w x (x, y, z), .....) = 0
Quanto a
lassi
ação, dizemos que a ordem de uma equação diferen
ial está asso
iada a
mais alta ordem de diferen
iação que existe na equação 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 equação diferen ial é o expoente a qual está elevado a derivada de maior
2
d2 y(x) dy(x)
+ = y(x)
dx2 dx
é de primeiro grau, pois a maior derivada (ordem) está sendo elevada a 1. Desta forma, a
255
256 CAPÍTULO 29. EQUAÇÕES DIFERENCIAIS
equação
3 2
d2 y(x) dy(x)
+ = y(x)
dx2 dx
é de ter
eiro grau.
e T (x = L) = TL .
um balanço de uxo de alor. Para isto, iremos onsiderar o uxo de alor que entra no volume
diferen ial, qx [J/m2 ] e o uxo de alor que sai, qx + dqx . O termo dqx é onsiderado para
levarmos em onsideração os a rés imos asso iados ao termo de geração volumétri a de alor,
Q[J/m3 ] que podem estar presentes no interior do orpo. Assim, no volume, teremos
omo ondição para equilíbrio de uxos (aqui foi adotada a notação de sinais usual no teorema
da divergên
ia, onde o que "entra" no volume é negativo). Nesta equação temos que dA = dydz
e dV = dxdydz . Simpli
ando a equação e dividindo todos os termos restantes por dV obtemos
dqx
+ Q = 0.
dx
Se onsiderarmos, por simpli idade, que o termo de geração de alor é nulo (vamos deixar
isto para a dis
iplina de transferên
ia de
alor), obtemos uma equação diferen
ial ordinária
29.1. CLASSIFICAÇO E EXEMPLOS 257
(variável dependente é x), de primeira ordem e de primeiro grau,
om variável dependete qx (x).
Se quisermos obter o
ampo de temperaturas, T (x), devemos modi
ar esta equação, inserindo
dT (x)
qx = −k
dx
obtemos
d dT (x)
−k =0
dx dx
que é 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, é omumente hamada
de relação
onstitutiva.
Como k é
onstante, podemos solu
ionar esta equação por dupla integração, de tal forma
T (x) = C1 x + C2
um número innito de retas que satisfazem a equação diferen ial. Para representarmos um
informações na obtenção das onstantes, parti ularizando assim a solução. Estas informações
• De Diri
hlet (também
onhe
idas
omo essen
iais ou de primeiro tipo), quando tra-
zem informações sobre o valor da função em pontos do
ontorno;
• De Neumman (também
onhe
idas
omo naturais ou de segundo tipo), quando tra-
zem informações sobre a derivada da função em pontos do
ontorno;
• De Robin (também
onhe
idas
omo de ter
eiro tipo) quando são expressas
omo uma
ombinação linear de valores da função em pontos de
ontorno
om valores da derivada
(extremos do intervalo), podemos identi
ar duas
ondições de
ontorno essen
iais: T (0) = T0
e T (L) = TL , resultando em
T (0) = T0 = C1 + C2 ∗ 0
T (L) = TL = C1 + C2 ∗ L
equação geral de nossa EDO. Supondo, por exemplo, que qx (0) = −q0 (entrando) e T (L) = T1 ,
258 CAPÍTULO 29. EQUAÇÕES DIFERENCIAIS
então teremos uma
ondição de
ontorno natural em x = 0 e uma
ondição essen
ial em x = L.
Utilizando a lei de Fourier, temos que
dT (x)
−k = −q0
dx
tal que, utilizando a solução geral T (x) = C1 + C2 x, obtemos
q0
kC2 = q0 → C2 =
k
q0 L
e,
om a
ondição de
ontorno essen
ial em x=L obtemos C1 = T1 − k
, tal que a solução
q0 L q0
T (x) = T1 − + x.
k k
É interessante notar que uma mesma equação diferen
ial pode ser utilizada para modelar
deslo amento axial de uma barra de área A e módulo de elasti idade longitudinal E onstantes,
de a ordo om a gura abaixo. Neste aso, podemos realizar o balanço diferen ial dos uxos
(tensões normais) no ontorno do elemento diferen ial (aqui iremos utilizar a notação artesiana,
em
dσxx
= 0.
dx
A relação
onstitutiva é dada pela famosa lei de Hooke
du(x)
σxx = Eεx x = E
dx
permitindo obter uma equação diferen
ial de segunda ordem em termos dos deslo
amentos
axiais, u(x)
29.1. CLASSIFICAÇO E EXEMPLOS 259
d du(x)
E = 0,
dx dx
om solução geral u(x) = C1 + C2 x (
omparar
om a solução da
ondução de
alor). No
problema foram informadas duas ondições de ontorno: uma essen ial (deslo amento zero em
du(L) q0
E = q0 → C2 =
dx E
tal que a solução será
q0
u(x) = x
E
ou,
onsiderando que a tração no
ontorno seja apli
ada de forma homogênea sobre a área A,
F
então q0 = A
, tal que
F
u(x) = x.
EA
Um fato interessante é que um mesmo fenmeno pode ser modelado por equações diferen
iais
ordinárias ou par iais, dependendo do modelo. A ondução de alor 1D, estudada a pou o,
quando estudada em 2 ou 3 dimensões gera uma equação diferen ial par ial.
tal que, uma vez simpli ado e normalizado pelo diferen ial de volume, resulta em
dqx dqy
+ + Q = 0,
dx dy
que é o divergente do vetor uxo (div q + Q = 0). Introduzindo a relação
onstitutiva bidi-
!( )
dT (x,y)
k 0 dx
q = K∇T = dT (x,y)
0 k dy
260 CAPÍTULO 29. EQUAÇÕES DIFERENCIAIS
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 ∇2 é onhe ido omo operador de Lapla e (Lapla iano) e a equação re ebe o nome de
equação de Poisson. Caso o termo fonte seja nulo, então hamamos a equação de EDP de
Lapla e.
a apli ação de um operador (Linear ou não), sobre uma função, mapeando esta para um outro
∇2 T (x, y) = −Q(x, y)
pode ser intepretada
omo a apli
ação do operador ∇2 sobre o
ampo es
alar T (x, y), mapeando
para o
ampo es
alar −Q(x, y). Assim, podemos utilizar toda a teoria vista na primeira parte da
matéria para estudar as propriedades de uma equação diferen ial, omo se esta fosse a simples
apli ação de um operador. Em espe ial, aso os espaços vetoriais sejam nito dimensionais,
onde fxx denota derivada segunda em relação a x, por exemplo. Os
oe
ientes A, B, C, D, E, F
e G dependem apenas das variáveis independentes, tendo
omo requisito a
ondição
A2 + B 2 + C 2 6= 0.
Quanto a lassi ação, as EDP lineares podem ser lassi adas omo:
• fxx − fy = 0 é parabóli a;
É importante salientar que a lassi ação da EDP permite a avaliação de quais métodos de
solução poderão ser empregados para a sua orreta solução numéri a. Ainda mais interessante,
• Hiperbóli a: Está asso iada a leis de onservação, omo no aso do teorema da divergên-
ia. Neste tipo de equação diferen ial, a solução se omporta omo a propagação de uma
onda, ou seja, se apli armos uma perturbação nas ondições de ontorno ou nas ondições
ini iais, ada ponto do domínio demora um erto tempo para sentir o efeito.
• Elípti a: Suas soluções não podem ter des ontinuidades nas derivadas. Diferentemente
das equações hiperbóli as, não existe uma propagação de informação ao longo do domínio,
tal que este tipo de equação é adequado para des rever problemas que não dependam do
tempo.
• Parabóli a: Está asso iada a problemas uja solução se omporta de forma semelhante a
om x ∈ [0, L]. Sabemos que a solução desta equação diferen
ial é uma função (variável
n
dependente) y(x), que deve ser n-diferen
iável, ou seja, perten
ente ao
onjunto de funções C .
Ainda, y(x) deve satistazer a equação diferen
ial em todos os pontos do domínio (∀x ∈ [0, L]).
Supondo, por um momento, que tenhamos uma função ỹ(x) que satisfaça os requisitos de
diferen
iabilidade e as
ondições de
ontorno, mas que não solu
ione a EDO em todos os pontos.
Neste
aso, a introdução de ỹ(x) na equação diferen
ial irá resultar em
onde r(x) é onhe ido omo resíduo. Obviamente, se ỹ(x) = y(x) =⇒ r(x) = 0. Assim, uma
boa solução será aquela que minimiza o resíduo, sendo justamente esta estratégia utilizada nos
A satisfação da equação diferen ial em todos os pontos, oforme visto a ima, torna o pro e-
dimento de solução bastante
ompli
ado. Assim, ao invés do requisito forte ou ponto a ponto,
podemos bus
ar a solução fra
a (no sentido de
onvergên
ia) por meio de um fun
ional linear
onde w(x) é onhe ida omo função teste (ou peso). Esta expressão nada mais é, no espaço das
funções, do que
Z 1
r(x)w(x) dx = 0
0
que pode ser interpretada omo uma média ponderada (por w) da função resíduo ao longo
263
264 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
realizar uma interpretação mais geométri a, uma vez que sabemos que a ondição
impli a em ortogonalidade entre a função resíduo e a função teste. Assim, podemos dizer que
d2 T (x)
= 1, x ∈ (0, 1)
dx2
om
T = 0 em x = 0 e em x = 1
om solução exata
x x2
T (x) = − + .
2 2
Supondo que seja es
olhida uma função
T̃ (x) = a0 sin(π ∗ x)
para aproximarmos a equação diferen ial, então veri amos que esta satisfaz o grau de diferen-
d2 T̃ (x)
r(x) = −1
dx2
tal que sua ortogonalização em relação a uma função peso w(x) resulta em
Z !
1
d2 T̃ (x)
− 1 w(x) dx = 0
0 dx2
Z 1 Z 1
2
−π a0 sin(πx)w(x) dx = w(x) dx.
0 0
Neste ponto a laro que a es olha de w(x) irá denir a qualidade da aproximação. De
fato, diferentes es olhas para w(x) levam a diferentes métodos de solução. Es olhendo o mesmo
w(x) = b0 sin(πx)
tal que
Z 1 Z 1
2
−π a0 sin(πx)b0 sin(πx) dx = b0 sin(πx) dx.
0 0
265
resultando em
π2 2 4
−a0 b0 = b0 =⇒ a0 = − 3
2 π π
tal que a melhor aproximação (
onsiderando estes espaços) será:
4
T̃ (x) = − sin(πx).
π3
A gura 30.1 mostra a solução exata sobreposta a aproximação obtida, bem
omo o
om-
portamento do resíduo.
Figura 30.1: Aproximação obtida para w(x) = b0 sin(πx) (topo) e função resíduo (embaixo)
É interessante notar que podemos lançar mão de outas funções de ponderação. Por exemplo,
podemos utilizar
Z 1 Z 1
2
−π a0 sin(πx)b0 δ(x − 0.5) dx = b0 δ(x − 0.5) dx.
0 0
266 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
tal que
π 1
2
−a0 b0 π sin = b0 =⇒ a0 = −
2 π2 sin(0.5π)
resultando em
1
T̃δ (x) = − sin(πx),
π2 sin(0.5π)
om o grá
o ilustrado na gura 30.2.
Figura 30.2: Aproximação obtida para w(x) = b0 δ(x − 0.5) (topo) e função resíduo (embaixo)
Por m, podemos onsiderar w(x) = H(0) − H(1), orrespondendo a função degrau (Hea-
Z 1 Z 1
2
−π a0 sin(πx)b0 dx = b0 dx.
0 0
resultando em
1
−2πa0 b0 = b0 =⇒ a0 = −
2π
267
tal que
1
T̃H (x) = − sin(πx),
2π
om o
omportamento ilustrado no grá
o da gura 30.3.
Figura 30.3: Aproximação obtida para w(x) = b0 H(0) (topo) e função resíduo (embaixo)
É importante notarmos que os uxos (ou seja, a derivada de T) não apresentam a mesma
dT (x)
qanalitico = = x − 0.5
dx
e os demais uxos são
4 cos (π x)
qT̃ = − ,
π2
cos (π x)
qTδ = − ,
π sin (0.5 π)
268 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
cos (π x)
qTH = − .
2
A gura 30.4 apresenta o
omportamento dos uxos ao longo do
omprimento, para todos
Para ilustrar omo este pro edimento pode ser estendido para bases de maior ardinalidade,
n
X
T̃ (x) = ak sin(kπx)
k=1
onde a laro que esta ombinação linear satistaz as ondições de ontorno e os requisitos de
resultando em
d2 T̃ (x)
r(x) = −1
dx2
tal que sua ortogonalização em relação a uma função peso w(x) resulta em
269
Z !
1
d2 T̃ (x)
− 1 w(x) dx = 0
0 dx2
9 π 2 a3 b3 + 4 π 2 a2 b2 + π 2 a1 b1 2 b3 + 6 b1
− =
2 3π
tal que, agrupando por bi , obtemos:
π 2 a1 2
− =
2 π
−2 π 2 a2 = 0
9 π 2 a3 2
− =
2 3π
resultando em a1 = − π43 , a2 = 0 e a3 = − 274π3 tal que
4 4
T̃ (x) = − 3
sin(πx) − sin(3πx)
π 27 π 3
Com esta solução melhorada ou renada, observamos uma melhora signi
ativa no
ál
ulo
de uxos,
onforme ilustrado na gura 30.6.
270 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
Tarefa:
Solu ione o problema dis utido a ima, onsiderando que a função T (x) é aproximada por um
• w(x) omo uma ombinação linear de 3 funções δs om entros distintos (utilize pontos
Agora ompare as soluções obtidas om a solução analíti a e faça uma análise dos resultados.
Continuando, podemos veri ar após o extenso exemplo dis utido a ima que o método
• Da lasse de funções utilizadas para des rever a variável dependente da equação diferen ial
(aproximação);
Em espe ial, tivemos o uidado de sele ionar uma família de funções T (x) que:
2
• Perten
esse ao espaço das funções 2× diferen
iáveis (C ).
d2 T (x)
= 1, x ∈ (0, 1)
dx2
e a ortogonalização de seu resíduo
Z !
1
d2 T̃ (x)
− 1 w(x) dx = 0.
0 dx2
Z 1 Z 1
d2 T̃ (x)
w(x)dx = w(x)dx
0 dx2 0
• A integral de domínio agora ontém derivadas de primeira ordem, tanto de T̃ (x) quanto
de w(x);
O primeiro item indi a que graças a este simples pro edimento de integração por partes
podemos pro
urar a solução aproximada, T̃ (x) em um espaço menos restrito do que C2 (neste
1
aso, funções da
lasse C satisfazem a relação).
O segundo item também é interessante, pois pelo pro edimento de integração por partes
obtivemos naturalmente o uxo no ontorno. Por este motivo, estas ondições de ontorno são
hamadas de "naturais". Ainda, se assumirmos que w(x) tem que satisfazer as ondições de
ontorno essen iais de T̃ (x), então veri amos que sempre saberemos ao menos um dos valores
Como exemplo, vamos onsiderar a nossa equação diferen ial om as seguintes ondições de
ontorno:
dT (1)
T (0) = 0 e =2
dx
e vamos pro
urar a nossa solução em um espaço de polinmios de segundo grau, ie,
om base
T̃ (x) = a1 x + a2 x2
272 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
e, omo função teste, podemos utilizar w(x) des rita no mesmo espaço, ou seja
w(x) = b1 x + b2 x2 .
Z 1 Z 1
dT̃ dT̃ (x) dw(x)
w(x)n|10 − = w(x)dx
dx 0 dx dx 0
Z 1
dT̃ (x) dw(x) (4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
=
0 dx dx 3
para a integral de domínio no lado direito
Z 1
2 b2 + 3 b1
w(x)dx =
0 6
para o
ontorno em x=0
(2a2 x + a1 ) ∗ 0
e, para o ontorno em x = 1,
2 ∗ b1 ∗ 1 + b2 12 .
(4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1 2 b2 + 3 b1
2 ∗ b1 ∗ 1 + b2 12 − 0 − =
3 6
de tal forma que, agrupando por termos de b em
omum, obtemos
3 a2 + 3 a1 1
b1 ) 2 − =
3 2
4 a2 + 3 a1 1
b2 ) 2 − =
3 3
e, organizando na forma Ax = b, obtemos
!( ) ( )
9
3 3 a1 2
=
3 4 a2 5
tal que a1 = 1 e a2 = 0, 5. Com isto, obtemos uma solução aproximada
1
T̃ (x) = x + x2
2
om
dT̃ (x)
= 1 + x.
dx
273
Que é a solução exata para o problema. Poderíamos ter utilizado um espaço mais simples
T̃ (x) = a1 ∗ x
3
e, neste
aso, a1 = 2
, que é a melhor aproximação possível neste espaço.
O poder da integação por partes a mais evidente no aso de uma equação de quarta
ordem, omo no aso da famosa equação da linha elásti a de uma viga longa. Esta equação é
dada por
d4 v(x)
= q(x) EI
dx4
onde E é o módulo de elasti
idade longitudinal, I é o momento de inér
ia da seção transversal,
elásti a
dv(x)
θ(x) =
dx
o esforço
ortante
dq(x) d3 v(x)
V (x) = − =−
dx dx3
e o momento etor
dV (x) d2 v(x)
M(x) = − =
dx dx2
Neste
aso, podemos denir o resíduo
omo
d4 ṽ(x)
r(x) = EI − q(x)
dx4
tal que o pro
edimento de ortogonalização do resíduo resulta em
Z L
d4 ṽ(x)
EI − q(x) w(x)dx = 0
0 dx4
ou Z Z
L L
d4 ṽ(x)
EI w(x)dx = q(x)w(x)dx.
0 dx4 0
Por estas equações a laro que o espaço de funções que satisfaz esta equação diferen ial é
da lasse C 4, o que é bastante restritvo. Com o objetivo de amenizar este requisito, podemos
Z L
d3 ṽ(x) d3 ṽ(x) dw(x)
EI w(x)|L0 − EI dx
dx3 0 dx3 dx
de onde podemos veri
ar que mais uma integração por partes ainda é possível. Efetuando
Z L
d2 ṽ(x) dw(x) L d2 ṽ(x) d2 w(x)
EI | − EI ,
dx2 dx 0 0 dx2 dx2
resultando em
Z L Z L
d3 ṽ(x) L d2 ṽ(x) dw(x) L d2 ṽ(x) d2 w(x)
EI w(x)| 0 − EI | + EI = q(x)w(x)dx.
dx3 dx2 dx 0 0 dx2 dx2 0
Neste ponto, podemos veri
ar que após duas integrações por partes obtivemos uma ex-
2
pressão que impoe um requisito de
ontinuidade C para ṽ(x) e w(x). Além disto, temos os
termos de ontorno:
d3 ṽ(x)
EI w(x)
| {zdx3 }
v(x) no ontorno, e
d2 ṽ(x) dw(x)
EI
| {zdx2 } dx
ṽ(x) = a2 x2 + a3 x3
w̃(x) = b2 x2 + b3 x3
tal que
Z L
d2 ṽ(x) d2 w(x) 3 2
EI = EI 12 a3 b3 L + (6 a2 b3 + 6 a3 b2 ) L + 4 a2 b2 L ,
0 dx2 dx2
275
Z L
q0 (3 b3 L4 + 4 b2 L3 )
q0 w(x)dx =
0 12
om w(0) = θ(0) = 0, devido ao engaste, e V (L) = M(L) = 0. Assim, os termos de
ontorno
q0 (3 b3 L4 + 4 b2 L3 )
EI 12 a3 b3 L3 + (6 a2 b3 + 6 a3 b2 ) L2 + 4 a2 b2 L =
12
tal que, separando por termos
omuns em b, obtemos
q0 L3
b2 ) 6EI a3 L2 + 4EI a2 L =
3
q0 L4
b3 ) 12EI a3 L3 + 6EI a2 L2 =
4
dando origem ao sistema linear
!( ) ( )
q 0 L3
4L 6L2 a2 3
EI = q 0 L4
6L2 12L3 a3 4
5q0 L2 q0 L
om solução a2 = 24EI
e a3 = − 12EI , tal que
5q0 L2 2 q0 L 3
ṽ(x) = x − x
24EI 12EI
que pode ser
omparada a solução analíti
a
q0 x2
v(x) = 6L2 − 4Lx + x2
24EI
Figura 30.8: Comparação entre a solução aproximada
om um polinmio de segundo grau (azul)
e a exata (vermelho) para o problema da viga longa.
276 CAPÍTULO 30. MÉTODO DOS RESÍDUOS PONDERADOS
Tarefa:
Solu ione o problema dis utido a ima para um polinmio de quarto grau e ompare om a
solução exata.
Parte IV
Material Complementar
277
Capítulo 31
algoritmos no S ilab
279
280CAPÍTULO 31. EXEMPLOS DE IMPLEMENTAÇO DOS ALGORITMOS NO SCILAB
Algoritmo 55 Solu
iona um sistema linear de equações utilizando o método de Gauss-Ja
obi.
1
2 fun
tion [ xp℄= Gauss_Ja
obi (A, x , b , n , t o l , nmaxiter )
3 xp = z e r o s ( n , 1 )
4 for k=0: nmaxiter
5 norma = 0
6 for i =1:n
7 somatorio = 0
8 for j =1: i −1
9 s o m a t o r i o = s o m a t o r i o + A( i , j ) ∗ x ( j )
10 end
11 for j=i +1:n
12 s o m a t o r i o = s o m a t o r i o + A( i , j ) ∗ x ( j )
13 end
14 xp ( i ) = ( 1 /A( i , i ) ) ∗ ( b ( i )− s o m a t o r i o )
15 norma = norma + ( x ( i )− xp ( i ))^2
16 end
17 i f s q r t ( norma ) <= t o l then
18 d i s p ( "Norma f o i a t i n g i d a " , norma , k )
19 break
20 end
21 x = xp
22 end
23 endfun
tion
289