Sie sind auf Seite 1von 294

Notas de Aula de Fundamentos de Matemti

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

Eduardo Lenz Cardoso


10 de Agosto de 2016

Contedo

Parte I: Fundamentos de Anlise


Parte II: Cl ulo Numri o
Parte III: Equaes Diferen iais
Parte IV: Material Complementar

I Fundamentos de Anlise

1 Introduo
1.1

1.2

1.3

11

Con eitos Bsi os

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

1.1.1

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

13

1.1.2

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

14

Operadores Lgi os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

1.2.1

E Lgi o (AND)

15

1.2.2

No Lgi o (NOT)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

1.2.3

Ou lgi o (OR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

Provas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.3.1

Prova Direta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.3.2

Contra-Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Teoria de Conjuntos

19

2.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.2

Quanti adores

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.2.1

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

20

2.2.2

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

21

2.3

Operaes om Conjuntos

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Nmeros Reais
3.1

25

Algumas Propriedades dos nmeros reais.

. . . . . . . . . . . . . . . . . . . . .

4 Funes
4.1

Composio de Funes

27

29
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

37

5 RN
5.1

21

Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3

40

CONTEDO

5.2

Conjuntos abertos e fe hados em

RN

. . . . . . . . . . . . . . . . . . . . . . . .

6 Espaos Vetoriais

42

47

6.1

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

48

6.2

Transformao Linear de Espaos Finito Dimensionais

. . . . . . . . . . . . . .

50

6.3

Mudana de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

55

6.4

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

59

6.5

Formas lineares, bilineares e quadrti as

61

. . . . . . . . . . . . . . . . . . . . . .

7 Produto Interno

67

7.1

Ortogonalidade

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

68

7.2

Projeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

69

7.3

Ortogonalizao de Gramm-S hmidt

. . . . . . . . . . . . . . . . . . . . . . . .

73

7.4

Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

74

8 Autovalores e Autovetores

77

8.1

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

83

8.2

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

83

8.3

Subespaos Prprios

85

8.4

Problema Generalizado de Autovalores e Autovetores

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .

87

9 Continuidade

91

10 Sequn ias

95

10.1 Sequn ias de Cau hy

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

98

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

99

11 Srie de Fourier

101

II Cl ulo Numri o

107

12 Con eitos Bsi os de Cl ulo Numri o

109

12.1 Representao de nmeros naturais em diferentes bases . . . . . . . . . . . . . . 109


12.2 Representao da parte fra ionria de um nmero real
12.3 Representao de Nmeros em Computadores
12.4

Epsilon

da Mquina

. . . . . . . . . . . . . . 111

. . . . . . . . . . . . . . . . . . . 111

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

12.5 Valores espe iais reservados pela norma . . . . . . . . . . . . . . . . . . . . . . . 114


12.6 Pre iso e A ur ia (Exatido)
12.7 Propagao de Erros

. . . . . . . . . . . . . . . . . . . . . . . . . . . 115

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

12.8 Di as Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

13 Des rio Bsi a de um Algoritmo


13.1 Exemplos

119

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

CONTEDO

14 Razes de Equaes

123

14.1 Mtodo da Bise o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123


14.2 Mtodo

Regula Falsi

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

14.3 Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125


14.4 Mtodo da Se ante

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

15 Operaes Bsi as om Matrizes

131

15.1 Multipli ao por um es alar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132


15.2 Soma de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
15.3 Transposta de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
15.4 Multipli ao de Matriz por um vetor . . . . . . . . . . . . . . . . . . . . . . . . 134
15.5 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
15.6 Produto de duas Matrizes
15.7 Norma

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

15.8 Trao de Uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138


15.9 Complexidade de um Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

16 Triangularizao de uma Matriz Quadrada

141

16.1 Mtodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141


16.1.1 Pivotamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
16.2 Cl ulo de Determinante de uma matriz obtida por triangularizao . . . . . . . 144
16.3 Soluo de um Sistema de Equaes Lineares . . . . . . . . . . . . . . . . . . . . 145
16.3.1 Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

17 De omposio LU

149

17.1 Cal ulo de Determinante por De omposio LU


17.2 Inversa de uma Matriz por De omposio LU

. . . . . . . . . . . . . . . . . . 153

. . . . . . . . . . . . . . . . . . . 153

18 Mtodo de Cholesky

155

18.1 De omposio LDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

19 Condi ionamento de uma Matriz

159

19.1 Matrizes de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

20 Mtodos Iterativos para a Soluo de Sistemas Lineares

163

20.1 Mtodo de Gauss-Ja obi

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

20.2 Mtodo de Gauss-Seidel

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

20.3 Mtodo do Gradiente - Steepest Des ent

. . . . . . . . . . . . . . . . . . . . . . 168

20.4 Mtodo dos Gradientes Conjugados . . . . . . . . . . . . . . . . . . . . . . . . . 170


20.4.1 Pr-Condi ionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

CONTEDO

21 Sistemas de Equaes Lineares Complexas

177

22 Soluo de Sistemas No-Lineares

181

23 Soluo de Problemas de Autovalores e Autovetores

183

23.1 Mtodo da Potn ia

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

23.1.1 Mtodo da Potn ia Inversa

. . . . . . . . . . . . . . . . . . . . . . . . . 186

23.2 Mtodo de Ja obi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188


23.3 De omposio Cholesky
23.4 Mtodo QR

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

23.4.1 Utilizando a De omposio

QR

para Solu ionar Sistemas de Equaes

Lineares Mal-Condi ionados. . . . . . . . . . . . . . . . . . . . . . . . . . 199


23.5 OPCIONAL - Mtodo de Leverrier-Faddev . . . . . . . . . . . . . . . . . . . . . 201

24 De omposio em Valor Singular


24.1 Relao entre SVD,

Rank

209

e Espao Nulo de um Operador

24.2 Compresso de Imagens Utilizando o SVD -

. . . . . . . . . . . . 211

Low-Rank Matrix Approximation

25 Problema de Mnimos Quadrados

. 212

217

25.0.1 Es alonamento das Variveis . . . . . . . . . . . . . . . . . . . . . . . . . 219


25.1 Problema de Mnimos Quadrados Denido por uma Equao no Linear dos
Coe ientes

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

26 Derivada Numri a

223

26.1 Diferenas Finitas Complexas


26.2 Cl ulo do Vetor Gradiente

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226

27 Integrao Numri a
27.1 Regra dos Trapzios

229
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

27.2 Regra de Simpson de Segunda Ordem (Primeira Regra de Simpson) . . . . . . . 230


27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra de Simpson)

. . . . . . . 231

27.4 Integrao por Quadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231


27.4.1 Quadratura de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
27.4.2 Integrais duplas e triplas . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
27.4.3 Relao entre os pontos de quadratura e os polinmios de Legendre. . . . 238

28 Transformada Dis reta de Fourier - DFT


aliasing . .
DFT omo um Filtro Digital - Spe tral Leakage

241

28.1 Inun ia da taxa de amostragem -

. . . . . . . . . . . . . . . . . . 248

28.2

. . . . . . . . . . . . . . . . . . 251

28.2.1 Janelamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

CONTEDO

III Equaes Diferen iais

255

29 Equaes diferen iais

257

29.1

Classi ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

29.2 Equaes Diferen iais omo Operadores . . . . . . . . . . . . . . . . . . . . . . . 262


29.3 Equaes Diferen iais Par iais Lineares . . . . . . . . . . . . . . . . . . . . . . . 262

30 Mtodo dos Resduos Ponderados

265

IV Material Complementar

279

31 Exemplos de implementao dos algoritmos no S ilab

281

CONTEDO

Parte I
Fundamentos de Anlise

Captulo 1

Introduo

Os on eitos apresentados aqui serviro para que o leitor seja apaz de ompreender um texto
da rea de me ni a omputa ional, bem omo entenda a lgi a por trs das implementaes
omputa ionais que sero dis utidas ao longo do urso de mestrado.

O texto organizado de maneira a introduzir os on eitos fundamentais em uma sequn ia


lgi a.

Para isto, iremos ini iar om uma reviso de on eitos e nomen laturas bsi as da

matemti a. Aps, ser apresentado o on eito de onjunto e todas as propriedades de interesse


neste urso, uma dis usso sobre os nmeros reais e suas propriedades, on eitos sobre funes
e uma dis usso sobre o

RN

e suas propriedades. Com esta reviso de on eitos fundamentais,

iremos estudar em detalhes os espaos de funes para, aps, nos on entrarmos na denio
dos problemas a serem estudados na dis iplina e na sua implementao numri a.

importante salientar que este material de apoio e

ograa bsi a sobre os assuntos abordados.

no pretende substituir a bibli-

Para tanto, sugiro fortemente que o leitor

onsulte sempre que possvel livros lssi os da rea, omo por exemplo os livros: Optimization
by Spa e Methods de David. G. Luemberger, Engineering Mathemati s de Stroud and Booth,
Mathemati al Methods for Physi s and Engineering (3rd edition): A Comprehensive Guide de
K.F. Riley, Advan ed Engineering Mathemati s de Kreyszig e Introduo Anlise Linear-1,
2 e 3 de Donald Kreider.

Os quatro primeiros aptulos so fortemente baseados no livro

uma Introduo de Edward R. S heinerman.


vasto nmero de livros e das notas de aula.
11

Matemti a Dis reta:

Os demais aptulos so um apanhado de um

CAPTULO 1. INTRODU O

12

1.1 Con eitos Bsi os


Para ini iar, vamos relembrar alguns onjuntos bsi os

N = {0, 1, 2, 3, ....}

N = {1, 2, 3, 4, ....}

Z = {0, 1, 1, 2, 2, ...}

onde

Z = {1, 1, 2, 2, ...}
m
Q = { : m, n Z, n 6= 0}
n
m
Q = { m Z e , n Z }
n

o onjunto dos nmeros naturais,

Quotient ).

nmeros ra ionais (de

Z dos

nmeros inteiros (do alemo

Zhalen ) e Q dos

Com estes onjuntos bsi os, podemos onstruir denies

mais avanadas, omo por exemplo:

Denio: Nmero par


Um nmero par um nmero natural divisvel por 2.

Observem que a denio de par depende de 3 on eitos prvios: nmero natural, divisvel
e

2.

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

N)

mas

alguns que pare em bvios para ns nem sempre so to laros omo pare em. Vamos denir
o on eito de divisvel:

Denio: Divisvel
Sejam
que

bc = a.

inteiros. Dizemos que

Dizemos tambm que

um divisor de

a.

divisivel por

divide

a,

A notao orrespondente

ou que

se existe um inteiro

um fator de

a,

ou que

tal

b| a.

Desta forma, sempre partimos de on eitos primitivos (axiomas) para obtermos on eitos
derivados, por meio de infern ias lgi as. O importante dominar os on eitos fundamentais e,
om algumas ferramentas da matemti a, onstruir o onhe imento na nossa rea de interesse.
Desta forma, tendo o on eito de divisvel e de inteiro, podemos es rever:

Denio: Nmero par (denio alternativa)


Um nmero natural
onde lemos que

par se

divisor de

2| a

ou que

divide

a.

Com esta idia bsi a sobre omo devemos pro eder para onstruirmos on eitos mais avan-

1.1.

CONCEITOS BSICOS

13

ados, devemos agora denir algumas ferramentas muito utilizadas na bibliograa t ni a da


nossa rea. Uma forma de denirmos on eitos derivados pelo estabele imento de um Teorema (ou os seus equivalentes). Um teorema nada mais do que uma armao de larativa
sobre matemti a, para a qual existe uma PROVA (uma armao de larativa algo omo
"vai hover"ou "o Interna ional melhor do que o grmio"). Assim, podemos dizer que um
teorema uma armao sobre algo que sabemos ser verdade e sabemos provar. Por sua vez,
uma Conje tura no tem prova, omo por exemplo, "todo o inteiro par maior do que
de dois primos"( onje tura de Goldba h,

1742).

2 a soma

Podemos rodar um programa de omputador

por 500 anos sem que isto se verique falso, mas para um matemti o isto no uma prova
(para apli aes de engenharia, pode servir, desde que se mostre que as nossas trabalharemos
na faixa de valores veri ados pelo programa). Atualmente, a armao verdadeira para a

[4, 4 1018 ].

faixa

Existem alguns termos utilizados em textos matemti os, omo por exemplo

Teorema: quando importante :0)

Resultado: mesma oisa, s que menos importante

Fato: teorema de importn ia limitada (1+1=2)

Proposio: Um teorema de importn ia limitada

Lema: Um teorema ujo objetivo ajudar a provar um outro teorema

Corolrio: Resultado om uma prova rpida, onde usamos resultados j provados em


outros teoremas

Alegao: Equivale a um lema.

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

1.1.1 Armaes do tipo Se-Ento


So armaes que apresentam a seguinte estrutura: "Se
e

A,

ento

B ",

onde

uma hiptese

uma on luso. Vamos a um exemplo:

Teorema: Se

forem pares ento

Podemos observar que

x+y

par.

A seria a parte "Se x e y forem pares"e que B seria "ento x+y par".

Desta forma, temos uma impli ao em somente um sentido, de tal forma que o simbolismo gr o para este tipo de estrutura

A B.

No entanto, nada dito sobre, por exemplo, a soma

CAPTULO 1. INTRODU O

14

de dois impares tambm resultar em um par. Por isto, importante sempre pensarmos na lgi a (booleana mesmo) destas armaes. Assim, podemos onstruir a seguinte tabela verdade:

AB

Possvel

Impossvel

Possvel

Possvel

que pode ser veri ada om a seguinte armao:


os alunos de FM1 sero aprovados".
on luso

"Se eu ganhar na Mega-Sena, todos

Neste aso, a hiptese

"ganhar na Mega-Sena"e a

seria a aprovao de todos os alunos de Fundamentos da Matemti a.

Vamos

avaliar a tabela verdade:


1)

B:

mas no

Isto viola a armao, pois se eu ganhar os alunos tem que passar. Por

isto (lembrem-se que estamos falando de matemti a, onde no tem enganao !) esta situao
onsta omo impossvel;
2)

B:

3)

mas no

Situao em que

A:

se veri a e, portanto,

o orre;

Pode ser que eu no ganhe, mas os alunos sejam muito bons e, portanto,

sero aprovados de qualquer forma;


4) Nem

nem

B:

Pode ser que eu no ganhe, mas os alunos reprovem por falta de ompe-

tn ia, sem qualquer relao om o resultado da Mega-Sena.


Observem que a situao IMPOSSVEL basta para mostrar que um teorema falso (veremos
isto mais para frente quando estudarmos os tipos de prova).
interessante tambm veri ar que a situao no

A mas B , omo no aso da soma de dois

mpares resultar em um par, possvel e o teorema no arma que isto no possa o orrer.
Este tipo de armao pode ser es rita de formas alternativas, omo por exemplo:
"A impli a em
"Sempre que

B"

A,

temos

"A su iente para

B"

B"

"A ondio su iente para

B"

1.1.2 Armaes do tipo Se-e-somente-se


So armaes que apresentam a seguinte estrutura: "Se

ento

e se

ento

A".

Vamos

a um exemplo

Teorema: Um inteiro

par se e somente se

x+1

impar.

x + 1 impar, ento
x par (observem omo  a redundante..). Neste teorema, temos ento que A seria "x par"e
B seria "x + 1 impar". Para indi ar este aminho em duas vias, utilizamos a notao A B ,
que poderia ser lido omo "Se um inteiro

x par, ento x + 1

impar, e se

1.2. OPERADORES LGICOS

15

om a seguinte tabela verdade:

AB

Possvel

Impossvel

Impossvel

Possvel

E um exemplo bem onhe ido a frase "Um ponto

x de uma funo ontnua um mximo

lo al se e somente se a primeira derivada neste ponto for nula e a segunda derivada for negativa".
Observem que nesta frase temos as seguintes partes:
um mximo lo al"e a parte

A "Um ponto x de uma funo ontnua

"primeira derivada neste ponto for nula

e a segunda derivada

for negativa". Assim, do l ulo I, sabemos que estas ondies s o orrem juntas e, portanto,
hamamos

de " ondio ne essria e su iente"para

A.

Outras formas utilizadas so:

"A sse
"A i

B"
B"

"A equivalente a

B ".

1.2 Operadores Lgi os


1.2.1 E Lgi o (AND)
Observem que no exemplo da seo anterior utilizamos duas ondies para montar o
meira derivada neste ponto for nula

e a segunda derivada for negativa".

B:

"pri-

e que est unindo as

ondies "primeira derivada neste ponto for nula" om "segunda derivada for negativa" um
operador lgi o (E, AND ou

e tem a seguinte tabela verdade

AeB

um exemplo: "Todo o inteiro ujo algarismo das unidades zero divisvel por 2

e por 5".

1.2.2 No Lgi o (NOT)


Simplesmente inverte o signi ado lgi o do operador. Por exemplo "todo nmero par no
impar"pode ser visto omo
simplesmente:

A not(B)

ou, SE par ENT O N O impar. A tabela verdade

CAPTULO 1. INTRODU O

16

e o simbolo alternativo

nao A

1.2.3 Ou lgi o (OR)


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

ou

uma inexo".

derivada for nula em um ponto


inexo". Assim,

x,

ento este ponto de mnimo

Observem que nesta armao temos:

x"e B

vale "este ponto de mnimo

ou

ou

vale "se a primeira


de mximo

ou

uma

ser vlido se ao menos uma ondio for satisfeita (no pre isamos que

todas sejam satisfeitas ao mesmo tempo). A tabela verdade para este operador :

A B

e o smbolo alternativo

A ou B

1.3 Provas
Uma prova uma argumentao que mostra, de maneira irrefutvel, que uma armao verdadeira.

Para entendermos uma prova, pre isamos ompreender a linguagem utilizada para

es rever um texto matemti o e as impli aes da lgi a dis utida nas sees anteriores. Existem vrias maneiras de provar ou de refutar uma armao.

1.3.1 Prova Direta


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

B).

Proposio 1. A soma de dois inteiros pares par.


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

1.3. PROVAS

17

Proposio 2. Sejam a, b e c inteiros. Se a| b e b| c, ento a| c.


Prova: Como a| b, existe um inteiro x tal que b = ax. Da mesma forma, existe um inteiro
y tal que c = by. Portanto, existe um inteiro z tal que c = az , pois c = (ax)y = axy = az.

Para provarmos uma armao do tipo Se-e-Somente-Se, temos que realizar o ra io nio nos
dois sentidos, na forma

A B
A B

Proposio 3. Seja x um inteiro. Ento x par se e somente se x + 1 impar


Prova:
supondo que x par, temos que 2| x. Logo, existe um inteiro a tal que x = 2a e, somando
1 em ambos os lados obtemos x + 1 = 2a + 1, que satisfaz a ondio de um nmero mpar.
supondo que x + 1 mpar, pela denio temos que existe um inteiro b tal que x + 1 =
2b + 1. Subtraindo 1 de ambos os lados, obtemos x = 2b, que a ondio para x ser par (por
denio).

1.3.2 Contra-Exemplo
Mais f il do que onstruir destruir. Assim, podemos refutar uma armao se mostrarmos
que ela falha em uma determinada situao. Para a lgi a matemti a, basta um aso invlido
para refutar a validade da armao omo um todo (ao ontrrio de mostrar que fun iona em
uma situao espe  a, que no su iente).
Vamos a um exemplo:

Proposio 4. Sejam a e b inteiros. Se a| b e b| a, ento a = b.


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

CAPTULO 1. INTRODU O

18

Como literatura omplementar, sugiro o material


http://www.i .uni amp.br/ anamaria/ ursos/MC348/2010-2/livro-apost-03.pdf

Captulo 2
Teoria de Conjuntos

2.1 Introduo
Um onjunto uma oleo de objetos distintos e bem denidos.
(

sets )

O on eito de onjuntos

foi introduzido por Georg Cantor, que utilizou a seguinte denio "Um onjunto um

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


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

x perten e (faz parte de) um onjuto A om a notao


xA

e um onjunto pode ser denido extensivamente

A = {2, 4, 6, 8, 10}
ou ompreensivamente

A = {x N, x > 1 e x 1000}
onde a primeira parte da denio hamada de domnio,
de ondio (observem o uso do operador lgi o

est ontido em

B (A B )

e).

x N,

e a segunda parte hamada

Sendo dois onjuntos

se e somente se todo elemento de

B,

dizemos que

for elemento de

B:

(perten ente ao universo),

A B sse x U x A x B
onde se l:

perten e a

est ontido em

impli a em

se e somente se, para todo

perten er a

B.

O on eito de universo um artif io para

onsiderarmos todos os possveis elementos existentes (no es opo do problema).


Observem que esta denio de onhe imento geral, mas novamente utilizamos uma srie
19

CAPTULO 2. TEORIA DE CONJUNTOS

20

de smbolos e on eitos que devem ser bem denidos. Em espe ial, vamos denir os quanti adores.

2.2 Quanti adores


Na denio de

para todo,, que um quanti ador universal.

utilizamos o on eito de

Esta

denio impli a em onsiderarmos todos os possveis valores, na forma

x A,

armao sobrex

om as seguintes variaes:

"todo inteiro par ou mpar"

"todos os inteiros so pares ou mpares"

" ada inteiro ou par ou mpar"

"seja

um inteiro qualquer. Ento

par ou mpar"

Para provarmos uma armao om "para todo", temos que mostrar que a armao
sempre vlida, para qualquer o orrn ia de

Um outro quanti ador o


do elemento, na forma

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


x A,

Este um

x.

quanti ador existen ial

armao sobre

e pode ser es rito nas seguintes variaes:

"Existe um nmero natural que primo e par"

"Existe um x, membro de

N,

tal que

primo e par"

interessante notar que para provarmos uma armao om Existe, basta mostrar que

par e primo e, portanto, a

"No existe inteiro que seja simultaneamente par e mpar".

Podemos representar esta

uma o orrn ia da armao verdadeira (neste aso, o nmero


armao vlida).

2.2.1 Negao de quanti adores


Vamos onsiderar a seguinte armao:

armao das seguintes formas


1)
2)

(x Z, x

x Z, (x

par e mpar)
par e mpar)

2.3.

OPERAES COM CONJUNTOS

onde na primeira verso lemos


lemos para todo x inteiro

no

no

21

( existe x inteiro que par e impar) e na segunda

existe x par e mpar. As duas armaes so equivalentes.

Mais um exemplo: "Nem todos os inteiros so primos":


1)(x

2)

Z, x

x Z, (x

que signi am:

primo)
primo)

no

(todo x inteiro primo) e existe x inteiro

no

primo.

2.2.2 Unio de quanti adores


possvel agrupar quanti adores para ns de breviedade de notao. Vamos a alguns exemplos:
"Para todo o x, existe um y tal que x+y=0"...x, y, x
"Existe um y, tal que para todo o x, temos

+y =0
x+y=0"...y, x, x + y = 0

No entanto, devemos ter muito uidado om a sequn ia dos quanti adores. Vamos provar
a primeira armao:

Proposio 5. x, y, x + y = 0

Prova: Seja um x arbitrrio e seja y = x.Ento x + y = x x = 0.

No entanto, uma pequena alterao pode mudar totalmente o sentido da armao, omo
por exemplo

Proposio 6. y, x, x + y = 0

Contra-Exemplo: dado um y = 2 podemos es olher x = 10, que viola a ondio e, portanto,


invalida a armao.

2.3 Operaes om Conjuntos


Com as denies das sees anteriores, podemos fo ar om mais profundidade no on eito de
onjunto e suas operaes.

Unio de Conjuntos:
Sejam dois onjuntos
em

ou em

B,

B.

A unio de

o onjunto de todos os elementos que esto

tal que

A B = {x : x A x B}

CAPTULO 2. TEORIA DE CONJUNTOS

22

Interseo de Conjuntos:
Sejam dois onjuntos
esto em

e em

B,

B.

A interseo de

o onjunto de todos os elementos que

tal que

A B = {x : x A x B}

Com as seguintes propriedades ( omutativas, asso iativas e distributivas):


1.

AB =BA

2.

AB =BA

3.

A (B C) = (A B) C

4.

A (B C) = (A B) C

5.

A (B C) = (A B) (A C)

e, em relao ao onjunto vazio, observamos que


1.

A =A

2.

A = .

Para provarmos estas propriedades, podemos utilizar os on eitos de unio e interseo, omo
por exemplo:
Prove que

A (B C) = (A B) C :

Da denio de unio entre onjuntos, temos que

BC

pode ser es rita omo

B C = {x : x B x C}
tal que o lado esquerdo da armao que estamos tentando provar pode ser es rito omo

A (B C) = {x : (x A) (x B x C)}.
Usando a propriedade asso iativa do operador

ou

podemos es rever

{x : (x A) (x B) (x C)}

2.3.

OPERAES COM CONJUNTOS

23

que equivale a

{x : (x A B) (x C)}
ou

(A B) C.
Observem que om este tipo de onstruo podemos provar vrias propriedades de onjuntos.
Diferena de Conjuntos:
A diferena entre dois onjuntos denotada por
elementos que perten em a

mas no perten em

AB
a B , tal

e signi a que queremos todos os


que

A B = {x : x A x
/ B}.

Diferena Simtri a de Conjuntos:


A diferena simtri a entre dois onjuntos denotada por
os elementos que esto em

e no em

E em

AB

mas no em

e signi a que queremos todos

A,

tal que

AB = (A B) (B A).

Produto Cartesiano de Conjuntos:


Sejam dois onjuntos

A e B.

O produto artesiano de

A e B,

denotado por

AB

o onjunto

de todos os pares ordenados (listas de dois elementos) formados tomando-se um elemento de


juntamente om um elemento de

de todas as maneiras possveis, tal que

A B = {(a, b) : a A, b B}

CAPTULO 2. TEORIA DE CONJUNTOS

24

Como exemplo, vamos onsiderar


temos que

A = {1, 2}

B = {3, 4}.

Assim, pela denio a ima,

A B = {(1, 3), (1, 4), (2, 3), (2, 4)}


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

(A B 6= B A).

Cardinalidade de um Conjunto ( ardinality)


A ardinalidade de um onjunto nada mais do que o nmero de membros distintos que ele
ontm.
Assim, um onjunto

A = {1, 1, 2, 3, 4}

tem ardinalidade

|A| = 4,

pois ontamos somente os

elementos distintos. Note que as seguintes relaes entre ardinalidade e as operaes denidas
a ima podem ser obtidas:

A ardinalidade do produto artesiano igual ao produto das ardinalidades


Sejam dois onjuntos

B.

Ento,

|A B| = |A| |B|

e, voltando ao exemplo anterior, temos que


onjunto

{(1, 3), (1, 4), (2, 3), (2, 4)} tem

|A| = 2

|B| = 2,

tal que

quatro elementos (pares).

|A B| = 4,

pois o

Captulo 3
Nmeros Reais

Os nmeros reais,

R,

so utilizados para representar quantidades ontnuas e so a expanso

do onjunto dos nmeros ra ionais, pela onsiderao dos nmemeros irra ionais (fraes que
no podem ser obtidas pela diviso de dois inteiros). Assim, temos que

N Z Q R...
O onjunto dos nmeros reais obtido por meio de alguns axiomas, onhe idos omo axiomas
de orpo. Assim,

Adio:

Multipli ao:

um onjunto no vazio onde podemos denir duas operaes fe hadas:

+ :RR R

ou

(x, y) x + y ;

:RRR

ou

(x, y) x y ;

om os axiomas asso iados a soma:

Asso iatividade:

(x + y) + z = x + y + z

Comutatividade:

x + y = y + x x, y R;

Elemento Neutro:

Simtri o:

x, y, z R;

x + 0 = x x, 0 R;

x + (x) = 0 x, 0 R;

e om os axiomas asso iados a multipli ao:

Asso iatividade:

(x y) z = x y z

x, y, z R;

Comutatividade:

x y = y x x, y R;

Elemento Neutro:

Inverso Multipli ativo:

x 1 = x 1, 0 R;
x x1 = 1 x, 1 R x 6= 0;

alm do axioma da distributividade, que estabele e que

x (y + z) = x y + x z

x, y, z R.

Por m, mas no menos importante, temos um onjunto de axiomas referentes ao on eito
de Conjunto Ordenado (ou Corpo Ordenado), que d origem ao on eito de inequaes. Para
25

CAPTULO 3. NMEROS REAIS

26

este m, denimos um sub onjunto


aos seguintes axiomas:

P R, que ontm os elementos positivos de R, atendendo

A soma e o produto de nmeros positivos so positivos;

Para

ou seja,

xP

temos trs alternativas:

x = 0, x P , (x) P ;

R = 0 P (P ), onde o onjunto P

onhe ido omo onjunto dos nmeros (reais)

negativos.

Uma vez que ordenamos os nmeros reais, podemos observar que

x > 0 se x P ;
x < 0 se x P ;
x 0 se x P 0;
x 0 se x P 0;
e

x > y x y > 0;
x < y x y < 0;
x y x y 0;
x y x y 0;
dando origem ao on eito de desigualdade, que fundamental para denirmos intervalos de
nmeros reais.
Um intervalo nada mais do que um sub onjunto de

R,

denido entre dois valores (nitos

ou innitos). Desta forma, temos as seguintes possibilidades:

(a, b) = {x R : x > a x < b};


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

(a, +) = {x R : x > a};


[a, +) = {x R : x a};
(, a) = {x R : x < a};
(, a] = {x R : x a};
para intervalos innitos.

3.1.

ALGUMAS PROPRIEDADES DOS NMEROS REAIS.

27

3.1 Algumas Propriedades dos nmeros reais.


Vamos apresentar algumas denies importantes ao trabalharmos om nmeros reais:

Cota superior e ota inferior:


Seja um onjunto

S R.

mente, dizemos que

uR

Dizemos que

vR

ota inferior de

ota superior de

se

se

s S, v s.

s S, s u.

Analoga-

assim, de uso da denio a ima, podemos tambm denir

Conjunto Limitado por baixo e Conjunto Limitado por Cima:


Se um onjunto

tem ota inferior, dizemos que ele limitado por baixo ou limitado inferior-

mente. Analogamente, se o onjunto tem ota superior, dizemos que ele limitado por ima
ou limitado superiormente.
Como exemplo, podemos itar o onjunto dos nmeros naturais, que tem uma ota inferior,

0,

mas no tem ota superior. Avaliando as denies a ima, podemos veri ar que um onjunto
limitado por ima, por exemplo, pode ter diversas otas superiores.
armao, vamos onsiderar o onjunto

A = [0, 1].

Para veri armos esta

Qualquer nmero real maior ou igual a

0 ser ota inferior,

ser uma ota superior para o onjunto e qualquer nmero menor ou igual a
pois a denio espe i a que as otas devem perten er a

R.

Com isto em mente, podemos

denir os on eitos de Supremo e de Inmo:

Supremo de um onjunto / Inmo de um onjunto:


Se um onjunto

sup(S) a menor de suas


hamamos de inmo ou inf (S) a

limitado por ima, hamamos de supremo de

otas superiores. Analogamente, se

limitado por baixo,

ou

maior de suas otas inferiores.


omo exemplos, podemos itar os seguintes onjuntos:
1)

A = {x R : 0 x 1}

Neste aso, temos que o onjunto est denido entre

innitas otas superiores, pois qualquer nmero real na faixa


entanto,

1,

in lusive.

Assim,

ontm

[1, ) satisfaz a denio 3.1.

No

a menor das otas superiores e, portanto, o supremo do onjunto. O mesmo vale

para o extremo esquerdo do intervalo. Assim:


2)

inf (A) = 0

sup(A) = 1.

B = {x R : 0 x < 1}

O que muda no segundo exemplo o fato de o limite superior do intervalo agora ser denido
por um intervalo aberto. Neste aso, as otas superiores estaro na faixa
ser o menor valor deste intervalo. Assim,

sup(B) = 1,

importante na prti a da me ni a omputa ional:

sup(A) A
sup(B)
/ B

(1, )

e o supremo

mas om uma diferena que muito

CAPTULO 3. NMEROS REAIS

28

ou seja, no segundo aso o supremo no est ontido no onjunto.

Valor Absoluto de um nmero real:


Seja um nmero

a R.

O valor absoluto (ou em mdulo) de

|a| =
assim, se

a = 1,

temos que

seguintes relaes:

|a| = |a| , a R

2.

|ab| = |a| |b| , a, b R

3.

|a| k a [k, k], a, k R

4.

|a| a |a| , a R.

dado por

+a se a > 0
a se a < 0

|a| = (1) = 1.

1.

Teorema 1.

Com esta denio, podemos estabele er as

Desigualdade Triangular

Sejam a, b R,

|a + b| |a| + |b|

e este teorema to utilizado, que vamos apresentar a prova para que que bem lara a impli a-

|a| a |a| e que |b| b |b| , podemos somar estas


duas denies, obtendo |a||b| a+b |a|+|b| . Da denio de que |a| k a [k, k],
veri amos que k , nesta expresso, assume a forma de |a| + |b|, e, portanto, a armao pode
o desta desigualdade: Sabendo que

|a + b| |a| + |b|.
exemplo, vamos utilizar a = 1

ser es rita omo


Como

1 + 2 = 3.

Como

1 < 3,

b = 2.

Neste aso

|1 2| = |1| = 1

veri amos que a desigualdade triangular faz sentido.

|1| + |2| =

Captulo 4
Funes

De forma bem simplria, podemos defnir uma funo omo sendo uma entidade que transforma
uma quantidade em outra.
De maneira mais formal, temos a seguinte denio:

Funo:
Uma relao

hamada de funo desde que

(a, b) f

(a, c) f

impliquem em

b = c.

Nesta denio utilizamos o on eito de relao. Uma relao nada mais do que um onjunto
de pares ordenados, na forma

R = {(1, 2), (3, 4), (5, 6)}


onde podemos ver os pares omo sendo

(entrada, saida)

da funo. Assim, o que a denio

de funo est dizendo, que se apli armos as entradas da funo e observarmos as sadas, no
poderemos ver um resultado diferente para uma mesma entrada. Assim, a relao

R = {(1, 2), (1, 4), (2, 7)}


no uma funo, pois para uma mesma entrada,

1,

tivemos duas respostas diferentes

Assim, de forma alternativa, poderamos es rever

Funo (denio alternativa):


Uma relao

hamada de funo desde que

f (a) = b

f (a) = c

assim, por exemplo, podemos denir uma funo omo

f = {(x, y) : x, y Z, y = x2 }
que, em termos de pares ordenados teria a forma

f = {(1, 1), (2, 4), (3, 9), (4, 16), ...}.

29

impliquem em

b = c.

4.

CAPTULO 4. FUNES

30

Funes Multivaloradas (Poldromas):


Algumas "funes" omo por exemplo raiz quadrada ou funes trigonomtri as inversas apresentam mais de um valor para o mesmo argumento de entrada. Neste aso, mesmo sendo muito
omuns, no podemos utilizar a nomen latura de funo. O orreto seria hamar de relao,

onforme vimos anteriormente. Contribuio de

Barbara Haens h S hneider.

importante entender o on eito de funo e omo ela se rela iona om a teoria de onjun-

tos que revisamos anteriormente. Para isto, vamos estudar as seguintes denies:

Domnio de uma funo:


Seja uma funo
de

f.

O onjunto de todos os primeiros elementos possveis dos pares ordenados

hamado de domnio de

ou

dom f .

Em notao matemti a:

dom f = {a : b, (a, b) f }
ou, de forma mais direta:

dom f = {a : f (a) def inido}


assim, na denio

f = {(x, y) : x, y Z, y = x2 }

o domnio

Z.

Imagem e ontradomnio de uma funo:


Seja uma funo
de

f.

O onjunto de todos os possveis segundos elementos dos pares ordenados

hamada de imagem de

ou

im f .

Em notao matemti a:

im f = {b : a, (a, b) f }
ou, de forma mais direta:

im f = {b : b = f (a) para algum a dom f },


ou mais diretamente ainda, a imagem a prpria sada da funo. O ontradomnio da funo,
por sua vez, um onjunto mais amplo, que ontm a imagem. Por exemplo, a imagem de

f = {(x, y) : x, y Z, y = x2 }

so os quadrados perfeitos e o ontradomnio

Z.

f :AB

f uma funo e sejam A e B onjuntos. Dizemos que f uma funo de A para B se


dom f = A e se im f B , onde B o ontradomnio. Alternativamente, dizemos que f uma
apli ao de A em B .
Seja

Assim, a funo seno uma funo que mapeia o onjunto dos reais no onjunto dos reais, pois

f = {(x, y) : x, y R, y = sen(x)},

e, portanto, temos que

dom f = R

im f = [1, 1] R

31

a1
a1

f(a1)
f(a1)

a2

a2
f(a2)

f no um-a-um

f um-a-um

Figura 4.1: Funo um-a-um

Funes inversas:
Seja uma funo

f : A B= {(a1 , b1 ), (a2 , b2 ), ....}.

A inversa da funo, denotada por

f 1

obtida pela inverso dos termos de ada um dos pares que formam a relao, tal que

f 1 = {(b1 , a1 ), (b2 , a2 ), ...}

importante salientar que a inversa da funo f : A B no ne essariamente uma funo f 1 : B A. Para entendermos isto, vamos onsiderar os onjuntos

A = {1, 2, 3, 6, 8}

B = {2, 4, 5, 4, 7}

Neste aso, a inversa de

dom f

= {4, 5, 2} =
6 B.

(4, 1)

f : A B= {(1, 4), (2, 5), (3, 4), (6, 2), (8, 5)}.

f
= {(4, 1), (5, 2), (4, 3), (2, 6), (5, 8)} que no
(4, 3), bem omo (5, 2) e (5, 8). Ainda, temos que

ser dada por

uma funo pois temos os pares

e a funo

No entanto, esta ondio no geral e podemos ter situaes em

que a inversa uma funo e, ainda, mapear os onjuntos na forma esperada.

Funo um-a-um (injetiva):


Uma funo

f (x) = f (y)

hamada de um-a-um se

se e somente se

x = y.

(x, b), (y, b) f x = y .

Em outras palavras,

Assim, temos que uma funo um-a-um aquela que mapeia ada valor distinto
de A em um valor distindo de B .
Um exemplo bastante simples de uma funo um-a-um um polinmio linear om forma

ax + b.

Se a funo for injetiva, temos que satisfazer a ondio

ax + b = ay + b
e, se

a 6= 0,

x = y.

podemos subtrair

b dos

dois lados e depois dividir por

Um exemplo de uma funo que no injetiva a funo

Neste aso, teriamos que veri ar se igualdade

a2 = b2

a.

Neste aso, provamos que

f = {(x, y) : x, y R, y = x2 }.

CAPTULO 4. FUNES

32

f sobre

f no sobre

Figura 4.2: Funo sobre

a = b, o que obviamente no o orre para a, b R (podemos pensar no aso bvio


a = 1 e b = 1). Uma observao interessante, que se a funo fosse denida no

impli a em
onde

onjunto dos nmeros naturais, ento o resultado seria diferente. Porque ?


Com esta denio, podemos ento armar que:

Seja

f 1 uma funo
im f = dom f 1 .

uma funo. A relao inversa

aso, temos que

dom f = im f

se e somente se

for injetiva. Neste

A seguinte denio tambm muito importante para entendermos vrios resultados futuros:

Sobre:
Uma funo

f (a) = b,

f :AB

ou seja,

dita sobre

im f = B .

desde que, para todo

Em linguagem matemti a:

b B,

exista um

aA

tal que

b B, a A, f (a) = b

Portanto, para que a funo seja sobre, todo elemento de B deve ter um orrespondente em A, ou de forma mais direta, temos que a essar todos os elementos de
B.
Assim, dado

f : A B,

(um-a-um). Com isto, se

para que

f 1 seja

ainda for sobre

B,

uma funo ne essrio que

ento podemos armar que

aso:

seja injetiva

f 1 : B A.

Neste

Bijeo:
Seja

f : A B. f

Exemplo:
pares.

Sejam

hamada de uma bijeo se ao mesmo tempo injetiva e sobre.

o onjunto dos nmeros inteiros pares e

Vamos mostrar que

f (x) = x + 1

uma bijeo.

um-a-um. Para isto, basta mostrarmos que

x+1=y+1

o onjunto dos inteiros m-

Primeiro, vamos mostrar que

4.1.

COMPOSI O DE FUNES

e, des ontando

33

dos dois lados, mostramos que

x = y.
Para veri armos se sobre, temos que sele ionar um elemento de
forma genri a omo

x = 2k,

y = 2k + 1.

B,

Por denio, um elemento de

que pode ser es rito na

pode ser es rito na forma

tal que a funo a ser estudada pode ser es rita na forma

f (x) = x + 1 = 2k + 1
que mostra que

sobre e, portanto

Observem que se os onjuntos

uma bijeo.

forem nitos, podemos estabele er as seguintes rela-

es:

Prin pio da Casa do Pombo:


Sejam

onjuntos nitos e seja

f : A B.

Se

|A| > |B|,

ento

no um-a-um.

Se

|A| < |B|,

ento

no sobre.

Isto f il de entender, pois se


para diferentes elementos de
os elementos restantes de
Da mesma forma, se

b.

|A| > |B|

ento os primeiros

Aps isto, no h elementos em

elementos de

sero levados

aos quais podemos apli ar

A.

|A| < |B|,

para obrir todos os elementos em

ento sabemos que no existem elementos su ientes em

B.

Tarefa:
Domnio

Contradomnio

x x3

um a um ?

sobre ?

Bijeo ?

x x3

x |x|
x x2

! Justique ada uma das armaes !

4.1 Composio de Funes


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

Sejam duas funes


diretamente de

possvel denirmos uma funo que mapeie

(g f )(a) = g[f (a)], a A

CAPTULO 4. FUNES

34

e que hamamos de omposio de


(f est mais prximo e

a)

f.

Observem que a notao indi a que apli amos

e depois apli amos

f (a)

no resultado desta operao. Ainda, temos que

dom (g f )(a) = dom f


pois no estamos modi ando a entrada do pro esso. O mais importante diz respeito ao a oplamento entre

g,

pois a sada de

deve ser uma entrada vlida para

g.

Isto pode ser

garantido om

im f dom g
e, muito importante, devemos lembrar que

(g f ) 6= (f g).
Vamos a dois exemplos:

1) Sejam

(g f )(4),

f :ZZ

g : Z Z,

om

f (x) = x2 + 1

pro edemos da seguinte forma:

g(x) = 2x 3.

Para al ularmos

f (4) = (4)2 + 1 = 17
g(f (4)) = 2 17 3 = 31
ou, de modo geral

(g f ) = 2(x2 + 1) 3 = 2x2 + 2 3 = 2x2 1.


2) Com as mesmas funes do exemplo 1, podemos ver que

(f g) = (2x 3)2 + 1 = 4x2 12x + 10


de modo que a omposio de funes no satisfaz a propriedade omutativa.

No entanto,

satisfaz a propriedade asso iativa.

Propriedade Asso iativa:


Sejam

f : A B, g : B C

h : C D,

ento

h (g f ) = (h g) f
A = {1, 2, 3, 4, 5}, B = {6, 7, 8, 9}
g : B C so denidas por

Exemplo:

Sejam

f :AB

C = {10, 11, 12, 13, 14}.

f : {(1, 6), (2, 6), (3, 9), (4, 7), (5, 7)}
g : {(6, 10), (7, 11), (8, 12), (9, 13)}

As funes

4.1.

COMPOSI O DE FUNES

35
f

g(f(a))

f(a)

gof

Figura 4.3: Composio de funes.

ento

(g f ) = {(1, 10), (2, 10), (3, 13), (4, 11), (5, 11)}
onde utilizamos o seguinte ra io nio:
entrada para g que tem a forma
onde o b deve ser igual. Assim,
gera duas saidas em

g,

(1, 6)

um par de

na forma

(a, b)

que serve omo

(b, c). Assim, a omposio retorna um par na forma (a, (, c))


b = 6 est presente em f nos pares (1, 6) e (2, 6), tal que isto

pois temos

(1, (, 10))

(2, (, 10)).

Um on eito muito Interessante o de funo identidade:

Funo Identidade em um onjunto:


Seja

um onjunto. A funo identidade em

a funo

idA

ujo domnio

e satisfaz

idA = {(a, a)a A}


os seja, a imagem sempre igual ao domnio.
sendo que as seguintes propriedades so observadas
Sejam dois onjuntos

e uma funo

f : A B,

ento

f idA = idB f = f
e

Sejam dois onjuntos

e uma funo

f :AB

que um-a-um e sobre, ento

f f 1 = idB
f 1 f = idA
vamos a um exemplo para deixar estes on eitos mais laros.

A = {1, 2, 3} e B = {2, 4, 6} e a funo f = {(1, 2), (2, 4), (3, 6)},


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

Exemplo: Considere os onjuntos


que nada mais do que

idA = {(1, 1), (2, 2), (3, 3)}

CAPTULO 4. FUNES

36

idB = {(2, 2), (4, 4), (6, 6)}


e a inversa da funo tal que

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

f 1 f = {(1, 1), (2, 2), (3, 3)} = idA


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

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


idB f = {(1, 2), (2, 4), (3, 6)}.
Devemos observar que as funes identidade podem ser denidas omo

idA = {(x, x) : x A, x}
idB = {(y, y) : y B, y}
tal que

f idA = f (x) = 2x
idB f = y (2x) = 2x
e

1
f 1 cf = (2x) = idA
2
y
f f 1 = 2( ) = idB .
2

Captulo 5

RN

Para ini iarmos os nossos estudos sobre espaos vetoriais, iremos abordar o

RN .

No

RN

os

elementos so hamados de vetores e so formados por uma oleo de nmeros reais, omo
por exemplo

(2, 1) no R2

ou

(1, 2, 3) no R3

(que em duas e trs dimenses permitem uma repre-

sentao gr a que j de onhe imento de qualquer aluno de graduao). importante que
os on eitos aprendidos aqui sejam bem xados, pois iremos re-utilizar estes on eitos quando
formos estudar os espaos de funes, mais adiante. De maneira mais formal

RN :
RN

o onjunto das n-plas ordenadas de nmeros reais, na forma

RN = {u = (u1, u2 , u3 , ....., uN ) : ui R, i = 1, ..., N}

Tendo em mente esta denio, podemos ento denir um espao vetorial sobre os reais, na
forma:

37

CAPTULO 5.

38

RN

Espao Vetorial sobre os reais:


Um espao vetorial

sobre os reais um onjunto ujos elementos hamamos de vetores, om

duas operaes binrias: soma e multipli ao por um es alar, tais que:

u + v = 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
( + )u = u + u, , R, u V
(u) = ()u, R, u V
(u + v) =u + v, R, u, v V

Como exer io, podemos veri ar todas as armaes a ima onsiderando

R2

De posse destas informaes, podemos agora denir algumas operaes de interesse no

RN :

Produto interno:
Seja

espao vetorial sobre os reais. Um produto interno uma funo de

notao

u, v u v

ou

< u, v > om

as seguintes propriedades

V V R,

om

u u > 0, u V, u 6= 0
u v = v u, u, v V
(u) v = (u v), R, u, v V
(u + v) w = u w + v w, u, v, w V
sendo que no

RN

o produto interno anni o de onhe imento geral, na forma

u v = u1v1 + ... + un vn
mas isto no impli a na existn ia de somente esta implementao de produto interno.
fato, temos que

De

uAv, onde A uma matriz positivo-denida (vamos denir formalmente o este

on eito mais para frente) de dimenses


requisitos listados a ima. Por exemplo,

(u1, u2 )

"

5 1
1 5

N N,
v1
v2

tambm gera uma operao que atende aos

= 5v1 u1 u1 v2 u2 v1 + 5u2v2

39

e a primeira propriedade (positividade), teria a forma

u u = 5u21 2u1u2 + 5u22


que estritamente positiva para
anni o,

u 6= (0, 0).

Assim, podemos dizer que no produto interno

assume a forma da identidade ( aso parti ular).

Outro on eito importante o de norma. A norma nada mais do que uma medida de
um elemento do espao (vetor), sendo que, assim omo o produto interno, tem uma denio
geral e seus asos parti ulares.

Norma
Dado um espao vetorial

V,

uma norma uma funo de

que satisfaz as seguintes ondies:

ku + vk kuk + kvk , u, v V

V R,

denotada por

u kuk

(desigualdade triangular)

kuk = kuk u V, R
kuk > 0, u V, x 6= 0
e, quando um espao vetorial tem uma norma asso iada, este dito espao normado (veremos
isto em mais detalhes no aptulo sobre espao de funes). Relembrando o
norma usual

kuk =

R2 ,

temos omo

u21 + u22

que satisfaz os requisitos listados na denio da norma.

No entanto, podemos estender o

on eito para

kukP =

N
X
i=1

|ui |P

! P1

, p N , p par

que gera a norma usual (tambm hamada de norma-2 ou


Um aso interessante a norma om

p ,

kk2 ) quando p = 2 e innitas normas.

tambm hamada de

max,

pois

kuk = max |ui |


1iN

retornando o maior valor (em mdulo) do vetor.


interessante notar que om o on eito de norma podemos denir o on eito de distn ia
entre dois vetores, pois

Distn ia
Seja V um espao vetorial normado e
distn ia entre

u,v

dois elementos deste espao.

o es alar

d(u, v) = ku vk

Denimos omo a

RN

CAPTULO 5.

40

Se um espao normado e tem produto interno denido, ento a seguinte denio se apli a:

Teorema 2. Seja V RN um espao vetorial normado om produto interno. Ento


kuk2 =

uu

e veri a-se a desigualdade de Cau hy-S hwartz


|u v| kuk2 kvk2

5.1 Bases
Um on eito fundamental quando lidamos om espaos vetoriais o on eito de Base, que est
rela ionado ao on eito de vetores linearmente independentes. Assim, interessante ini iarmos
om alguns on eitos bsi os:
Combinao Linear:
Sejam
forma

V RN

um espao vetorial e

um membro deste espao. Se

u=

N
X

puder ser es rito na

i vi

i=1

onde

i R

vi V ,

ento dizemos que

obtido por meio de uma ombinao linear de

outros membros do espao.


Vetores Linearmente Dependentes e Linearmente Independentes:

u e v V RN . Se u no puder ser es rito por meio de uma ombinao


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

Sejam dois elementos


linear de

ento

puder ser es rito por meio de uma ombinao linear de

v,

dizemos que

so

linearmente

V.

Se nenhum

dependentes.
Conjunto Linearmente Dependente e Linearmente Independente:
Seja

V RN

elemento de

S,

um espao vetorial e

um onjunto que ontm

elementos de

puder ser es rito por meio de uma ombinao linear dos outros elementos de

ento o onjunto dito

linearmente independente.

Neste aso, temos que

1 u1 + .... + m um = 0
se e somente se

1 = 2 = ... = m = 0.

Do ontrrio, o onjunto dito

linearmente dependente.

Span (Gerador) :
Seja

V RN

um espao vetorial e seja

Se ada vetor em
dizemos que
onde

v V .

S = {u1 , u2 , ..., un }

um onjunto de elementos de

S,
Pn

puder ser es rito omo uma ombinao linear dos elementos de

S spans V ,

ou

gera

V.

Alternativamente, podemos dizer que

v=

V.

ento

i=1

i ui

5.1.

BASES

41

Tendo em mente estes on eitos, podemos sele ionar um sub onjunto


armente independente. Por exemplo, no

de

V,

que seja line-

temos omo vetores linearmente independentes o

B = {(1, 0), (0, 1)}. Estes vetores so L.I, pois no possvel gerar (1, 0) = (0, 1)
2
quaisquer valores de R. No entanto, outros vetores de R podem ser obtidos a partir

onjunto
para

de uma ombinao linear de elementos de

B,

omo por exemplo:

(2, 4) = 2(1, 0) + 4(0, 1)


(33.5, 100) = 33.5(1, 0) 100(0, 1).
Assim, podemos veri ar que o onjunto

truir quaisquer outros elementos de

B R2

ontm os elementos que servem para ons-

, de tal forma que

onhe ido omo base do espao

(nesta aso parti ular, tambm hamada de base anni a)

Base:
Seja

V RN

um espao vetorial e

linearmente independente

spans

um onjunto de

dito base de

se:

importante salientar que:

um espao pode ter mais de uma base

a ardinalidade de B dene a dimenso do espao

diferentes bases de um mesmo espao tero a mesma ardinalidade

Vamos a um exemplo: Utilizando o

R2

por uma questo de simpli idade, podemos veri ar que

os onjuntos

B1 = {(1, 0), (0, 1)}


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

(1, 0) 6= (0, 1), R


(3, 1) 6= (2, 1), R
e podemos gerar um dado elemento de
de

B1

ou de

B2 .

Por exemplo,

(7, 9)

R2

por meio de uma ombinao linear dos elementos

pode ser gerado por

(7, 9) = 1 (1, 0) + 2 (0, 1)


(7, 9) = 1 (3, 1) + 2 (2, 1)

CAPTULO 5.

42

RN

tal que, para a primeira base podemos obter os oe ientes diretamente, pois

7 = 1 e 9 = 2
e, para a segunda base temos

7 = 31 22
9 = 1 + 2
uja soluo

1 = 5, 2 = 4.

5.2 Conjuntos abertos e fe hados em RN


Antes de ini iarmos a denio de onjuntos abertos e onjuntos fe hados, pre isamos denir
uma bola em

RN .

Bola aberta em

Vamos apresentar trs denies distintas:

RN :

Uma bola aberta de raio

e entro

denida por

Br (u) = {v RN : d(u, v) < r}


Bola fe hada em

RN :

Uma bola fe hada de raio

e entro

denida por

Br (u) = {v RN : d(u, v) r}
Esfera em

RN :

Uma esfera de raio

e entro

denida por

Br (u) = {v RN : d(u, v) = r}
sendo que a ni a diferena est na desigualdade/igualdade. Estas denies nada mais so do
que a espe i ao de uma regio no entorno de um ponto
tos vizinhos

v,

u,

onde iremos onsiderar elemen-

de a ordo om alguma norma pr-denida. No que segue, iremos utilizar o

on eito de bola aberta.

O on eito de onjunto aberto e de fe hado ausa muita onfuso. No devemos pensar em


uma aixa aberta ou fe hada, mas sim respeitar as denies que sero apresentadas a seguir:

Conjunto Aberto:
Um onjunto

G RN

aberto em

RN

se para todo o

u G existe > 0 real tal que B (u) G

Ou seja, um onjunto aberto se qualquer ponto deste onjunto pode ser pertur-

5.2.

CONJUNTOS ABERTOS E FECHADOS EM

RN

43

bado por uma quantidade innitesimal em qualquer direo e ainda ontinuar no


onjunto (a bola toda deve estar ontida no onjunto).

A = {x : x (0, 1)}. Se denirmos uma


x teremos B (x) = (x , x + ). Agora vamos

Como exemplo, vamos onsiderar o onjunto


bola de raio

em uma posio genri a

tem valores na faixa min{ x2 , 1 x2 } ento, se nos aproximarmos de zero, teremos


B (x 0) = (x x2 , x + 1 x2 ) (0, 1) A.

imaginar que

Outro exemplo:
genri a

teremos

perturbamos em

I = {x : x [0, 1]}.
B (x) = (x , x + ).

O onjunto

em uma posio

Agora vamos imaginar que estamos em

genri o. Termos um intervalo

intervalo no est ontido em

Se denirmos uma bola de raio

(, )

x=0

e que

sendo que o extremo esquerdo deste

I.

aberto pois omo se extende ao innito, sempre podemos olo ar uma

bola que onter pontos no

RN

Assim, para intervalos unidimensionais f il de ver que se o intervalo for


aberto, ento possvel hegar arbitrariamente perto do extremo aberto e ainda
denir uma bola innitesimal que esteja ontida no intervalo. Se o intervalo for
fe hado, ento podemos nos posi ionar exatamente sobre o extremo e mostrar que
uma bola entrada neste ponto ter pontos fora do intervalo.
interessante notar que o onjunto vazio

aberto (por va uidade, pois se no tem pontos,

ento no podemos denir a noo de uma bola).

Complemento de um Conjunto:
O omplemento

(V )

de um onjunto denido por

(V ) = RN \V = {u RN : u 6= F }
e, omo exemplo, podemos itar

[1, ),

para

A = (0, 1).

(I) = (, 0) (1, ),

para

Dois omplementos interessantes so:

I = [0, 1]

() = R

e
e

(A) = (, 0]

(RN ) = .

Conjunto Fe hado:
Um onjunto

F RN

fe hado em

RN

se seu omplemento aberto

Assim, onsiderando os exemplos om os quais estamos trabalhando, observamos que

1) O omplemento de

no aberto, pois se posi ionarmos a bola em

um pedao da bola aberta fora do omplemento (dentro de


2) O omplemento de

A).

Assim,

0]

ou em

[1

teremos

no fe hado;

aberto, pois possvel posi ionar a bola em qualquer ponto do

omplemento e garantir que a bola estara ontida no omplemento (no possuir pontos em
Assim,

fe hado.

I ).

CAPTULO 5.

44

RN

Interessante notar que um onjunto pode ser aberto e fe hado ao mesmo tempo. Por exem-

plo,

RN

aberto e fe hado (pois o seu omplemento aberto). Da mesma forma,

tambm

tem omplemento aberto, sendo portanto fe hado.


Um onjunto pode no ser aberto e nem fe hado. Em exemplo seria o onjunto

(0, 1]}.

E.

O interessante que o omplemento de

tambm no aberto, pois podemos olo ar uma bola em

1 e, om isto, ter
E , (E) = (, 0] (1, )

Este onjunto no aberto, pois podemos posi ionar a bola aberta em

pontos da bola fora de

E = {x : x

e ela onter pontos de

E.

Assim,

no aberto e nem fe hado.

Vizinhana, Ponto interior, ponto de fronteira e exterior:


Sejam

u RN

A RN :

Uma vizinhana de

um onjunto que ontm um sub onjunto aberto que ontenha

um ponto interior de

um ponto de fronteira de

um ponto exterior de

se existe uma vizinhana de

u ontida

se toda a vizinhana de

uest

em

ontida em

e em seu

omplemento

se existe uma vizinhana de

Tal que podemos estabele er que se um onjunto

em

(A)

aberto, ento:

todos os seus pontos so interiores

uma vizinhana de todos os seus pontos

no ontm pontos de fronteira

e, se

u ontida

um onjunto fe hado, ento:


ontm todos os seus pontos de fronteira.

Ponto de A umulao:
Um ponto

u RN

um ponto de a umulao de

pelo menos um ponto de

diferente de

u.

S RN

se toda vizinhana

B (u)

ontm

Como exemplo, podemos onsiderar:

S R limitado superiormente om u = sup S


/ S . Neste aso, u ponto
de S , uma vez que existem > 0 e v S tal que v (u , u + );

um onjunto
a umulao

de

5.2.

CONJUNTOS ABERTOS E FECHADOS EM

um onjunto

[0, 1]

denido pelo intervalo

ponto de a umulao de

(0, 1).

RN

45

Neste aso, qualquer ponto no intervalo

(observe que um ponto fora do onjunto pode ser de

a umulao);

N = {0, 1, 2, 3, 4, 5, ....} no tem ponto de a umulao, pois podemos onsiderar uma bola
om entro em qualquer nmero e olo ar um raio pequeno o su iente para onter apenas

o entro da bola (lembrem-se que estamos trabalhando om nmeros inteiros positivos e,


portanto,

0.00001

no faz parte de

N;

De modo geral, podemos armar que onjuntos nitos ( om nmero limitado de elementos) no possuem ponto de a umulao, pois podemos denir uma vizinhana (real) que
no ontenha pontos do onjunto;

no tem ponto de a umulao (embora seja innito, omo o

O onjunto

(2, 3) {4} tem omo pontos

vizinhana em torno de

{4}

de a umulao

N);

[2, 3], pois podemos olo ar uma

que no inter epte pontos do onjunto (alm do

4)

Desta forma, podemos denir o on eito de Conjunto Fe hado de uma forma alternativa

Conjunto Fe hado (denio alternativa)


Um onjunto

F RN

fe hado se e somente se ontm todos os seus pontos de a umulao.

Teorema 3. Bolzano-Weierstrass no RN
Todo sub onjunto ininito e limitado de RN tem pelo menos um ponto de a umulao.
onde devemos observar que o sub onjunto ser limitado se for limitado superiormente E inferiormente. Este teorema pare e meio bvio se olharmos o exemplo que foi dis utido anteriormente:

S R limitado superiormente om u = sup S


/ S.
de S . O mesmo pode ser dito para o inf S .

um onjunto
a umulao

Neste aso,

ponto de

Vamos analizar novamente os nossos exemplos:

innito, mas ilimitado (no tem limite superior e nem inferior);

A = (0, 1) {2, 3, 4, 5, .....}

innito mas no limitado superiormente.

no pode armar nada sobre este aso, mas podemos observar que
a umulao !!

A = {1, 2, 3}

nito e, portanto, no tem pontos de a umulao.

[0, 1]

O teorema

so pontos de

46

CAPTULO 5.

RN

Captulo 6
Espaos Vetoriais

Todos os on eitos aprendidos om o


os membros (vetores) so funes.

RN

podem ser estendidos para espaos mais gerais, onde

Embora possa pare er algo muito vago em um primeiro

momento (pois estamos a ostumados a pensar em vetores omo e has no

R2

ou no

R3

este

on eito muito til para todas as nossas apli aes em me ni a omputa ional.
Como exemplo, vamos pensar em um onjunto de polinmios, na forma

P = {1 + x2 , 3x + 4x3 , 6 3x + 2x2 + x3 }.
O onjunto

ontm elementos, que so polinmios na forma

a + bx + cx2 + dx3

e laro que

um sub onjunto de todos os polinmios de ter eiro grau que existem (espao de polinmios).
A base para

formada por um onjunto

B = {1, x, x2 , x3 }
e, por exemplo,

1 + x2 = 1(1, 0, 0, 0) + 0(0, x, 0, 0) + 1(0, 0, x2 , 0) + 0(0, 0, 0, x3).

a base deste espao tem ardinalidade

4,

Observem que

embora existam inmeros polinmios dentro deste

espao.
Um outro exemplo que justi a o estudo de espaos de funes vem da soluo de uma
equao diferen ial, na forma

onde

x [0, 1].

d2 u
k 2 u = 0, k > 0
2
dx

Como sabemos, a soluo da equao diferen ial uma famlia de funes

que satisfaz a equao diferen ial para

x [0, 1].

u(x)

Esta famlia de funes gera um espao de

funes, que podem ser es ritas a partir de um onjunto de funes base. Aqui, sabemos que

u(x) deve fazer parte de um espao V , que ontm funes duas vezes diferen iveis no intervalo
[0, 1]. Este onjunto dado por B = {ekx , ekx } tal que qualquer elemento de V (soluo da
eq. diferen ial) ter a forma
Da mesma forma que no

u(x) = 1 ekx + 2 ekx .

RN , podemos estender o on eito de norma para espaos de funes,

na forma
47

CAPTULO 6. ESPAOS VETORIAIS

48

Z

kukp =
onde

p 1.

so funes mensurveis e

|u|

 p1

Estas normas so onhe idas omo Normas de

Lebesgue. Outas normas so possveis, omo por exemplo a famlia de normas de Sobolev:

kukm,p =

e, omo exemplo, podemos denir a norma

kukm,p =
e podemos veri ar que se

"Z

m=0

||m

kuk1,2

p1

|D u|p

em

[0, 1] [0, 1]

# 12
2 2 #




du
du
|u|2 + + dxdy
dx
dy

"

a norma de Sobolev se iguala a norma de Lebesgue.

Deve-se enfatizar que estas normas so denidas para apli aes distintas. Assim, normas
de Sobolev so ne essrias para des revermos espaos de funes e derivadas su ientemente
ontnuas para alguma apli ao, omo por exemplo na soluo de equaes diferen iais par iais.

Como exer io, imagine o


 r ulo de raio
valor).

R2

equipado om normas

Lp

em torno da origem (lembrem-se que

para

igual a

p=

1, 2

e desenhe um

impli a em sele ionar o maior

Lembre-se que o raio sempre uma distn ia (asso iada a norma) que depende das

oordenadas do ponto em relao a origem ( entro do r ulo).


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

6.1 Transformaes Lineares e Fun ionais


A relao entre elementos de dois onjuntos foi denida omo uma funo.

Observem que

desde o in io da nossa matria, o on eito de elemento tem sido estendido.

Atualmente,

estamos onsiderando onjuntos ujos elementos so funes e iremos agora denir relaes
entre funes. Um exemplo seria a seguinte equao diferen ial:



du(x)
d
a
= f (x)

dx
dx
onde

f (x)

so onhe idos e

u(x)

deve ser en ontrado. Uma outra maneira de es rever esta

equao diferen ial na forma

T (u) = f

6.1.

TRANSFORMAES LINEARES E FUNCIONAIS

49

ou

T :U V
que pode ser lida omo:
ontm

u, U,

d
d
T = dx
a dx

um operador que rela iona o espao de funes que

om o espao de funes que ontm

f, V .

Assim, se onhe ermos as proprieda-

des do operador, podemos estudar a soluo de equaes de forma mais geral. Vamos estudar
algumas denies pertinentes:

Transformao Linear:

uma transformao linear de um elemento no espao

ada elemento
observadas:

u U

orresponde a um elemento

T (u) = T (u) u U, R,

T1

T2

v V

em um elemento do espao

se

e se as seguintes propriedades so

homogneo

T (u1 + u2 ) = T (u1 ) + T (u2 ), u1 , u2 U ,


e, se

so duas transformaes lineares,

aditivo

T1 T2

tambm ser uma transformao linear

(pense em omposio de funes).


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

monomorsmo (para ada u temos um v distinto) e "sobre"ou sobrejetivo


assume a onotao de epimorsmo (todo V utilizado). Neste ontexto, se o operador for
um monomorsmo E um epimorsmo, ento ele dito um isomorsmo (bijeo) e, portanto,
dor injetivo de um

possvel denir um operador inverso.

Vamos apresentar algumas denies adi ionais:

N leo de uma transformao (Kernel):


O n leo de uma transformao (tambm onhe ido omo espao nulo) dado por

(T ) = {u : u U, T (u) = 0}

Exemplo: Vamos onsiderar a transformao


desta transformao denido por

T :U V

tal que

(T ) = {u U : u1 + u2 = 0}
tal que elementos que tenham a estrutura

(u2 , u2 )

T (u) = u1 + u2 .

O n leo

50

CAPTULO 6. ESPAOS VETORIAIS

ompe o n leo desta transformao. Desta forma,

v = (1, 1)

base do n leo de

T.

Transformao Linear:

T :U V
(T ) = {0}.

Uma transformao Linear


nulo trivial, isto ,

um-a-um (monomorsmo) se e somente se o espao

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

Conforme visto no

exemplo, o espao nulo neste aso no trivial.


Exemplo: Vamos onsiderar a transformao linear
aso,

T :U V

tal que

T (u) = 7u.

Neste

(T ) = {u U : u = 0}
A dimenso do subespao

(T ) = Im (T ) V

Exemplo: Do segundo exemplo a ima temos que


da dimenso

(dimenso de

V ).

A dimenso do espao nulo hamada de


a dimenso de

hamada de

U e V RN ,

nullity

de

T.

transformao igual a

rank

om o

nullity

igual

Exemplo: Voltando a transformao

ao

O Rank da transformao ser

A soma do

Exemplo: Ainda om o mesmo exemplo, temos que o Rank de

Rank da transformao T : U V

T :U V

tal que

e o

T (u) = u1 + u2 ,

nullity

zero.

temos que o

1 e que a dimenso do espao nulo 1 (um parmetro a). U

rank

da

orresponde

, o que est de a ordo om a denio.

6.2 Transformao Linear de Espaos Finito Dimensionais


U e V dois espaos nito dimensionais e T : U V uma transformao linear. Se
{1 , 2 , ...., n } base de U e {1 , 2 , ....., m } base de V , podemos es rever qualquer membro de U e V na forma
Sejam

u =
v =

n
X

i=1
m
X
j=1

i i
j j

6.2.

TRANSFORMA O LINEAR DE ESPAOS FINITO DIMENSIONAIS

e, para ada

v,

temos que

T (u) = v
T (u) =

pode ser es rito na forma

n
X

i T (i ) =

i=1

e, omo

T (i ) V,

51

m
X

j j ,

j=1

podemos es rever

T (i ) =

m
X

tji j

j=1

tal que

m
X
j=1

ou

j j

m
X
j=1

n
X

m
X

i=1

tji j

j=1

n
X

tji i

i=1

=0

j = 0

que pode ser es rita na forma matri ial

= T
onde

uma matriz de dimenses

podemos veri ar que:

m n,

ontendo os termos

tji .

Baseados nesta deduo,

A transformao entre dois espaos vetoriais nitos pode ser representada pela apli ao
do operador
A matriz

nas bases de ada espao;

a forma nito dimensional (dis reta) do operador

Estes resultados so utilizados a todo instante na me ni a omputa ional, pois trabalhamos


om espaos nito dimensionais para representar modelos dis retos de problemas ontnuos
(innito dimensionais).
Vamos apresentar dois exemplos bem simples:

Exemplo 1:
Seja

o espao dos polinmios de ter eiro grau e

o espao dos polinmios de primeiro grau.

Embora existam innitos polinmios de primeiro e ter eiro graus, as suas bases so nitas,
tendo a forma

= {1, x, x2 , x3 }
= {1, x}
P
U tem a forma genri a u = 4i=1 i i = 1 + 2 x + 3 x2 + 4 x3
P2
de V tem a forma genri a v =
j=1 j j = 1 + 2 x (m = 2).

tal que um elemento de


(n

= 4)

e um elemento

CAPTULO 6. ESPAOS VETORIAIS

52

Um operador linear que mapeia (transforma) entre

D=

o operador diferen ial

d2
dx2

e, portanto,

D:U V
signi a que

4
X

i=1

e, omo o operador

i i

i D(i ) =

i=1

D(i ) V,

j j

j=1

linear, podemos passar para dentro do somatrio em

4
X
e omo

2
X

2
X

i,

tal que

j j

j=1

podemos es rever

D(i ) =

2
X

dji j

j=1

signi ando que estamos es revendo este resultado na base de

i = 1..4,

ou seja,

V.

Vamos avaliar

D(i )

para

{1, x, x2 , x3 }:
D(1 ) = D(1) = 0
D(2 ) = D(x) = 0
D(3 ) = D(x2 ) = 2
D(4 ) = D(x3 ) = 6x

mas omo queremos es rever estes termos na base de

V,

observamos que

D(1) = d11 1 + d21 x = 0 1 + 0 x


D(2) = d12 1 + d22 x = 0 1 + 0 x
D(3) = d13 1 + d23 x = 2 1 + 0 x
D(4) = d14 1 + d24 x = 0 1 + 6 x
tal que

4
X
i=1

i D(i ) =

2
X

j j

j=1

pode ser es rito omo

1 (0 1 + 0 x) + 2 (0 1 + 0 x) + 3 (2 1 + 0 x) + 4 (0 1 + 6 x) = 1 1 + 2 x

6.2.

TRANSFORMA O LINEAR DE ESPAOS FINITO DIMENSIONAIS

de onde observamos que ada termo da base de

53

pode ser olo ado em evidn ia:

1 1 0 + 2 0 + 3 2 + 4 0 = 1
2 1 0 + 2 0 + 3 0 + 4 6 = 2
ou, na forma matri ial

)
"
#
(

1
2
0 0 2 0
=
.

0 0 0 6
2

tal que

0 0 2 0
0 0 0 6

a forma dis reta do operador diferen ial que mapeia

D=

"

em

V.

De fato, se onsiderarmos o

polinmio

p(x) = 7 + 2x + 15x2 0.5x3


e realizarmos a operao

ou seja, o polinmio

D : U V,

obteremos

"
#
(
)

0 0 2 0
2
30
=

0 0 0 6
15
3

0.5

v = 30 3x.

Exemplo 2:
Dado um vetor
obter um novo
do tipo

u = (x1 , x2 , x3 ) no R3 , podemos apli ar uma rotao em torno do eixo 3 para

vetor v = (x1 , x2 , x3 ). Esta transformao, tambm onhe ida omo rotao,

R : R3 R3

e tem a forma

R(x1 , x2 , x3 ) = (x1 cos() x2 sin(), x1 sin() + x2 cos(), x3 ).


Como sabemos que as bases do

R3

formam o onjunto

{(1, 0, 0), (0, 1, 0), (0, 0, 1)}, se

seguirmos

o ra io nio apresentado no exemplo anterior, veri amos que o operador dis reto asso iado a
esta transformao pode ser obtido om

R(1, 0, 0) = (cos(), sin(), 0)


R(0, 1, 0) = ( sin(), cos(), 0)
R(0, 0, 1) = (0, 0, 1)

CAPTULO 6. ESPAOS VETORIAIS

54

tal que

De fato,

cos() sin() 0

R = sin()
0

cos() sin() 0
x1

sin() cos() 0 x2

x3
0
0
1

cos()
0

0 .
1

x1 cos() x2 sin()
=
x1 sin() + x2 cos()

x3

TAREFA: Verique se as transformaes dos exemplos a ima tem inversa e, se tiverem,


deduza a forma dis reta do operador.

TAREFA: Seja o operador, j na forma dis reta,

1 0 0

T= 0 1 0
0 0 0
tal que

T : R3 R3 .

Qual o

kernel

deste operador ?

p(x) = a0 + a1 x + a2 x2 + a3 x3 e membro de
2
3
ardinalidade de sua base U = {1, x, x , x }. Vamos

Exemplo: Um polinmio bi o tem a forma


um espao de dimenso
hamar este espao de

4,

P.

pois esta a

Na forma matri ial, temos

a
1
= Ua
p = [1, x, x2 , x3 ]

a
3

onde diferentes valores de


tes de um vetor) e

a ara terizam elementos distintos do espao (pensem nas omponen-

formado por olunas que possuem vetores linearmente independentes.

Observem que uma oisa o vetor (elemento do espao dos polinmios bi os)
oisa um dado valor que

p(x)

assume para um valor de

x,

pP

e outra

que um valor real. Isto  a laro

se es revermos a relao

p(s) = C(s)p
onde

C(s) hamado de operador de avaliao em s e um fun ional linear em P , pois mapeia

para um nmero real. Assim,

a0

a
1
.
p(s) = C(s)Ua = [1, s, s2, s3 ]

a
2

a
3

6.3.

MUDANA DE BASE

55

interessante notar que existem problemas prti os onde temos os valores


determinar quais so os polinmios
assumir que temos

p(s)

que esto asso iados a estes valores.

valores distintos de

e seus orrespondentes

p(s)

e queremos

Assim, vamos

onhe idos. Portanto,

1
[1, si , s2i , s3i ]
= p (si ) , i = 1..4

forma um sistema de equaes na forma

E(S)a = v
onde

S = {s1 , s2 , s3 , s4 }

v = {p (s1 ) , p (s2 ) , p (s3 ) , p (s4 )}

so vetores oluna e

a matriz

onde ada linha ontm os valores das bases avaliadas em um dos pontos onhe idos. Portanto,
ao realizarmos a operao

a = E1 (S)v
estamos realizando um pro edimento de interpolao (re uperao de uma funo a partir de
um onjunto de valores) e o operador

E1

hamado de

Interpolao de Lagrange.

6.3 Mudana de Base


Se um espao pode ter mais de uma base e se espaos nito dimensionais admitem uma representao matri ial, ento interessante investigar omo podemos rela ionar as bases de um
determinado espao. De forma geral, podemos denir uma operao

T : u u , u , u V
onde

u =

PN

i=1 i i des rito na base

e u =

PN

j j

j=1

des rito na base

que o elemento um s, estando somente des rito em bases diferentes.


T

N
X

i i

i=1

N
X

j j

j=1

impli a em

N
X

i T (i ) =

i=1

e, omo

T (i )

mapeia para a base

,
N
X
i=1

N
X

j j

j=1

podemos es rever esta equao na forma

N
X
j=1

rji j =

N
X
j=1

j j

Enfatiza-se
Assim,

CAPTULO 6. ESPAOS VETORIAIS

56

ou, na forma matri ial

onde

r11

...

r1N

.
..

..

.
..

rN 1

...

rN N

1
. .

.
.
. = .




N
N

(6.1)

um operador que transforma os oe ientes utilizados para representar um elemento

nas duas diferentes bases.

Exemplo 1:
e a base

u e u V , om V R2 . Vamos
P : u u , de a ordo om o denido

Sejam

tal que

obter o operador

entre a base

a ima:

u = 1 1 + 2 2

(6.2)

u = 1 1 + 2 2
onde deve  ar laro que

u = u ,

pois o mesmo elemento sendo des rito em duas bases

diferentes.
Como

uma base de

V,

ento gera

tal que

1 = r11 1 + r12 2

(6.3)

2 = r21 1 + r22 2
pode ser substituido na primeira linha da Eq.(6.2), resultando em

u = 1 1 + 2 2 = 1 (r11 1 + r12 2 ) + 2 (r21 1 + r22 2 )


e, omo o elemento sendo des rito sempre o mesmo, on lumos que

1 1 + 2 2 = 1 (r11 1 + r12 2 ) + 2 (r21 1 + r22 2 )


ou, separando por termos de

1 1 = r11 1 + r21 2
2 2 = r12 1 + r22 2

tal que

"

r11 r21
r12 r22

o aso parti ular da Eq. (6.1) para

#(

N = 2.

1
2

1
2

6.3.

MUDANA DE BASE

assim, se

57

= {(1, 0), (0, 1)}

= {(3, 1), (2, 1)},

temos, de a ordo om a Eq. (6.5), que

(1, 0) = r11 (3, 1) + r12 (2, 1)


(0, 1) = r21 (3, 1) + r22 (2, 1)
do origem a dois sistemas simultneos de equaes (um por linha da equao a ima)

1 = 3r11 2r12
0 = 1r11 + 1r12
e

0 = 3r21 2r22
1 = 1r21 + 1r22
r11 = 0.2, r12 = 0.2, r21 = 0.4

resultando em

R=

"

r22 = 0.6,

0.2 0.4
0.2 0.6

tal que

tal que

"

0.2 0.4
0.2 0.6

#(

1
2

1
2

Conforme ilustrado em exemplos anteriores, um elemento

(5, 4)

na base

(7, 9) na base tem representao

De fato,

"

0.2

0.4

0.2 0.6

#(

7
9

5
4

pois

7(1, 0) + 9(0, 1) = 5(3, 1) + 4(2, 1).

Exemplo 2 (Operao inversa):


operador

entre a base

e a base

Sejam

tal que

u V ,

P : u u :

u = 1 1 + 2 2

om

V R2 .

Vamos obter o

(6.4)

u = 1 1 + 2 2
onde deve  ar laro que
diferentes.

u = u ,

pois o mesmo elemento sendo des rito em duas bases

CAPTULO 6. ESPAOS VETORIAIS

58

Como

uma base de

V,

ento gera

tal que

1 = p11 1 + p12 2

(6.5)

2 = p21 1 + p22 2
pode ser substituido na segunda linha da Eq.(6.4), resultando em

u = 1 1 + 2 2 = 1 (p11 1 + p12 2 ) + 2 (p21 1 + p22 2 )


e, omo o elemento sendo des rito sempre o mesmo, on lumos que

1 1 + 2 2 = 1 (p11 1 + p12 2 ) + 2 (p21 1 + p22 2 )


ou, separando por termos de

1 1 = p11 1 + p21 2
2 2 = p12 1 + p22 2

tal que

"

tal que os oe ientes

p11 p21
p12 p22

#(

1
2

1
2

sero obtidos por

= P1,
demonstrando que

R = P1 .

Na prti a, se a base

ser

Assim, se

"
= {(1, 0), (0, 1)}

p11 p21
p12 p22

"

anni a, ento a matriz do operador

11 12
21 22

= {(3, 1), (2, 1)},

temos que

(3, 1) = p11 (1, 0) + p12 (0, 1)


(2, 1) = p21 (1, 0) + p22 (0, 1)
do origem a dois sistemas simultneos de equaes (um por linha da equao a ima)

3 = p11
1 = p12

6.4.

MUDANA DE BASE APLICADA A OPERADORES LINEARES

59

2 = p21
1 = p22
resultando em

p11 = 3, p12 = 1, p21 = 2

p22 = 1.

P=
tal que

"

3 2

"

Assim,

3 2

#(

5
4

7
9

Tarefa:
Proponha dois onjuntos de bases para o

R2

e deduza a forma matri ial de

e de

R.

Aps,

valide a soluo e, utilizando os on eitos de isomorsmo, verique porque o operador de


mudana de base isomr o.

6.4 Mudana de Base Apli ada a Operadores Lineares


Importante: Esta deduo estava ausando onfuso om o aptulo de autovalores
e autovetores e foi orrigida nesta verso abril/2016.
J vimos que a mudana de base faz om que um vetor

x,

observado em uma base

des rito por uma ombinao linear na forma

x=

n
X

i i

i=1

passe a ser des rito por um novo onjunto de oe ientes

x =

n
X

em uma nova base

j ,

tal que

j j .

j=1

Esta operao realizada, em um espao nito dimensional, por um produto

x = Rx
onde

o operador de mudana de base na forma matri ial. A operao inversa des rita

por

x = R1 x .
Se o observador que utiliza a base

apli ar uma operao linear

sobre

x,

obtendo um

CAPTULO 6. ESPAOS VETORIAIS

60

vetor

por meio da operao

s = Ax
o observador que utiliza a base

ir realizar um operao equivalente, tal que

s =Ax.

interessante notar que podemos apli ar a mudana de base no operador


diretamente o operador

A,

A,

obtendo

pois

s = Ax R1 s = AR1 x
e, multipli ando a equao por

R,

obtemos

s = RAR1 x s = A x

tal que

A = RAR1.

Tambm interessante notar que um operador de mudana de base na forma


dis reta uma matriz quadrada. Desta forma, para que a operao des rita nesta
seo seja possvel, ne essrio que o operador linear que est sendo modi ado
tambm o seja.
Exemplo:
Um operador linear des rito, utilizando a base anni a do
matriz

R3 ,

na forma dis reta pela

4 0 1

A = 2 1 0 .
2 0 1

Supondo que o mesmo observador des reva um valor

na base anni a, omo sendo

x= 2

ento a apli ao do operador no vetor forne e omo resultado

s = Ax = 0 .

Um outro observador, utilizando outra base ir observar

om valores diferentes.

Se, por

6.5.

FORMAS LINEARES, BILINEARES E QUADRTICAS

61

exemplo, o operador de mudana de base for

R=

1
2
1
2

ento o vetor observado ser

1
2
1
2

2.12132

x = Rx = 0.707107 .

3.0

O operador nesta nova base obtido por

A = RAR1

1.5
0.5
0.707107

= 2.5
3.5
0.707107
1.414221 1.41421
1.0

e este observador ir obter, omo resultado da apli ao deste operador em

4.94975


s = A x = 4.94975 .

1.0

Finalmente, podemos observar que ada observador obteve um resultado distinto em valores
numri os, mas que tem o mesmo signi ado fsi o.

De fato, se deszermos a operao de

mudana de base iremos observar que

7.0

1
s = R s = 0.0 .

1.0

6.5 Formas lineares, bilineares e quadrti as


Existem diversos asos na rea de me ni a em que ne essitamos de relaes lineares, bilineares
e quadrti as. Um exemplo de relao quadrti a se d no l ulo da energia de deformao, que
funo quadrti a das deformaes. De forma esquemti a: espao das deformaes>forma
quadrti a->energia de deformao.

Desta forma, importante estudarmos os on eitos

envolvidos e suas propriedades.

Fun ional Linear


Vamos onsiderar um espao vetorial

sob o ampo dos reais e um operador linear

l : U R.

l nada mais do que uma transformao que mapeia para um espao em parti ular, no aso,
R (ou seja, um es alar). Neste ontexto, l hamado de um fun ional linear ou uma forma

CAPTULO 6. ESPAOS VETORIAIS

62

linear.

Na literatura, os fun ionais so muitas vezes hamados de

funes de funes.

Exemplo: Funes Lineares em RN


Neste aso mais simples, podemos denir um fun ional na forma

l : RN R, l(u) =
onde

ai

N
X

ai xi

i=1

so oe ientes.

Exemplo: Integrao
O operador de integrao pode ser visto omo um fun ional linear, pois

l : C[a, b] R, l(f ) =

f (x) dx,

e sabemos que o operador de integrao homogneo e aditivo (portanto linear).

Forma Bilinear

Forma Bilinear:
Sejam

espaos vetoriais om

u, u1 , u2 U , v, v1 , v2 V
B :U V R

que satisfaz:

B(u1 + u2 , v) = B(u1 , v) + B(u2 , v)


B(u, v1 + v2 ) = B(u, v1 ) + B(u, v2 )
B(u, v) = B(u, v) = B(u, v)
hamada de uma

forma bilinear.

interessante notar que se

forem nitos, tais que

u =

i i

v =

j j

R.

Ento

6.5.

FORMAS LINEARES, BILINEARES E QUADRTICAS

ento

B(u, v) =

XX
i

i j B(i , j ) =

XX
i

63

i j bij

que permite a representao matri ial

B(u, v) = T B
om os seguintes resultados

Forma bilinear:
Uma forma bilinear

B(u, v) : U V R

simtri a se

anti-simtri a (skew)

dita:

B(u, v) = B(v, u)
B(u, u) = 0, u U

de tal forma que

Se

simtri a, ento

Se

skew, ento

bij = bji

bij = bji

De omposio Polar:
Toda forma bilinear pode ser representada omo a soma de uma forma simtri a om uma
anti-simtri a

B(u, v) =

1
1
[B(u, v) + B(v, u)] + [B(u, v) B(v, u)] = Bs (u, v) + Bss (u, v)
2
2

Nada melhor do que alguns exemplos:


1)
2)
3)

B : R R R, B(x, y) = xy

B : R2 R2 R, B((x, y), (z, t)) = xz 2yt

B : U V R, om U

espao dos polinmios de ter eiro grau, de base

espao dos polinmios de segundo grau, de base


a forma bilinear omo

B(u, v) =
onde

B(u, v)

1
0

(u v) dx =

{1, x, x2 }.

Assim, se denirmos, por exemplo,

a1 + a2 x + a3 x2 + a4 x3

pode ser olo ada na forma matri ial

60 30

1
30 20
B=
60
20 15
15 12

20

15

12

10

{1, x, x2 , x3 }, e V

b1 + b2 x + b3 x2



dx

CAPTULO 6. ESPAOS VETORIAIS

64

tal que

B(u, v) =

a1 a2 a3

u = + ,

b1
o 1 30 20 15

a4
b2
60

20 15 12
b3
14 12 10

Exemplo: O tensor gradiente de deslo amento


na forma

60 30 20

u =

ui
admite uma de omposio polar
xj

onde o primeiro termo, parte simtri a, est asso iado a deformao e

o segundo termo, parte anti-simtri a, est asso iado a vorti idade. Esta mesma interpretao
se estende para diversas outras medidas fsi as utilizadas ao longo do mestrado.

Formas Quadrti as
Uma forma quadrti a um fun ional

Q(u)

tal que

Q(u) = 2 (u)
e, por esta denio, observamos que se

uma forma bilinear simtri a

Q(u) = B(u, u) = Bs (u, u)

duas formas bilineares tem a mesma parte simtri a ento geram a mesma
forma quadrti a. Desta forma, aproveitando os exemplos do item anterior, temos que:

tal que se

1)
2)
3)

B : R R R, B(x, y) = xy

gera a forma quadrti a

Q(x) = x2

B : R2 R2 R, B((x, y), (z, t)) = xz 2yt gera a forma quadrtiva Q((x, y)) = x2 2y 2
B : U V R,

om

espao dos polinmios de ter eiro grau. Vamos denir a

seguinte forma bilinear

B(u, v) =

que gera a forma quadrti a

Q(u) =
ou, na forma dis reta

Forma Positivo Denida:


Uma forma quadrti a

140

Q:U R

(3u v) dx

1
0

(3u u) dx

420 210 140 105

210 140 105 84

140 105 84 70

105 84 70 60
positivo-denida se

Q(u) > 0, u U, u (Q)


/
Um outro exemplo lssi o de forma quadrti a o fun ional de energia de deformao. Em

6.5.

FORMAS LINEARES, BILINEARES E QUADRTICAS

65

um ponto de um orpo hiperelsti o bidimensional e isotrpi o, a energia interna por unidade


de volume pode ser es rita omo

1
u() = (C33 23 + C22 22 + C22 C12 1 2 + C12 1 2 + C11 21 )
2
onde

so as deformaes e

ontm as propriedades do material.

66

CAPTULO 6. ESPAOS VETORIAIS

Captulo 7
Produto Interno

O on eito de norma permite estabele er o "tamanho"de um elemento do espao e, ainda, denir a distn ia entre dois elementos quaisquer. O on eito de produto interno permite, por sua
vez, obter uma medida de "ngulo"entre 2 elementos do espao.

Produto Interno (relembrando...):


Seja

U U R que asso ia a ada dois elementos


interno e denotada por (u1 , u2 ) ou < u1 , u2 >.

um espao vetorial linear. A forma bilinear

do espao um es alar hamada de produto

O produto interno deve seguir os seguintes axiomas:

< u1 , u2 >=< u2 , u1 > u1 , u2 U

(simetria)

< u1 , u2 >= < u1 , u2 > u1 , u2 U e R

(homogneo)

< u1 + u2 , u3 >=< u1 , u3 > + < u2 , u3 > u1 , u2 , u3 U


< u, u >> 0 e < u, u >= 0 sse u = 0(positivo

(aditivo)

denido)

Quando um espao vetorial tem produto interno denido, hamamos este espao de
(pr)-

Hilbert

Espao de

(o espao deve ser ompleto, mas veremos este on eito depois) e, portanto, po-

demos interpretar estes espaos de funes omo generalizaes do espao Eu lidiano ao qual
estamos a ostumados a trabalhar.

Espao de (pr)-Hilbert:
Um espao vetorial

um espao vetorial equipado om produto interno e uja norma

kvk =
induzida por este produto interno.

< v, v >

Desta forma, a distn ia entre dois elementos de um

espao de pr-Hilbert dada por

d(v1 , v2 ) = kv1 v2 k =

< v1 v2 , v1 v2 >

interessante notarmos que esta generalizao do Espao Eu lidiano ontempla operao om


67

CAPTULO 7. PRODUTO INTERNO

68

funes. Por exemplo, se onsiderarmos o espao das funes quadrado integrveis


por funes que satisfazem

L2 , omposto

|f |2 d <

onde a integral de Lebesgue, temos o produto interno denido omo

< u, v >=

uvd.

Outro exemplo o espao ponderado


ontnuas

tal que

L2 ,
Z

formado por funes quadrado integrveis e funes

|f |2 w d <

om produto interno

< u, v >=

Exemplo: Sejam as funes

uvwd.

f = sin(x)sin(y)

interno dado por

< f, g >=

1
0

g = x

em

sin(x)sin(y) x dx dy =

L2 [0, 1] [0, 1].

O produto

2
.
2

7.1 Ortogonalidade
De posse da denio de produto interno, podemos avaliar o ngulo entre dois elementos do
espao. Assim, da mesma forma que em um espao Eu lidiano tradi ional, podemos avaliar se
dois elementos so ortogonais.

Ortogonalidade
Dois elementos

de um espao vetorial om produto interno

so ditos ortogonais se

< u, v >= 0
e um onjunto de elementos no nulos
ortogonal, isto

B = {ui }, i = 1..n

dito ortogonal se ada par

i, j

for

i, j

for

< ui , uj >= 0, ui , uj B e i 6= j
e um onjunto de elementos no nulos
ortogonal, isto

B = {ui }, i = 1..n

dito ortonormal se ada par

< ui , uj >= ij , ui , uj B
Assim, om esta denio, podemos estender o on eito do Teorema de Pitgoras, pois se

7.2.

PROJE O

dois elementos

v1

69

v2

forem ortogonais, ento

kv1 + v2 k2 =< v1 + v2 , v1 + v2 >=< v1 , v1 > +2 < v1 , v2 > + < v2 , v2 >= kv1 k2 + kv2 k2
Exemplo: Seja o onjunto

2
B = {cos(nx)}
n=1 L [, ].

Este onjunto ortogonal, pois

cos(nx)cos(mx) dx = 0, m, n [1, ), m 6= n

e podemos veri ar o teorema de Pitgoras para dois elementos quaisquer, pois

kv1 + v2 k =

[cos(nx) + cos(mx)] [cos(nx) + cos(mx)] dx = 2

kv1 k =

[cos(nx)] [cos(nx)] dx = .

Teorema 4. Um onjunto de vetores ortogonais linearmente independente


Seja {ui } um onjunto ortogonal. Assim, se os elementos deste onjunto forem L.I , ento
n
X
i=1

i ui = 0 i = 0 i [1, n].

Desta forma, da propriedade de ortogonalidade, sabemos que


0 =<

n
X

i ui , uj >= 1 < u1 , uj > +2 < u2 , uj > +... + n < un , uj >

i=1

om j [1, n]. Supondo que j = 1, temos


0 = 1 a + 0 + 0 + 0 + 0... + 0 1 = 0, pois a 6= 0

sendo que o mesmo padro se repete para todos os .


interessante notar que dada uma base, podemos gerar um onjunto de vetores ortogonais.
Para isto, utilizamos o pro edimento de ortogonalizao de Gram-S hmidt, que baseado nos
importantes on eitos de

Projeo e Projeo Ortogonal.

7.2 Projeo
Projeo:
Uma projeo

uma transformao linear de um espao em si mesmo tal que

Exemplo ( lssi o) : Considere o operador

tal que

P (x, y, z) = (x, y, 0).

P (P ) = P .

CAPTULO 7. PRODUTO INTERNO

70

Este operador uma projeo do espao tridimensional no plano xy.


uma projeo, mapeia pontos do
propriedade de que

P (P ) = P ,

no prprio

Podemos veri ar que

,e linear (Verique !).

Ainda, da

temos que

P (P (x, y, z)) = P (x, y, 0) = (x, y, 0)


ou, na forma matri ial, podemos es rever que

1 0 0

P = 0 1 0
0 0 0

tal que

1 0 0

1 0 0

1 0 0

P (P ) = 0 1 0 0 1 0 = 0 1 0 = P.
0 0 0
0 0 0
0 0 0
Um aso espe ial de projeo a hamada

Projeo Ortogonal, de fundamental impor-

tn ia para o desenvolvimento do ontedo deste texto e, tambm, base teri a para vrios
mtodos de aproximao que sero vistos no aptulo de Resduos Ponderados.

Projeo Ortogonal:
O operador

proju =
projeta o vetor
vetores no

R2 ,

ortogonalmente em

u.

< , u >
u
< u, u >

Isto pode ser fa ilmente visualizado om o uso de

pois da lgebra I sabemos que

< u, >= kuk kk cos()


tal que

kk cos() =
o tamanho da projeo de

sobre

unitrio om a mesma direo de

u.

A direo de

u
e=

tal que

proju =

< u, >
kuk
u

pode ser representada por um vetor

u
kuk

< , u >
< u, > u
=
u.
kuk kuk
< u, u >

Como de ostume, podemos estender o on eito de ortogonalidade para operadores:

7.2.

PROJE O

71

Projeo Ortogonal:

A projeo

em um espao om produto interno

dita ortogonal se seu al an e (range)

ortogonal ao seu espao nulo

(P ) (P )
ou seja, se

u (P )

v (P ), ento < u, v >= 0.


P (u) (P ) e u P (u) (P ),

De fato, sabemos que

assim

< P (u), u P (u) >= 0


e onsiderando que em um espao nito dimensional

P (u) = Pu,

onde

uma matriz que

representa o operador, ento

< Pu, u Pu >= (Pu)T (u Pu) = uT PT u uPT Pu


que ser zero quando

P = PT

(pois neste aso

PT P = PT ),

ou seja, quando a matriz do

operador for simtri a (ao ser es rita em uma base ortonormal) o que tambm equivale ao fato
de o operador ser auto-adjunto.
Exemplo: A projeo do exemplo anterior uma projeo ortogonal, pois

1 0 0
1 0 0

0 1 0 = 0 1 0 .
0 0 0
0 0 0

Com as denies a ima, podemos estabele er o importante Teorema da Projeo:

Teorema 5. Teorema da Projeo


Seja

um espao om produto interno e

ada elemento
e

v (P );

wV

uma projeo ortogonal em

pode ser es rito ex lusivamente omo

V.

Ento,

w = u + v,

onde

u (P )

kwk2 = kuk2 + kvk2 ;


(P )

(P )

so subespaos lineares fe hados de

(P ) = (P )

V;

(P ) = (P )

Exemplo:
Ainda onsiderando o operador P dos exemplos anteriores, sabemos que para este operador

(P ) = (0, 0, a)

(P) = (u1 , u2, 0).

Assim,

< (0, 0, a), (u1, u2 , 0) >= 0.

CAPTULO 7. PRODUTO INTERNO

72

w
N(P)

R(P)

Figura 7.1: Vetor obtido pela ombinao linear de elementos do espao nulo e do

Podemos onstruir qualquer elemento de

V R3 ,

range.

pois

w = (u1 , u2 , 0) + (0, 0, a)
onforme ilustrado na gura 7.1.
Exemplo: Vamos onsiderar a projeo ortogonal de um vetor
di ada por um vetor
de

sobre

a,

aR

u R3

sobre uma direo in-

(Figura ). Neste aso, a projeo nada mais do que o omprimento

que iremos hamar de

c.

A forma geral seria

Pu = ca
e, sabendo que

u Pu

deve ser perpendi ular a

a,

(7.1)

podemos armar que

0 =< a, u Pu >= aT u aT Pu
e, da Eq. (7.1), podemos es rever

aT u aT ca = 0
e, isolando o omprimento da projeo, obtemos.

c=
Assim, se

u = (0, 6)

aT u
.
aT a

e se onsiderarmos uma linha om direo dada por

c=

10+16
=3
11+11

tal que

Pu = (3, 3)

a = (1, 1),

teremos

7.3.

ORTOGONALIZA O DE GRAMM-SCHMIDT

Figura 7.2: Projeo ortogonal de um vetor

73

sobre uma linha

e, onforme j armamos,

u Pu = (6, 0) (3, 3) = (3, 3)


ortogonal a

a,

pois

< (1, 1), (3 3) >= 3 3 = 0.

7.3 Ortogonalizao de Gramm-S hmidt


A obteno de um onjunto ortogonal ne essria para o desenvolvimento de diversos mtodos
utilizados na me ni a omputa ional. Desta forma, o pro edimento de Gramm-S hmidt de
fundamental importn ia.

{i }ni=1 V
{uk }nk=1 V

Pro edimento de Ortogonalizao de Gram-S hmidt: Dada uma base


apli ar uma transformao que gera uma nova base ortogonal

, podemos

i1
X
< i , uk >
ui = i
uk
< uk , uk >
k=1

Exemplo: Seja o onjunto

L.I ,

{1, x, x2 , x3 }

denido no

L2 [1, 1].

Este onjunto sabidamente

mas no ortogonal (verique). No entanto, apli ando o pro edimento de ortogonalizao

CAPTULO 7. PRODUTO INTERNO

74

temos

{u1 } = 1


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

 

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



3
< x , x2 31 >
< x3 , x >
< x3 , 1 >
1
3
2
1+
x+
{u4 } = {x }
x
< 1, 1 >
< x, x >
3
< x2 31 , x2 31 >


3x
= x3
5

e podemos veri ar que, por exemplo,



1
x
3
2

 

 Z 1 
1
xo
1 n 3
3
2
, x x
x
dx = 0.
=
x
15
3
15
1

Verique os demais valores.


importante salientar que embora tenhamos demostrado o on eito de projeo usando o

RN , apli amos a ortogonalizao a uma base polinomial sem problemas.

De fato, estes on eitos

se apli am a espaos de funes de maneira absolutamente geral (desde que o espao seja dotado
de produto interno).

7.4 Complemento Ortogonal


Complemento Ortogonal:
Seja

um espao om produto interno e

denotado por

sub onjunto de

V.

O omplemento ortogonal de

denido omo

M = {u V :< u, v >= 0, v M}
sendo tambm um sub onjunto de
Exemplo: Seja

V R3

M = {v}

V.
no nulo. O omplemento ortogonal de

todos os vetores que so ortogonais a


que ortogonal a

Exemplo:
gonal de

Seja

v.

omposto por

e, portanto, forma um plano que passa pela origem e

Visualize !

V R3

M = {v1 , v2 }

no nulos e no paralelos.

O omplemento orto-

omposto por todos os vetores que so ortogonais ao mesmo tempo a

Desta forma,

Exemplo: Seja

formado pela interseo dos omplementos ortogonais de

S R3

um subspao gerado por

{(1, 0, 1), (0, 2, 3)}.

v1 e v2 .

v1 e a, v2 .

Visualize !

Um elemento tpi o de

7.4.

COMPLEMENTO ORTOGONAL

75

pode ser representado por

3
s = (1, 0, 1) + (0, 2, 3) = (s1 , s2 , s1 + s2 )
2
pois

s1 =
s2 = 2
s3 = + 3
Assim, o omplemento ortogonal de

pode ser denido por um vetor genri o

tal que



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


3
0 = (x1 + x3 ) s1 + x2 + x3 s2
2
tal que

permite veri ar que

x1 + x3 = 0
x2 + 23 x3 = 0




3
3
S = x R : x = x3 , x3 , x3
2

TESTE para diferentes valores e verique a ondio de ortogonalidade.

(x1 , x2 , x3 )

76

CAPTULO 7. PRODUTO INTERNO

Captulo 8
Autovalores e Autovetores

Se

um operador es rito em termos de uma base qualquer, ento existe uma base no qual a

representao dis reta de


na operao

T :U V

A, A,

diagonal. No

R2 ,

por exemplo, isto fa ilmente visualizado

representada pela matriz

A=
tal que

!
a b
b c

(
)
au1 + bu2
Au =
.
bu1 + cu2

Uma outra forma de apresentar a MESMA operao, porm em outra base, seria realizada
om o operador

diagonal, tal que

A =
tal que

1 0
0 2

(
)

1 u 1
Au =
.

2 u 2

A forma diagonal de

A, A

onhe ida omo

forma anni a

do operador (neste aso,

Nesta forma anni a,  a laro que se A for positivo denida, ento os


oe ientes 1 e 2 sero positivos.

no

) .

Como desenvolvido no Captulo 6.4, sabemos que a mudana de base de um operador


realizada pela operao

A = RAR1 ,
onde

o operador de mudana de base. O problema aqui que no onhe emos o operador

de mudana de base que permita obter a forma diagonal do operador e nem os valores de
A determinao desta mudana de base espe  a

R=

e do operador diagonal asso iado,

o objetivo de uma lasse de problemas muito til, hamada de problema de autovalores e

autovetores.
77

CAPTULO 8. AUTOVALORES E AUTOVETORES

78

Vamos a uma denio um pou o mais tradi ional:

Autovalores e Autovetores:
Considere a transformao

T :U V,

na forma

T (u) = u.
Como toda a transformao linear nito dimensional pode ser es rita pela multipli ao de
uma matriz por um vetor, ento

T (u) : Tu = u
que pode ser es rita na forma

(T I) u = 0.
Assim, des artando a soluo trivial

u = 0, o problema homogneo denido pela equao a ima

tem soluo se e somente se

det (T I) = 0
resultando em um polinmio de grau

(dimenso da forma dis reta do operador). As razes

autovalores (ou valores ara tersti os) do operador


igualdade Tui = i ui so hamados de autovetores.

so hamadas de

satisfazem a

Nesta denio, utilizamos o on eito de

determinante

e os vetores

ui

de uma matriz. Vamos formalizar:

que

79

Seja uma matriz M de dimenses n n, asso iada a um espao V .


Denimos o determinante de M ou det(M) omo sendo o operador linear det : V R omo sendo o
uni o operador que satisfaz os seguintes requisitos:
Determinante de uma matriz:

O determinante da matriz identidade igual a 1;


O determinante depende linearmente de ada oluna da matriz;
O determinante tro a de sinal se tro armos a posio de duas olunas da matriz,

ou, de maneira alternativa, podemos armar que det(M) uma funo multilinear e alternada das
olunas de M. Ainda, temos as seguintes propriedades do determinante:
O determinante de uma matriz zero se e somente se a matriz for singular (no admitir inversa);
O valor do determinante de uma matriz no alterado se adi ionarmos um multiplo de uma

oluna a outra oluna da matriz;

O determinante da matriz e de sua transposta so iguais;


O determinante multipli ativo, isto , det(AB) = det(A)det(B)

Sugiro fortemente a leitura do texto www.axler.net/DwD.pdf, que trata sobre a denio de determinantes e sua pertinn ia e tambm a leitura da pgina
http://www. lisnotes. om/study_guide/
Denitions-of-the-Determinant.topi Arti leId-20807,arti leId-20797.html
que apresenta duas denies bem didti as sobre este on eito.
Interpretao geomtri a do determinante:
Seja

uma matriz

2 2,

na forma

M=

"

u1 u2
v1 v2

onde ada linha ontm os oe ientes de um vetor em uma determinada base. A rea om
sinal do paralelogramo denido por estes vetores igual ao determinante da matriz. De fato,
da lgebra sabemos que a rea do paralelogramo dada por

i j k

A = ku vk = u1 u2 0 = u1 v2 v1 u2
v1 v2 0
22 dado por u1 v2 v1 u2 . Estendendo este on eito para
3 dimenses, temos que o determinante de uma matriz 33 igual ao volume do paraleleppedo
denido por trs vetores u, v e w , ou seja ku v wk (produto misto).
e que o determinante de uma matriz

Observem que a denio de autovalor e autovetor est de a ordo om as denies das


Eqs. (

??)

e (

??),

pois neste aso,

pode ser visto omo uma das olunas de

um dos

CAPTULO 8. AUTOVALORES E AUTOVETORES

80

elementos da matriz diagonal

Desta forma, podemos armar que um dado autovalor

dos vetores bases da transformao que diagonaliza


da matriz diagonal
autovetores

u um

A e que o autovalor a posio asso iada

Desta forma, podemos veri ar que a matriz

ujas olunas so os

tem olunas linearmente independentes. Expandindo estes termos, veri amos

que

T = = 1 T

OU SEJA, um operador de mudana de base entre o observador da base


diagonalizada para a base original.
Exemplo: Seja o operador

T : R3 R3

T (x, y, z) = (3x y + z, x + 5y z, x y + 3z)


que tem a forma matri ial

T = 1 5 1 ,
1 1 3

pois

3 1 1
x

T (x, y, z) = 1 5 1 y

z
1 1 3

A equao ara tersti a asso iada a este operador obtida por meio da operao

1 0 0

det 1 5 1 0 1 0 = 0
0 0 1
1 1 3
resultado em

3 + 112 36 + 36 = 0
om razes

1 = 2 , 2 = 3

obtidos por

tal que

3 = 6 .

Os autovetores asso iados a ada um dos autovalores so

3 2 1
1
u1

1 : 1 5 2 1 u2

u3
1
1 3 2

u1

u2

+u3 = 0

u1 +3u2 u3 = 0
u1

u2

+u3 = 0

=
0

0
1

81

tem innitas solues, na forma

resulta em

u1

a
=
u2
0

u3 1
a

, a R

3 3 1
1
u1

2 : 1 5 3 1 u2

u3
1
1 3 3

e nalmente,

resulta em

u1
u2

u3

36

3: 1
1

b
=
b

b
2

=
0

0
2

, b R

u1

=
0
5 6 1 u2

0
u3 3
1 3 6
1

u1

=
u2
2c , c R.

u3 3
c

Assim,

1
3
1
3
1
3

1
2

0
12

1
6
26
1
6

tem olunas que satisfazem as solues obtidas e que so


foram es olhidos para que a norma

L.I

(verique). Os valores de

de ada um dos vetores base fosse unitria.

Conforme a teoria de mudana de bases que vimos antes, temos que

2 0 0

1 T = 0 3 0
0 0 6

a forma diagonal de

T.

Exemplo
Um operador linear des rito, utilizando a base anni a do

R3 ,

na forma

a, b

CAPTULO 8. AUTOVALORES E AUTOVETORES

82

4 0 1

A = 2 1 0

2 0 1

e tem autovalores

1 = 1 , 2 = 3

3 = 2

e autovetores

3
0
31
3

= 1 33 23 .

0 33 23
Supondo que o mesmo observador des reva um valor

na base anni a, omo sendo

x= 2

ento a apli ao do operador no vetor forne e omo resultado

s = Ax = 0 .

Um outro observador, utilizando a base que diagonaliza o operador (autovetores) ir observar

omo sendo (lembre-se que

mapeia de

para

x)

1
x = x = 8, 66

12

e este observador ir obter, omo resultado da apli ao do operador diagonalizado em

1 0 0

s = A x = 0 3 0 8, 66 = 25, 98 .

12
24
0 0 2

Finalmente, podemos observar que ada observador obteve um resultado des rito em sua base,
mas omo sabemos que o operador de mudana de base
diagonalizada na base anni a, veri amos que

s = s = 0 .

permite des rever um vetor da base

8.1.

AUTOVALORES E AUTOVETORES REAIS

83

Tarefas:

1) Comente a frase: Um autovetor

perten e ao

kernel

do operador

2) Determine os autovalores e autovetores dos operadores:

(T I)

T : R2 R2 , T (x, y) = (3x, 8x y)
T : R3 R3 , T (x, y, z) = (3x, 2y, y + 2z)

8.1 Autovalores e Autovetores Reais


Como os autovalores so razes do polinmio ara tersti o,  a laro que, sob determinadas
ondies, podemos ter razes (autovalores) omplexos. Da mesma, forma, ao solu ionarmos o
sistema linear homogneo om

omplexo, podemos ter autovetores omplexos. No entanto,

se a matriz for Hermitiana, podemos provar que os autovalores sero reais.

Matriz Hermitiana
Uma matriz

dita Hermitiana se for auto-adjunta, ou seja, se

A=A
onde

o onjugado transposto da matriz (aij

=a
ji ),

ou seja, as posies diagonais so reais

aij + bij i = aji bji i. Se a matriz


T
ser simtri a, isto , A = A .

e as posies fora da diagonal so tais que


onjugado se reduz ao fato de a matriz

real, o omplexo

Exemplo:
A matriz

1
2 + i 1

A = 2 i
3
3i
1
3i
2

Hermitiana e seus autovalores so


autovetores

1 = 1, 9359708, 2 = 1, 8748776

3 = 6, 0610932

om

0, 4666037 0, 3527762i 0, 4221890 + 0, 6140749i 0, 0032597 0, 3201372i

= 0, 1175921 + 0, 5766664i 0, 2046916 + 0, 1662744i 0, 1067124 0, 7567659i ,

0, 5580841

0, 6124726

0, 5598387

que, omo esperado, diagonaliza a matriz.

8.2 Multipli idade de Autovalores


Nos exer ios propostos na seo anterior, podemos veri ar que possvel obter autovalores
idnti os (mltiplos autovalores). Por exemplo,

T : R3 R3 , T (x, y, z) = (3x, 2y, y + 2z)

tem

CAPTULO 8. AUTOVALORES E AUTOVETORES

84

autovalores

1 = 2 = 2

3 = 3 ,

de tal forma que o autovalor

apare e duas vezes. Neste

aso, dizemos que existe uma multipli idade do autovalor.

Vamos investigar dois exemplos:

1) O operador

1 = 2 = 2

tem omo autovalores

4 2 2

A = 2 4 2
2 2 4

3 = 8

e seus autovetores so

1
1 1

= 1 1 1 ,
2 0 1

que so linearmente independentes. Substituindo o autovalor


a matriz

que tem

Rank

igual a

1 e nullity

igual a

2 2 2

2 2 2
2 2 2

2.

1,2 na expresso AI, obtemos

Assim, veri amos que a

Multipli idade Geom-

tri a do autovalor 1,2 = 2 dada pela dimenso do espao nulo, ou seja, 2 (tambm hamado
de nmero de parmetros livres do sistema de equaes). Observe que a multipli idade geomtri a do autovalor , neste aso, igual ao nmero de vezes em que o autovalor apare e (se
repete). Da mesma forma, substituindo o autovalor
matriz

4 2

2 4
2

que tem

Rank

valor igual a
(

igual a

nullity

igual a

1.

3 = 8

na expresso

A I,

obtemos a

2
4

Assim, a multipli idade geomtri a deste auto-

que , neste aso, igual ao nmero de vezes em que o autovalor se repete

Multipli idade Algbri a).

Devido ao fato de a multipli idade geomtri a de

todos

os

autovalores desta matriz serem iguais ao nmero de vezes em que o autovalor se repete, veri amos que possvel utilizar os autovetores omo um operador de mudana de base, ou seja,
diagonalizar a matriz

2) O operador

por meio da operao

1 A.

3 0 0

B = 0 2 0
0 1 2

8.3.

SUBESPAOS PRPRIOS

tem omo autovalores

85

1 = 2 = 2

3 = 3 .

Sua matriz de autovetores dada por

= 0

0 ,

0
0

1 1 0

que posui duas olunas linearmente dependentes.


expresso

que tem

B I,

Rank

obtemos a matriz

igual a

nullity

igual a

1 = 2 = 2

3 = 3

1.

Assim, a multipli idade geomtri a deste autovalor

na expresso

0 0

0 1
0

que tambm tem

Rank

igual a

na

1 0 0

0 0 0
0 1 0

que, neste aso, no igual ao nmero de vezes no qual o autovalor apare e,

vez, a substituio do autovalor

substituindo o autovalor

nullity

B I

2.

Por sua

resulta na matriz

0
1

igual a

1,

tal que sua multipli idade geomtri a

que, neste aso, igual ao nmero de vezes em que o autovalor repetido.

Desta forma,

devido ao fato de no termos a igualdade entre a multipli idade geomtri a e o nmero de


vezes em que o autovalor repetido para
diagonalizvel pela operao

todos os autovalores, veri amos que o operador no

1 A.

Multipli idade Algbri a de um autovalor


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

autovalor o grau de indeterminao do sistema


livres no sistema de equaes,

nullity

(A i I) X = 0

(o nmero de parmetros

ou dimenso do espao nulo). Ainda, podemos veri ar

que a multipli idade geomtri a sempre menor ou igual a multipli idade algbri a.

8.3 Subespaos Prprios


O onjunto

dos autovetores asso iados a um autovalor

denido por

U = {X : AX = X}
de onde  a laro que a multipli idade geomtri a de

nullity

do operador

A I.

Estes

autovetores formam uma base para um subespao, hamado de Subespao Prprio do autovalor

.
Exemplos:
1) O operador

CAPTULO 8. AUTOVALORES E AUTOVETORES

86

tem autovalores

1 = 2 = 0

3 = 1 .

1 0 0

A = 2 0 0
3 0 0

Os autovetores asso iados a estes autovalores so

0 0 0, 2672

= 0 1 0, 5345 .
1 0 0, 8018
Avaliando-se a dimenso do espao nulo de
algbri a deste autovalor.

A 0I,

obtm-se

2,

que igual a multipli idade

Com isto, pode-se veri ar que os autovetores

formam uma base (os vetores so L.I.) para um espao de dimenso


vetores que formam

U0

2,

(0, 0, 1)

(0, 1, 0)

tal que o onjunto de

dado por

U0 = a 0 + b 1 , a, b R

1
0

assim omo o autovetor asso iado ao autovalor

que forma o onjunto

0,
2672

U1 = a 0, 5345 , a R .

0, 8018

2) O operador

tem

3 = 1 ,

autovalores iguais a

5 1 0

A = 0 5 1
0 0 5

om autovetores

1 1 1

= 0 0 0 .
0 0 0

A multipli idade geomtri a deste autovalor

(verique), tal que o mesmo no diagonali-

zvel. Outra onsequn ia importante o fato de os autovetores asso iados ao autovalor no


formarem uma base adequada para o subespao prprio de
armente dependentes.
dimenso, pois

= 5,

pois os mesmos so line-

De fato, podemos veri ar que o subespao prprio tem apenas uma

U5 = a 0 , a R ,

8.4.

PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES

87

o que justi a a falta de informaes para realizar a diagonalizao do operador.

8.4 Problema Generalizado de Autovalores e Autovetores


Um problema generalizado de autovalores e autovetores tem a forma

Ax = Bx
B = I.

tal que a forma padro obtida quando

(8.1)

Os valores de

e x que satisfazem esta equao

so obtidos pelo mesmo pro edimento desenvolvido no omeo desta seo, pois

(A B) x = 0
leva a ondio

det (A B) = 0.
A e B forem auto-adjuntas (que no aso de matrizes reais impli a em simetria)
positivo denida, ento as olunas de (autovetores) podem ser es ritas omo um

Se as matrizes
e se

for

onjunto ortogonal.
Um aso espe ial o orre quando a matriz

por

B inversvel, pois podemos multipli ar a Eq.

8.1

, obtendo

B1 Ax = B1 Bx
ou

Cx = Ix = x,
om

C = B1 A.

A expresso obtida tem a mesma forma que o problema de autovalores e

autovetores tradi ional estudado ao longo deste aptulo, tal que os autovalores e autovetores
de

satisfazem a equao generalizada.

Exemplo:
Seja o problema generalizado de autovalores e autovetores denido por

A=

!
10 5
6 15

B=

!
4 1
.
2 6

Os autovalores deste problema podem ser obtidos por

det

"

10

15

resultando no polinmio ara tersti o

4 1
2 6

!#

=0

p() = 222 104 + 120

om razes (autovalores)

CAPTULO 8. AUTOVALORES E AUTOVETORES

88

1 = 2, 7272

2 = 2 .

Os autovetores orrespondentes podem ser obtidos pela soluo dos

problemas homogneos

(A 1 B) u = 0
e

(A 2 B) v = 0,
resultando em

u1 v1
u2 v2

=
Como, neste exemplo, a matriz

2, 5 1, 5
.
1
1

inversvel

B1 =
podemos obter a matriz

1
22

3
11
1
11

2
11

C = B1 A,
C=

27
11
2
11

15
22
25
11

tal que o problema de autovalores e autovetores na forma tradi ional,

det (C I) x = 0
resulta no polinmio ara tersti o

p() = (2.2727 1.0 ) (2.4545 1.0 ) 0.1239


om razes

1 = 2, 7272

2 = 2 ,

om os mesmos autovetores obtidos anteriormente. Neste

aso, omo esperado, observamos que

1 C =

2, 72 0
0

8.4.

PROBLEMA GENERALIZADO DE AUTOVALORES E AUTOVETORES

89

Tarefas:
1) Veri ar se os vetores dados so autovetores

(2, 1) para
(resp. Sim)

2 2
1 3

1 1 0

(2, 1, 3) para 2 3 2
1 2 1

(resp. No)

2) Os vetores

(1, 1) e (2, 1) so autovetores

5 e 1,
T (4, 1) = (8, 11).

autovalores

"

de um operador linear

respe tivamente. Determinar

T (4, 1).

(Resp.

T : R2 R2

T (x, y) = (x + 4y, 2x + 3y)

T : R2 R2 ujos autovalores so 1 e 3, asso iados


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

3) Determinar o operador linear


autoespaos

asso iados aos


e

aos

4) Determinar os autovalores e autovetores dos seguintes operadores lineares

T (x, y) = (x + 2y, x + 4y)


T (x, y) = (y, x)
(Resp.

a)2 e

, b) no possui autovalores reais.

Investigue o motivo e observe a forma

matri ial deste operador.

5) Determinar um onjunto de vetores base que diagonalize o operador

T (x, y) = (3x 5y, 2y)


Resp.

{(1, 1), (1, 0)}

6) Veri ar se existe uma base de autovetores para

T (x, y, z) = (x + y + z, 2y + z, 2y + 3z)
T (x, y, z) = (x, 2x + 3y z, 4y + 3z)
Resp. a) Sim e b) No.
7) Determine os autovalores e autovetores do operador

y, 2x + z).

T : R3 R3 , T (x, y, z) = (4x+z, 2x+

O operador diagonalizvel ? Resp: diagonalizvel.

90

CAPTULO 8. AUTOVALORES E AUTOVETORES

Captulo 9

Continuidade

O on eito de ontnuidade fundamental para estudarmos pro edimentos de soluo utilizados


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

Continuidade de uma Funo:


Seja
que

f : X Y.

Esta funo dita

contnua

em x0 X

se para ada

>0

existe

>0

tal

|f (x0 ) f (x)| <


onde

|x0 x| <
e

dita ontnua se for ontnua em

ou seja, se nos deslo armos um valor


ter variao maior do que

T ODOS

os pontos de

no entorno do ponto

x0 ,

X.
ento o valor da funo no

Em se tratando de operadores,

Continuidade de um Operador:
Seja

T :U V

um operador entre os espaos normados

existem um nmero

M >0

V. T

dito ontnuo

em U

tal que

kT u1 T u2 kV M ku1 u2 kU , u1 , u2 U
onde deve  ar laro que a ontinuidade de um operador depende das normas empregadas.

91

se

CAPTULO 9. CONTINUIDADE

92

Operador Limitado:
Um operador

dito limitado (

bounded ) se

existe

M >0

tal que

kT ukV M kukU , u U
e, se o operador for linear, ento ser ontnuo e ser limitado signi am a mesma oisa.
Como prova, onsideramos dois elementos de um espao linear,

u1

u2 .

Assim, por ser linear,

o operador admite

kT (u1 + u2 )kV M ku1 + u2 kU


onde

u1 + u2

pode ser interpretado omo um outro elemento

Exemplo: Seja

u 3 , u 3 ).

T : R3 R3

qualquer de

uma transformao linear denida por

Considerando a norma Eu lidiana, temos que

U.

T (u) = (u1 + u2 , u2


1
kT uk2 = (u1 + u2 )2 + (u2 u3 )2 + u23 2

o lado esquerdo da desigualdade


1
kuk2 = u21 + u22 + u23 2 .

tal que

(u1 + u2 )2 + (u2 u3 )2 + u23

Elevando ambos os lados ao quadrado, temos

 12


1
M u21 + u22 + u23 2




(u1 + u2 )2 + (u2 u3 )2 + u23 M 2 u21 + u22 + u23

que pode ser re-es rito omo



u21 + 2u22 + 2u23 + 2u1 u2 2u2 u3 M 2 u21 + u22 + u23 .

interessante notar que para


ou quando

u3 ),

M 2 a desigualdade satisfeita ( aso limite quando u2

de tal forma que o operador limitado.

93

Seja

um espao linear normado e

oe iente

i , i = 1..n

na expresso

{k }, k = 1..n
u=

limitado se existe um nmero

M >0

um onjunto de bases de

V.

Ento, ada

i i

tal que

|i | M kuk
ou seja, ada omponente do vetor menor ou igual a uma onstante multipli ada pela norma
do vetor.

Exemplo:

M = 1,

Seja V RN

e seu onjunto de base anni a

{ei }.

Neste aso, temos que

pois a norma sempre maior ou igual ao valor de suas omponentes.

94

CAPTULO 9. CONTINUIDADE

Captulo 10
Sequn ias

Uma sequn ia no

RN

nada mais do que uma funo de

em

RN ,

na forma

(x1 , x2 , ....) ou, de form mais ompa ta (xk ). Uma sequn ia famosa a srie
Fibona i, (xk ) = (1, 1, 2, 3, 5, 8, 13, ....) que denida por (1, 1, xk1 + xk2 ). Sequn ias

om notao
de

X : N RN ,

podem ser somadas termo a termo e at multipli adas termo a termo.


Exemplo: Sejam duas sequn ias de Fibonna i

(xk )

(yk ).

Ento:

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


e

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


Sequn ias so utilizadas para des rever o omportamento de funes a medida que o ndi e

( ontador) aumenta ( on eito de limite). Assim:

Limite de uma sequn ia:

S = (xk ). Dizemos que x RN limite de S se para todo > 0 existe


kx xK k < para todo k > K . A notao para este omportamento xk x

Seja uma sequn ia

KN

tal que

ou,

x = lim xk
k

Sequn ias Convergentes e Sequn ias Divergentes:


Se uma sequn ia

S = (xk )

possui limite, ento dita onvergente.

Do ontrrio, dita

divergente.

Exemplo: Considere a sequn ia


onvergente.

S =

1
. Esta sequn ia tem limite em
k

Exemplo: A srie de Fibona i divergente.

95

e, portanto,

CAPTULO 10. SEQUNCIAS

96

Uni idade do Limite:


Uma sequn ia

pode ter no mximo um limite.

Sequn ia Limitada:
Seja uma sequn ia

S.

Esta dita limitada se existe um nmero real

tal que

kxk k M, k N.
importante ressaltar que toda a sequn ia onvergente limitada.

Tivemos o uidado de denir os on eitos a ima para o

RN ,

de modo que quem mais

laros em um primeiro momento. Mas omo temos visto neste texto, todas as denies so
estensveis para espaos de funes. Vamos generalizar.

Convergn ia

de

uma

funo:

Uma

unif ormemente convergente para f0 em


dependente de mas no de u, tal que

sequn ia

um domnio

de

{fn } dita
> 0 existe N > 0,

funes

se, para ada

|fn (u) f0 (u)| < , n > N e u


e, neste aso, es revemos

lim fn (u) = f0

n
Exemplo: Seja uma sequn ia denida por

fn (n) =

que a sequn ia onvergente e tem limite em

e vamos sele ionar um

n>M =

0.

1
(ou seja,
n

1/1, 1/2, 1/3....).

Vamos mostrar

Para isto,




1
0 <

n

1
, que hamaremos de

tal que


< .

Quando lidamos om operadores, onsideramos

+ .

Neste aso, a sua inversa ser

97

Convergn ia de um operador:

{Tn } dita unif ormemente convergente para T0 em um domnio


N > 0, dependente de mas no de u, tal que

Uma sequn ia de Operadores

se, para ada

>0

existe

|Tn (u) T0 (u)| < , n > N e u


e, neste aso, es revemos

lim Tn (u) = T0

Um on eito de fundamental importn ia para a rea de me ni a omputa ional o de


onvergn ia fra a. A onvergn ia de uma sequn ia foi denida de a ordo om uma norma,
que indi a que a distn ia entre o limite da sequn ia e um valor esta ionrio de res e at que

kun uk < .

un no seja mas um
(weak convergence).

No entanto, possvel que

aso, dizemos que a onvergn ia fra a

fun ional de

un

o seja. Neste

Convergn ia Fra a (weak convergence):


Seja uma sequn ia

{un }

em um espao de(pr)

onvergente para um ponto

em

Hilbert H .

Esta sequn ia dita fra amente

se

< un , v >< u, v >, v H


e, neste aso, empregamos a notao

un u.
Desta forma, observamos que

kuk lim inf kun k


n

Exemplo: A sequn ia

un (x) = sin

n
x
2

x [0, ]

em

L2

ir apresentar diversas passagens

por zero ao longo do intervalo, a medida que aumentarmos sua frequn ia

(n).

no signi a que ela ir tender para a FUN O zero, que iremos hamar de

< un (x) z(x), un (x) z(x) > 2 =


no ir apresentar um valor

< ,

sZ

pois

q
limn

sin( n)
n

sin

No entanto, isto

z(x) = 0,

2
n 
x 0 dx
2

pois

CAPTULO 10. SEQUNCIAS

98

no ir onvergir om

n .

No entanto,

lim < un , v >= lim

n
independente de

v,

sin

pois  amos sempre om um

n 
x v(x) dx 0
2
no denominador. Portanto, dizemos que

un 0
A onvergn ia fra a muito importante, pois omo o nome diz, impli a em uma medida
mais "tolerante"do on eito de onvergn ia.

importante ressaltar que se uma sequn ia

onverge fortemente (na norma) ento tambm onverge fra amente.

10.1 Sequn ias de Cau hy


Dada um sequn ia

{x}k ,

dizemos que a mesma de

forem arbitrariamente prximos a medida que

Cau hy

se os elementos desta sequn ia

aumenta (a medida que a sequn ia se desen-

volve). Matemati amente, temos que

Sequn ia de Cau hy:


Um sequn ia

{x}k

dita de Cau hy se existem

>0

m, n > N

tal que:

|xn xm | < .
O interessante sobre a sequn ia de Cau hy vem do fato de que toda a sequn ia onvergente
de Cau hy.

Assim, se provarmos que uma sequn ia tem ao menos uma sub sequn ia de

Cau hy, ento  a ongurada a prova de que a mesma onvergente.

Geralmente esta a

abordagem utilizada na maioria das provas. Outra ara tersti a interessante sobre sequn ias
de Cau hy vem do fato de que utilizamos esta des rio para analizarmos a onvergn ia de
algoritmos.
Exemplo: Dada a sequn ia

{xn } =
f il veri ar que o limite para

3n2 2
4n3 + n2 + 3

n zero.

No entanto, a denio da sequn ia de Cau hy

no ne essita do l ulo do limite. Assim, utilizando a desigualdade triangular

e, para





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

2




4m3 + m2 + 3 4n3 + n2 + 3 6 4m3 + m2 + 3 + 4n3 + n2 + 3 6

su ientemente grandes, observamos que

3
3m2 3n2
+
=
4m3 4n3
4

1
1
+
m n

<

1
1
+
m n

10.2. ESPAO COMPLETO


pois

3
4

< 1.

Assim, se

99

m = n = N,

observamos que

1
1
2
+
=
6 .
N
N
N
Exemplo: Dada a sequn ia

{xn } = 1 + (1)n = 0, 2, 0, 2, 0, 2, ...


f il veri ar que a mesma no onvergente. Utilizando a desigualdade triangular

|(1 + (1)m ) (1 + (1)n )| 6 |1 + (1)m | + |1 + (1)n | 6


e, assumindo

m = n = N,
2 + 2(1)N 6 .

Assim, isolando

em funo de

obtemos

log 2 1
N=
log(1)

que no real, tal que a sequn ia no de Cau hy.

10.2 Espao Completo


Se todas as sequn ias onvergem para elementos dentro do espao, ento dizemos que o mesmo
ompleto. Este on eito muito importante, uma vez que est asso iado a apa idade de
obtermos efetivamente o limite de uma seqn ia. Por exemplo: A sequn ia
denida no intervalo

(0, K),

onde

xn =

1
pode ser
n

um nmero positivo maior do que 1. Esta sequn ia

laramente de Cau hy, mas seu limite onverge para um elemento fora do domnio (espao).
Outro exemplo lssi o ser dis utido no aptulo sobre Sries de Fourier, onde ser demonstrado
que uma sequn ia de funes ontnuas pode onvergir para uma funo ontnua por partes.
Um outro exemplo lssi o a sequn ia

x0 = 1, xn+1 =

1
xn
+
2
xn

que formada por nmeros ra ionais, mais onverge para

2, que um nmero irra ional.

Isto

omprova que o onjunto dos ra ionais no ompleto, ne essitando assim da denio dos
nmeros irra ionais, que

ompletam os ra ionais, formando o Espao dos Nmeros Reais.

100

CAPTULO 10. SEQUNCIAS

Captulo 11
Srie de Fourier

J vimos que espaos vetoriais so a extenso dos on eitos asso iados a um espao que
bastante onhe ido (e intuitivo), omo o

RN .

Desta forma, denimos e trabalhamos om

on eitos fundamentais, omo o de funo, operadores, norma, produto interno e sequn ias.
De fundamental interesse para os nossos estudos em fundamentos de matemti a uma srie
de funes espe ialmente importante, onhe ida omo Srie de Fourier.
Seja um onjunto

C 0 , das funes ontnuas, denidas no intervalo [L, L].

Se este onjunto

for munido das operaes binrias bsi as denidas anteriormente, ento onstitui um espao
de dimenso innita ( ardinalidade da base innita), om produto interno denido por

< u(x), v(x) >=

u(x)v(x) dx

e norma Eu lidiana
1

kuk2 =< u, u > 2 .


Conforme j estudamos, existem diferentes bases para um mesmo espao. Das diversas normas
dais quais podemos dispor para des rever as funes ontnuas

C 0,

uma de interesse espe ial.

Este onjunto base dado por

  n
 nx o n
 nx o
1
cos
sen
, n N
B=
2
L
L
e, NESTA BASE ESPECFICA, um elemento do espao
linear do tipo

C0

des rito por uma ombinao

 nx 
 nx  X
1 X
+
bn sin
an cos
u = a0 +
2 n=1
L
L
n=1

onde o somatrio vai a innito, pois esta a ardinalidade da base (a ombinao linear impli a
em usar todos os termos da base, pois esta a dimenso do espao).

Os oe ientes da srie so obtidos por meio das projees da funo nas direes denidas
101

CAPTULO 11. SRIE DE FOURIER

102

pela base. Desta forma, se hamarmos os termos da base de

B = {c0 } {cn } {sn } , n N


ento

a0
an
bn

Z
2 L u(x)
hu, c0 i
=
dx
=
hc0 , c0 i
L L 2
Z
hu, cn i
1 L
u(x)cn (x) dx
=
=
hcn , cn i
L L
Z
hu, sn i
1 L
=
u(x)sn (x) dx
=
hsn , sn i
L L

tal que



 X

n
n
kx
kx
1 X
bk sin
ak cos
+
.
fn (x) = a0 +
2 k=1
L
L
k=1

Teorema 6. Teorema de Fourier

Seja f : [L, L] R uma funo derivvel por partes. Ento, em um ponto x (L, L) a
+
(x )
srie de Fourier onverge fortemente para fn (x) = f (x )+f
. Nos extremos x = L e x = L,
2
temos as seguintes situaes:

se

for peridi a om perodo igual a

se

no for peridi a, ento

fn

L,

ento

fn (L) = fn (L) = f (L)

onverge para a mdia dos valores laterais, ie,

fn =

f (L+ + L )
2

importante omplementar a denio a ima om as hamadas ondies de Diri hlet.


Estas 3 ondies devem ser observadas para que uma funo seja orretamente des rita pela
srie de Fourier:

Teorema 7. Condies de Diri hlet

Uma funo f (x), para ser des rita por uma srie de Fourier, deve satisfazer as seguintes
ondies:
R

A funo deve ser absolutamente integrvel, ie,

No podem existir innitos pontos de mximo e/ou de mnimo. Um exemplo que no

No podem existir innitas des ontinuidades.

ientes sero limitados;

atende a este requisito a funo

f (x) = sin

|f (x)|dx < ,

quando

x 0;

impli ando que os oe-

103

Exemplo:

f (x) = x2 ,

x [1, 1]. Obviamente, a representao desta


0
funo na base que est sendo dis utida ser EXATA para n , pois f (x) C . No entanto,
Vamos onsiderar a funo

para

omo exer io vamos estudar o omportamento da aproximao a medida que aumentamos o

nmero de termos na ombinao linear.


A) Um termo (n=0):
Neste aso,

f0 =

a0
, om
2

a0 =

2
(1)

R1

x2 12 dx =

2
. Portanto,
3

f0 = 13 .

B) Termo onstante mais os primeiros trigonomtri os (n=1):


Neste aso,

f1 =

1
3

x
L

+ a1 cos
a1
b1

+ b1 sin

x
, om
L

Z
 x 
4
1 1 2
dx = 2
x cos
=
1 1
L

Z 1


1
x
=
dx = 0
x2 sin
1 1
L

tal que

f1 =
C) n=2

f2 =

 x 
4
1
2 cos
3
1

cos (2 x) 4 cos ( x) 1

+
2
2
3

D) n=3

f3 =

4 cos (3 x) cos (2 x) 4 cos ( x) 1


+

+
9 2
2
2
3

E) n = 4

f4 =

cos (4 x) 4 cos (3 x) cos (2 x) 4 cos ( x) 1

+
4 2
9 2
2
2
3

tal que as aproximaes podem ser visualizadas na Figura (11.1).


Funes Pares e Funes mpares:
Uma funo

f (x) em x [L, L]

x [L, L].

dita par se

Assim, pelas propriedades trigonomtri as do


pares os oe ientes

bn

f (x) = f (x) e dita mpar se f (x) = f (x),


seno

e do

cosseno,

observamos que em funes

so zero, enquanto em funes mpares os oe ientes

an

sero nulos.

CAPTULO 11. SRIE DE FOURIER

104

Figura 11.1: Aproximaes para a funo

x2 ,

para

n = 0, 1, 2, 3

x2 par, pois (x)2 = x2 em todo o intevalo [1, 1].


todos os bn se anulam.

Exemplo: A funo
no exemplo anterior,

Conforme ilustrado

Extenso Peridi a:
Caso uma funo seja denida em um intervalo

x [0, L], ento ne essrio estender o domnio

da funo para que seja possvel apli ar as equaes deduzidas a ima. Neste aso, existem duas
possibilidades:

Extenso Par:

fpar (x) =

f (x)

[0, L]

f (x) x [L, 0)

Extenso mpar:

fmpar (x) =

f (x) x [0, L]
f (x) x [L, 0)

Exemplo:
Para

f (x) = 4x 3x2 2x3

x [0, 1],

fpar (x) =

temos as seguintes estenses peridi as:

4x 3x2 2x3 x [0, 1]


4x 3x2 + 2x3 x [1, 0)

105

Figura 11.2: Funo original , extenso par e extenso impar

Figura 11.3:

Srie de Fourier om

4x 3x2 2x3

para

x [0, 1]

termos para aproximar o omportamento de

f (x) =

e extenso par.

fmpar (x) =

4x 3x2 2x3 x [0, 1]


4x + 3x2 2x3 x [1, 0)

portanto, temos os seguintes omportamentos Ilustrados na Figura (11.2).


Assim, estudando a srie de Fourier para esta funo, obtemos

a0
an
bn

resultando em

Z 0

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

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

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

f4 (x) =

81 2 cos (4 x) + (32 48 2) cos (3 x) + 324 2 cos (2 x) + (2592 432 2 ) cos ( x) 27 4


54 4

ou, gra amente, om o omportamento ilustrado na Figura (11.3).

CAPTULO 11. SRIE DE FOURIER

106

Exer ios:
1) Obtenha a srie de Fourier para

f (x) = x3

ne essrios para que obtenhamos um erro mximo

2) Obtenha a srie de Fourier de

valores da

4) Repita o exer io

para

Estude quantos termos so

f (x) = ex , x [L, L.

t(x) = x+x
2
aproximao em x = 0.

3) Considere a funo

x [0, 5].
de 5%.

para

x [5, 5].

f (x) = H0 (x),

funo

Obtenha a srie de Fourier e verique os

Heaviside

om entro em

0.

5) A relao entre o operador exponen ial e as funes trigonomtri as bem onhe ida (Frmula de Euler). Desta forma, possvel es rever a base que utilizamos para obter a srie de
Fourier utilizando uma notao mais ompa ta. Estude esta base e obtenha as expresses dos
oe ientes para este aso.

Parte II
Cl ulo Numri o

107

Captulo 12
Con eitos Bsi os de Cl ulo Numri o

Nesta segunda parte da matria iremos apresentar os on eitos bsi os de l ulo numri o.
Para isto, o leitor deve primeiro entender omo os nmeros so representados internamente
em um omputador, para ento ompreender a natureza dos erros de aproximao que so
inerentes a esta representao. De posse destes on eitos bsi os, iremos apresentar de forma
simpli ada uma representao para algoritmos para, depois, estudarmos os mtodos numri os
de interesse.
importante salientar que na norma brasileira a vrgula utilizada para separar a parte
inteira de um nmero real da parte fra ionria (1, 23), sendo que o ponto o separador de milhar.
No entanto, em pases de lngua inglesa, o ponto que deve ser utilizado para separar a parte
inteira da parte fra ionria (1.23). Assim, neste texto iremos seguir a norma brasileira, mas o

implementarmos os l ulos em qualquer linguagem


de omputador,dever seguir a norma inglesa, que a utilizada.

leitor deve sempre lembrar que ao

12.1 Representao de nmeros naturais em diferentes bases


Um nmero natural omo

215

representado por valores que indi am a quantidade de (neste

aso) entenas + dezenas + unidades, sendo que neste aso (base


pode assumir valores entre

[0, 9]

10)

ada uma das posies

(dez possibilidades). Diferentes bases seguem a mesma lgi a,

mas alteram o nmero valores que podem ser utilizado em ada posio. As bases mais omuns
so

Base (b)

a0

a1

a2

a3

a4

a5

a6

a7

10
16

a8

a9

109

a10

a11

a12

a13

a14

a15

CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO

110

e, de forma geral, podemos representar um nmero por uma expanso polinomial na forma

N = an bn + an1 bn1 + .... + a1 b + a0 ,


ou na forma ompa ta

(an an1 an2 ....a1 a0 )b


omo por exemplo

(215)10 = 2 102 + 1 10 + 5
ou

(0111)2 = 0 23 + 1 22 + 1 21 + 1 20 .
Partindo-se de um nmero natural

(M)10 , podemos obter a representao em qualquer base,

bastando para isto realizarmos uma srie de divises pelo valor da base desejada. Por exemplo:

110 2
0

55
1

27
1

13
1

2
6
0

2
3
1

(110)10 = (1101110)2,

e, portanto,

a0 , a1 ....an1 an

ou seja, os restos das divises iro indi ar os oe ientes

na sequn ia em que apare erem. O ltimo valor o divisor nal. O mesmo

nmero na base

seria des rito por

110 8
6

13
5

ou seja,

(110)10 = (156)8 .

8
1

Finalmente, embora seja bvio,

110 10
0

11
1

10

Deve-se enfatizar que a representao interna de um nmero em um omputador


realizada na base 2.

12.2. REPRESENTA O DA PARTE FRACIONRIA DE UM NMERO REAL

111

12.2 Representao da parte fra ionria de um nmero


real
Um nmero real

Xf ,

tal que

pode ser visto omo uma parte inteira

Xf = X Xi .

Desta forma,

Xf

Xi

somado a uma parte fra ionria

estar sempre na faixa

[0, 1)

e poder ser des rito

omo uma expanso polinomial om a forma

Xf = a1 21 + a2 22 + ..... + an 2n
onde deve-se observar que esta srie onvergente para
innito, pois

quando o nmero de termos tender a

X
1
1 1 1
= + + + ... 1, 0
i
2
2 4 8
i=1

ou seja, quanto maior o nmero de bits, maior a pre iso da representao. A forma de onverter
uma par ela fra ionria es rita em base de imal para uma representao em base
da parte inteira, pois aqui iremos multipli ar a parte fra ionria por

2.

o inverso

Por exemplo

0, 7

representado por

0, 7 2 = 1, 4
0, 4 2 = 0, 8
0, 8 2 = 1, 6
0, 6 2 = 1, 2
0, 2 2 = 0, 4
0, 4 2 = 0, 8
0, 8 2 = 1, 6
....

Observem que a representao no tem m, estando limitada


pelo nmero de bits que so utilizados para representar o nmero. Por exemplo, se

ou

(1011001.....)2.

utilizarmos

bits, obteremos o nmero

1 21 + 1 23 + 1 24 + 1 27 = 0, 6953125.

12.3 Representao de Nmeros em Computadores


Um nmero inteiro pode ser representado exatamente por uma representao binria utilizada
em omputadores, desde que sejam utilizados o nmero su iente de bits. Uma questo importante a representao do sinal, que no ne essria em um nmero natural. Para isto,
reservado o bit (posio) mais a esquerda (ou mais signi ativo) da representao binria.
Se este bit for

o nmero dito positivo e se for

o nmero dito negativo, pois

10 = 1

CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO

112

11 = 1.

Com isto, restam

n1

bits para a representao do nmero. Por exemplo

(00001)2 = 10 (0001)2 = +20 = +(1)10


e


(10101)2 = (0101)2 = 11 22 + 20 = (5)10 .

8 bits, teremos apenas 7 para representar efetivamente


estaremos trabalhando na faixa [127].

Assim, se um inteiro for representado om


os valores e um para o sinal. Com isto

Por sua vez, um numero real, tambm hamado de ponto utuante (oat) , pode ser representado de diferentes formas. A mais utilizada a denida pela norma IEEE 754 (1985, om
reviso em 2008) onde

N = (1)S (1 + Mantissa) 2ExpoenteP ESO


onde a Mantissa indi a a parte fra ionria do nmero

da Mantissa, Expoente o expoente da base (neste aso

(que subtendido),

2)

indi a o sinal

e PESO um fator que dene o

sinal do expoente. O uso do PESO, embora parea uma ompli ao desne essria, permite
a e onomia de um bit de sinal para aumentar a pre iso da representao do expoente. Por
exemplo, em pre iso simples, utilizamos

32bits

para des rever um nmero. Neste aso,

(S) utilizado para des rever o sinal da Mantissa,


o Expoente e

y = 23

x = 8

1bit

bits so utilizados para des rever

bits so utilizados para des rever a Mantissa.

Quando utilizamos

64

bits para representar um nmero em ponto utuante, ento dizemos que a pre iso dupla
(double) e, neste aso, ontinuamos utilizando
o expoente e

y = 52

bit para o sinal da Mantissa,

x = 11

bits para

bits para a Mantissa.

Como na pre iso simples utilizamos 8 bits para o expoente, ento podemos (idealmente)

(00000000)2 = (0)10 e (11111111)2 = (255) que so todos positivos. Neste


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

obter valores na faixa


aso, o valor

Expoente = (11111111)2 = (255) ento 2255127 = 2128 .


Da mesma forma, em pre iso dupla, teremos um P ESO = 1023. No entanto, a norma reservou

trabalhando om

20127 = 2127

e se

os valores extremos da faixa para representao de nmeros espe iais e, portanto, temos um
limite real de
efetivo.

1 Expoente 254

o que nos leva aos extremos

A Mantissa representa a parte fra ionria a direita do

126

127

para o expoente

e, portanto, segue a notao apre-

sentada na Seo (12.2). Desta forma, o nmero

1 01001011 10100101101100011101011
representa o de imal

N = (1)1 1, (10100101101100011101011)2 2(01001011)2 127

12.4. EPSILON DA MQUINA

113

om Expoente

Expoente = 20 + 21 + 23 + 26 = 75
e Mantissa

Mantissa = 21 + 23 + 26 + 28 + 29 + 211 + 212 + 216 + 217 + 218 + 220 + 222 + 223


resultando em

0, 6472448110580444.

Portanto

N = 1, 6472448110580444 252 = 3.657618232861913 1016 .


Assim, qualquer nmero real ter um limite de representao que depende da pre iso utilizada.

Em pre iso simples observamos que o maior nmero que pode ser representado (em

1, 99999988 2127 = 3.402823466385289 1038 , portando, se um nmero x for


que este valor, ser interpretado omo (overow). Da mesma forma, o menor

mdulo) ser
maior do

1, 0 2126 = 1.175494350822287 1038 . Assim, se


< x < 1.175494350822287 1038 , ento x ser onsiderado omo

nmero que pode ser representado ser

1.175494350822287 1038
0, 0 (underow).

Exemplo:

O l ulo da hipotenusa de um tringulo om atetos

sqrt(x x + y y).

Se

e/ou

dado por

h =

forem numeros muito grandes, ento existe a possibilidade de

o resultado ser overow. Geralmente isto evitado om a seguinte estratgia

m = max(|x| , |y|);
n = min(|x| , |y|);
r = n/m;
h = m sqrt(1 + r r).
DMAX o maior nmero que pode ser representado na base de x e y e
x = y = 0, 5DMAX , ento o l ulo direto resulta em overow, embora o resultado da operao

0, 5DMAX (obtido om o l ulo alternativo).


seja

Por exemplo, se

12.4

Epsilon

da Mquina

Outro on eito importante em l ulo numri o o de

epsilon

da mquina, que o menor

nmero que se for somado a unidade no ser per eptivel (no altera o valor da operao). Para
entendermos melhor este omportamento, vamos lembrar que em pre iso simples o nmero
representado por o por

(1, 0)10 = 1, (00000000000000000000000)2 20

1, 0

CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO

114

e o prximo nmero ser representado por

(1 + 1.1920928955078125 107 )10 = 1, (00000000000000000000001)2 20


ou seja, mudamos o bit menos signi ativo da Mantissa. No entanto, devemos onsiderar um
nmero menor do que este, para que seja imper eptivel. Desta forma, a denio da norma

m =
tal que

f l(x)

1
2y
2



f l(x) x
m



x

a representao em ponto utuante de um dado nmero real

pre iso simples teremos

1.1 1016 .

m = 0.5 2

23

= 5.96 10

x.

Desta forma, em

e em pre iso dupla aproximadamente

Este on eito de fundamental importn ia, devendo ser sempre uidadosamente

veri ado. Por exemplo, ao aproximarmos a derivada de uma funo em torno de um ponto

x,

podemos utilizar

e esta derivada ir retornar zero

df (x)
f (x + ) f (x)

dx

se < m , pois a subtrao

no far sentido (x

+ = x).

12.5 Valores espe iais reservados pela norma


Conforme omentado anteriormente, alguns valores so reservados pela norma. Estes valores

+, , NaN

so

(not a number) e

0,

pois se isto ainda no  ou laro, a mantissa dene

somente a parte fra ionria, sendo que o nmero 0,0 no pode ser obtido diretamente na representao denida pela norma.

0 1111 1111 1 . 0000 0000 0000 0000 0000 000

1 1111 1111 1 . 0000 0000 0000 0000 0000 000

NaN

1 1111 1111 1 . 1000 0000 0000 0000 0000 000

+0

0 0000 0000 1 . 0000 0000 0000 0000 0000 000

1 0000 0000 1 . 0000 0000 0000 0000 0000 000

Assim, temos que

1
1
= ,
= , log(0) =
+0
0

pois isto depende do ompilador).


so:

0 , 0/0, /, + (),

negativo.

log(x) = NaN, x < 0

(em teoria,

Por denio da norma, as operaes que denem


resto das operaes

x/0

/x

NaN

e raiz de um nmero real

Toda a operao que envolver um NaN ir resultar em NaN .

12.6. PRECIS O E ACURCIA (EXATID O)

115

12.6 Pre iso e A ur ia (Exatido)


Dois on eitos fundamentais em l ulo numri o so o de pre iso e o de a ur ia (do ingls

a ura y ) ou exatido.

Pre iso refere-se ao quo prximo um nmero representado pelo omputador representa
o nmero que ele ambi iona representar. A pre iso de um nmero governada pelo nmero
de dgitos empregados na representao.

Assim, a onstante

ser representada om maior

pre iso utilizando double do que oat.

A ur ia ou Exatido refere-se a quo prximo um nmero representado pelo omputador ( omo resultado de uma srie de operaes) est do valor orreto do nmero que ele almeja
representar. A a ur ia governada pelos erros (de trun amento e arredondamento) do mtodo

1 = 3, 141604958 e 2 = 3, 1415809485 almejam


= 3, 141592654...... . Neste aso, o nmero 2 possui maior

numri o empregado. Assim,se os nmeros


ambos a representar o nmero
a ur ia do que

1 ,

embora ambos possuam a mesma pre iso (pois esto sendo representados

em oat ou em double).

!! Assim, quando oloquialmente falamos em pre iso, estamos nos referindo a


a ur ia, ou exatido !!
Da mesma forma, um on eito importante o de quantos dgitos so realmente signi ativos
na representao de imal que desejamos obter. Este nmero dado pela equao

p = 1 + (y 1) log(2)
ou seja, se estivermos trabalhando em pre iso simples (y

= 23)

ento

p = 1 + (22) 0, 3010 = 7, 622


ou seja,

dgitos, e, para pre iso dupla (y

= 52)

p = 1 + (51) 0, 3010 = 16, 351


ou 16 dgitos.
Da mesma forma, se tivermos um nmero

e sua representao por ponto utuante

podemos veri ar o nmero de dgitos signi ativos da representao na base


relao

onde



x f l(x) 1 1n
10

2

x

o maior valor que satisfaz esta equao.

Por exemplo,

1
3

10,

f l(x),

utilizando a

= 0, 333333333......

ser

CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO

116

invariavelmente representado por

0, 33334,
1
3

de tal forma que

0, 33334
1
3

satisfeita para

1
101n
2

n = 5.

12.7 Propagao de Erros


Ao realizarmos uma ou mais operaes matemti as om nmeros reais em um omputador,
iremos sempre ter um erro de representao em ada um dos nmeros, ausado pela impre iso
na representao binria. Outra fonte de erros est na prpria natureza dos algoritmos numri os iterativos ou at mesmo na entrada dos dados de um problema. De forma geral, podemos
denir os valores exatos de uma dada sequn ia de operaes matemti as omo
valores numri os omo

y.

e seus

Assim, podemos denir os erros absolutos nestes valores omo:

Ex = x x
Ey = y y
onde para simpli ar a notao assumimos que
Assim, teremos que

x e y so maiores do que os valores aproximados.

x = Ex + x e y = Ey + y e, se estes valores forem utilizados para realizarmos

outros l ulos, podemos agora estimar a propagao destes erros absolutos pois:

Erro absoluto na soma

Erro absoluto na diferena

Ex+y = Ex +Ey

(
x y) + (Ex Ey )

x+y = (Ex + x)+(Ey + y) = (


x + y)+(Ex +Ey )

Exy = Ex Ey ,

Erro absoluto na multipli ao

Erro absoluto na diviso

Ex Ey + Ex y + Ey x

pois

pois

Exy = xEy + yEx ,

x y = (Ex + x) (Ey + y) =

pois

x y = (Ex + x) (Ey + y) =

(o primeiro termo de segunda ordem)

Ex/y =

Ex
y

x
Ey
pois
2
y

x
(Ex + x)
(Ex + x)

=
= 
y
(Ey + y)
y 1 + Eyy
e, omo

(1 + z)1 = 1 z + z 2 z 3 + z 4 ...,

podemos es rever

(Ex + x)
(Ex + x)
(E + x)
x
= x
=
= 
E
y
y
(Ey + y)
y
y 1 + y
e, omo

Ey



Ey Ey2 Ey3
1
+ 2 3 + ....
y
y
y

pequeno, podemos abandonar os termos de alta ordem (potn ias de

Ey ) tal

12.7. PROPAGA O DE ERROS

117

que

x
(Ex + x)
=
y
y



Ey
(Ex + x) (Ex + x)Ey
Ex x Ex Ey xEy
1
=

=
+
2
2
y
y
y
y
y
y2
y

e, novamente, podemos des artar o termo que ontm

Ex Ey ,

obtendo o resultado.

De posse dos erros absolutos e denindo erro relativo omo erro absoluto sobre valor aproximado
obtido no l ulo, obtemos os seguintes erros relativos:

y
x
+
y

Erro relativo na diferena:


x

Ex
x

Erro relativo na multipli ao:

Ex
x

Erro relativo na diviso:

Erro relativo na soma:


x
+
y

Ex
x

Ex
x

Ey
y

Ey
y

y
x

Ey
y

Ey
y

Assim, se em um dado instante de um l ulo tivermos

y = 49.9999995,

x = 100, x = 99.999999, y = 50

por exemplo, ento teremos

Ex = 100 99.999999
Ey = 50 49.999995
tal que os erros absolutos sero

Ex+y = 5, 999999999062311 106

Exy = 4, 0000000041118255 106


Exy = 5, 5 104

Ex/y = 1, 8 107

que devem ser omparados diretamente aos valores aproximados que seriam obtidos sem a
propagao deste erro

x + y = 149, 999994 5, 999999999062311 106

x y = 50, 000004 4, 0000000041118255 106

x y = 4999.999450000005 5, 49999990032469 104


x
= 2, 000000180000018 1, 800000361139833 107
y

CAPTULO 12. CONCEITOS BSICOS DE CLCULO NUMRICO

118

sendo que o erro relativo permite uma avaliao mais pre isa da severidade dos erros asso iados
as estas operaes matemti as bsi as, pois

Erx+y = 4, 00000015937488 108

Erxy = 7, 999999368223701 108

Erxy = 1, 1000001010649478 107


Erx/y = 9.000000995698993 108 .

importante salientar que os omputadores e ompiladores atuais propagam erro de forma


mais lenta do que o visto aqui, pois utilizam um dgito de guarda (denido pela norma),
alm do fato de que os erros om sinais ontrrios tendem a se ompensar de forma aleatria.

No entanto, devemos sempre lembrar que a medida que o nmero de operaes


matemti as aumenta em um dado pro edimento numri o, maior ser a diferena
entre o valor exato e o obtido.

12.8 Di as Importantes
Como as operaes om ponto utuante esto sujeitas a erros, nun a devemos utilizar a omparao direta entre valores (se

todos os bits forem iguais.

x = y ),

pois para o omputador os nmeros s sero iguais se

Desta forma, o orreto avaliar se a distn ia entre os nmeros

esta abaixo de uma determinada tolern ia (se

|x y| < tol).

Outra questo importante a asso iatividade da soma e da multipli ao de nmeros reais.


Em um nmero real om pre iso innita, a operao

z).

(x + y) + z

deve ser igual a

x + (y +

No entanto, devido aos erros de arredondamento da representao de nmeros reais em

x = 1030 , y = 1030
no software Maxima:

omputadores, esta asso iatividade pode no se veri ar. Por exemplo, se


e

z = 1,

ento

(x + y) + z = 1

x + (y + z) = 0.

Isto pode ser observado

x : 1030 ; y : 1030 ; z : 1; a : (x + y) + z; b : x + (y + z); teremos omo resultados


b = 1, omo de esperado, pois o programa est utilizando uma representao real

Se digitarmos

a = 1

ompleta.

Ao onvertermos para representao em ponto utuante, por meio dos omandos

x : f loat(x); y : f loat(y); z : f loat(z);

iremos observar o resultado esperado.

Captulo 13
Des rio Bsi a de um Algoritmo

Um dos objetivos deste estudo des rever o omportamento de algoritmos, isto , uma sequn ia
de operaes bem denidas e no ambiguas, ada qual podendo ser exe utada em um tempo
nito.

Para isto, iremos denir neste aptulo uma pseudo-linguagem que ir nos ajudar a

des rever os passos ne essrios para a implementao da sequn ia de operaes asso iada a
ada um dos tpi os a serem estudados aqui.
As operaes bsi as so des ritas por:

Variveis: a, b,

Atribuio de valor:

Vetores e Matrizes: A(i,j) e B(i)

Texto: "Texto"

Entrada de Dados: Ler <varivel>

Sada de Dados: Es rever <varivel>

Desvio in ondi ional: Salte Para <rtulo>

Estrutura ondi ional:

Se

a 10

< ondio>

ento

< omandos 1>

Ou

< ondio>

ento

< omandos 2>


...

Seno

ento
< omandos n>

Fim (Se)
119

CAPTULO 13. DESCRI O BSICA DE UM ALGORITMO

120

Loops (laos de exe uo):

Para

varivel

de a at b [passo <in remento> exe ute


< omandos >

Fim (Para)

Repetio om teste no in io:

Enquanto

Condio

exe ute

< omandos >

Fim (Enquanto)

Repetio om teste no m:

Repetir
< omandos >

Enquanto < ondio>

Sub-Rotinas:

Rotina <nome>

(argumentos de entrada)
< omandos >

Fim da Rotina

Retorna <variaveis>

13.1. EXEMPLOS

121

13.1 Exemplos

Cal ula o valor de um polinmio em um ponto x:


Rotina

Polinomio ( x )
v a l o r < 2 x 2

Retorna v a l o r
Fim Rotina P o l i n o m i o

2 x + 2

Cl ulo de mdia:
Programa Media
Es rever " I n f o r m e
Ler N

numero

de

pontos "

SOMA < 0 . 0

Para

de 1 ate N exe ute


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

SOMA < SOMA + V


i <

Fim Para
Es rever
Fim Programa

i + 1

" Media = " , SOMA/N


Media

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


Programa Media
Es rever " I n f o r m e
Ler N

numero

de

pontos "

SOMA < 0 . 0
i < 1

Enquanto i <=N exe ute


Es rever " I n f o r m e
Ler V

um numero "

SOMA < SOMA + V

Fim Para
Es rever
Fim Programa

Se es ritos no

" Media = " , SOMA/N


Media

S ilab, estes

algoritmos assumiriam a forma:

CAPTULO 13. DESCRI O BSICA DE UM ALGORITMO

122

Cal ula o valor de um polinmio em um ponto x:


fun tion

[ valor

= Polinomio ( x )

v a l o r = 2 x 2

return
endfun tion

valor

2 x + 2

Cl ulo de mdia:
fun tion [ media = Media ( )
printf ( " \ n I n f o r m e o numero de
N = s anf ("%d " )

pontos ")

SOMA = 0

for

i =1:N

printf ( " \ n I n f o r m e
V = s anf ("% e " )

um numero " )

SOMA = SOMA + V

end
media = SOMA/N

printf ( " \ n
endfun tion

Media = %e " ,

media )

Captulo 14
Razes de Equaes

Dada uma equao de uma varivel

f (x) = 0

hamamos de raz o valor (ou valores) de

que satisfazem esta equao, onde as funes podem ser algbri as se so denidas em termos
de operaes bsi as ou fundamentais, tais omo soma, multipli ao, subtrao, diviso, raiz
quadrada, et ...)
exemplo

ou trans endentes se so denidas a partir de outras funes, omo por

. Existem diversos mtodos para determinao de raizes, sendo que iremos abordar

os mais utilizados.

14.1 Mtodo da Bise o


Seja

f (x)

uma funo de uma varivel e ontnua entre dois pontos

Se os valores da funo em

a e b tiverem sinal diferentes,

x=a

x = b,

[a, b]

) e podemos ento reduzir o

intervalo, at que obtenhamos uma estimativa a eitvel para o ponto

x = ,

f () = 0. A
intervalo [a, b]

onde

lgi a deste mtodo extremamente simples e robusta, pois ini iamos om um

I0 = b a

b>a

ento om erteza a funo passa pelo

zero pelo menos uma vez (ao menos uma raiz no intervalo

de dimenso

om

e reduzimos o intervalo pela metade a ada nova iterao, de a ordo

om o algoritmo 1.

interessante notarmos que a ada iterao, o intervalo ser dividido por 2. Assm, em uma
iterao

n
|In I1 |

14.2 Mtodo

I0
2n

Regula Falsi

Este mtodo uma modi ao do mtodo da Biseo, onde ao invz de utilizamos o ponto
mdio do intervalo utilizamos a interseo de uma reta que une
desta reta

f (c) = 0 = f (a) +

f (b) f (a)
(c a)
ba

123

om o eixo

x.

A equao

CAPTULO 14. RAZES DE EQUAES

124

Algoritmo 1 Algoritmo de Bise o


1

Rotina

Bise ao :

# Entradas :

a,b

extremos

tol

toleran ia

nmaxiter :

# Depende

9
10
11
12
13
14
15

Rotina

para

ver

f ( a ) f ( b)>=0

Es rever

se

intervalo

entao

" Este

intervalo

19

# Cal ula

20

< ( a+b ) / 2

ponto

21

# Testa

22

# a

toleran ia

23

# o

ponto

pela

toleran ia

for

entral

26
27

# Testa

30
31
32
33

nao

valido
ontem uma

raiz "

Se

se

raiz

f ( a ) f ( ) < 0

maximo

de

itera oes

medio

Se ba < t o l entao
Retorna
Fim Se

29

o p r o e s s o ate o numero
ate a o n v e r g e n i a
Para n de 0 ate n m a x i t e r exe ute

# ou

28

bise oes

Fim Se

# Exe uta

24

de

maximo

bus a

( <1)

Sair

17

25

parada

Bise ao ( a , b , tol , nmaxiter )

16
18

de

intervalo

de

f (x)

# Testa

Se

numero

do

do

obtida ,
do

intervalo .

entao

Se

devolvemos

intervalo

esta

entao

entre

b <

Senao

a <

Fim Se
Fim Para #n

34
35
36
37
38

Es reve

Retorna
Fim Rotina

"Nao

foi

( a+b ) / 2
Bise ao

possivel

obter

raiz

om a

a ura ia

desejada "

14.3. MTODO DE NEWTON-RAPHSON


e, isolando o

125

c
c=a

(b a)f (a)
f (b) f (a)

ou, de modo a minimizar error numri os



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

14.3 Mtodo de Newton-Raphson


Considere uma funo

f (x)

ontnua e diferen ivel.

No entorno de um ponto

xn ,

podemos

representar esta funo por uma srie de Taylor, na forma

f (xn+1 ) = f (xn ) + f (xn ) (xn+1 xn ) + O


O representa os
f (xn+1 ) = 0, ento

onde
,

termos de alta ordem. Se

xn+1

xn+1 = xn

for um ponto de passagem por zero, isto

f (xn )
f (xn )

(14.1)

que d uma estimativa para um ponto ada vez mais prximo da raiz verdadeira e prxima de

xn .

O interessante sobre este mtodo, que se a funo e suas derivadas satiszerem algumas

ondies, ento a onvergn ia (taxa de reduo do intervalo) quadrti a. Para entendermos


isto, voltamos a srie de Taylor, mas agora retendo os termos de segunda ordem

1
f () = f (xn ) + f (xn ) ( xn ) + f (xn ) ( xn )2
2
e, omo

um ponto de passagem por zero, ento

1
0 = f (xn ) + f (xn ) ( xn ) + f (xn ) ( xn )2
2
e, se dividirmos por

f (xn ),

obteremos

f (xn )
f (xn )( xn )2
+ ( xn ) =
f (xn )
2f (xn )
e, substituindo

xn

pela relao obtida na Eq, (14.1), obtemos

xn+1

f (xn )
=
( xn )2
2f (xn )

CAPTULO 14. RAZES DE EQUAES

126

Algoritmo 2 Algoritmo Regula Falsi


1

Rotina

Regula_Falsi :

# Entradas :

a,b

extremos

tol

toleran ia

nmaxiter :

# Depende

9
10
11
12
13
14
15

Rotina

para

Es rever

22
23
24
25
26
27
28
29
30
31
32

itera oes

se

entao

" Este

intervalo

intervalo

nao

valido
ontem uma

raiz "

Sair

o p r o e s s o ate o numero maximo de


ate a o n v e r g e n i a
Para n de 0 ate n m a x i t e r exe ute
# C a l u l a o p o n t o de i n t e r s e a o

# ou

21

de

maximo

bus a

( <1)

Fim Se

# Exe uta

20

ver

f ( a ) f ( b)>=0

17
18

parada

Regula_Falsi ( a , b , tol , nmaxiter )

16

19

de

intervalo

de

f (x)

# Testa

Se

numero

do

f s < f ( a ) / f ( b )

Se

< a

( ba ) f s

Retorna
Fim Se
< n

# Testa

Se

n>0 E a b s ( n ) <

se

(1
tol

itera oes

fs )

entao

raiz

f ( a ) f ( ) < 0
b <

esta

entao

entre

Senao

a <

Fim Se
Fim Para #n

33
34
35
36
37

Es reve

Retorna
Fim Rotina

"Nao

foi

possivel


Regula_Falsi

obter

raiz

om a

a ura ia

desejada "

14.4. MTODO DA SECANTE

127

tal que se onsiderarmos os mdulos dos dois lados desta Eq, obteremos

n+1 M2n
onde



f (xn )
M = 2f
(x ) . Assim, de a ordo om o que vimos
n

intervalo n+1 limitado poe um fator M , que ser nito se f

n+1 = | xn+1 |, n = | xn |

na primeira parte da matria, o

f

for diferente de zero e se


a raiz se o ponto

xn

for limitado. Podemos ver ainda que o algoritmos onverge para

for prximo de

Algoritmo 3 Algoritmo de Newton Raphson


1

# Entradas :

4
5
6

# Depende

9
10

Rotina

Newton_Raphson :
x

tol

nmaxiter :

Rotina

f (x)

# ou

14

# Cal ula

15

xnm < x

# Testa

proxima

pela

( <1)

bise oes

# a

toleran ia
ponto

Se

for

entral

a b s ( xxnm ) <

21

Retorna
Fim Se

22

# Atualiza

23

x < xnm

Fim Para

maximo

do

obtida ,
do

tol

de

itera oes

estimativa

toleran ia

# o

24

parada

de

f ( x )/ df ( x )

17

20

maximo

df (x )

18
19

de

toleran ia
numero

o p r o e s s o ate o numero
ate a o n v e r g e n i a
Para n de 0 ate n m a x i t e r exe ute

# Exe uta

12

16

ini ial

Newton_Raphson ( x , t o l , n m a x i t e r )

11
13

ponto

intervalo .

entao

Se

devolvemos

intervalo

entao

xnm

ponto

#n

25
26
27
28
29

Es reve

Retorna
Fim Rotina

"Nao

foi

possivel

obter

raiz

om a

a ura ia

desejada "

x
Newton_Raphson

14.4 Mtodo da Se ante


Um das di uldades na utilizao do mtodo de Newton Raphson est justamente no l ulo
da derivada. Para evitar este l ulo, podemos utilizar uma aproximao por diferenas nitas,

CAPTULO 14. RAZES DE EQUAES

128

na forma

f (xn ) f (xn1 )
xn xn1

f (xn )

de tal forma que a Eq. (14.1) pode ser es rita omo

xn+1 = xn

f (xn )(xn xn1 )


f (xn ) f (xn1 )

(14.2)

e, portanto, devemos ini iar o mtodo om dois pontos, ao invs do mtodo de Newton-Raphson
que ne essita de apenas um ponto. Uma outra interpretao para esta abordagem onsiste em
traar uma reta entre dois pontos (se ante), na forma

f (xn+1 ) = f (xn ) +
e, assumindo que

xn+1

f (xn ) f (xn1 )
(xn+1 xn )
xn xn1

uma estimativa de raiz, tal que

f (xn+1 ) = 0,

obtemos novamente a

Eq. (14.2).

interessante omentar que o mtodo, por utilizar uma aproximao da derivada, tem taxa
de onvergn ia igual a razo urea,

1, 618.

A prova deste resultado, bem omo uma dis usso

bem ompleta sobre o pro edimento dis utido na deduo da taxa de onvergn ia de NewtonRaphson pode ser obtida no artigo "A note on the Convergen e of the Se ant Methods for Simple and Multiple Roots", de P. Dez (Applied Mathemati s Letters, 16(2003), pp. 1211-1215).

Exemplo:

Vamos onsiderar a equao

pelos diferentes mtodos apresentados.

|xk1 xk | < 1 10

f (x) = x cos(x)

para

x [0, 1]

Em todos os mtodos utilizaremos uma tolern ia

A) Mtodo da Bise o om

a = 0, 2 b = 1, 0, tol = 1 106

Iterao

ba

2.000000e-01

1.000000e+00

8.000000e-01

6.000000e-01

1.000000e+00

4.000000e-01

6.000000e-01

8.000000e-01

2.000000e-01

...

....

....

....

20

7.390846e-01

7.390854e-01

7.629395e-07

B) Mtodo Regula Falsi

e a soluo

a = 0, 2 b = 1, 0, tol = 1 106

nmaxiter = 100

nmaxiter = 100

14.4. MTODO DA SECANTE

129

Algoritmo 4 Mtodo da Se ante


1

Rotina

# Entradas :

Se ante :

4
5
6

xm , xmm

tol

nmaxiter :

# Depende

Rotina

pontos

toleran ia
numero

Se ante

11

# Exe uta

12

# ou

14
15
16

Para

pro esso

numero

# Cal ula

proxima

x < xm

f (xm) ( xmxmm)

# Testa

pela

maximo

de

itera oes

toleran ia
ponto

Se

a b s (xmxmm) <

Retorna
Fim Se

22

# Atualiza

23

xmm < xm
xm

for

entral

21

estimativa

toleran ia

# a

25

ate

ate a o n v e r g e n i a
de 0 ate n m a x i t e r exe ute

# o

24

( <1)

bise oes

17

20

parada

de

( xm , xmm, t o l , n m a x i t e r )

18
19

de

maximo

f (x)

10

13

ini iais

do

obtida ,
do

tol

f (xm) f (xmm)

intervalo .

entao

Se

devolvemos

intervalo

entao

ponto

< x

Fim Para

#n

26
27
28
29
30

Es reve

Retorna
Fim Rotina

"Nao

foi

x
Se ante

possivel

obter

raiz

om a

a ura ia

desejada "

CAPTULO 14. RAZES DE EQUAES

130

Iterao

ck ck1

2.000000e-01

1.000000e+00

2.966355e-01

7.033645e-01

1.000000e+00

3.389621e-02

7.372607e-01

1.000000e+00

1.732984e-03

7.389936e-01

1.000000e+00

8.690052e-05

7.390806e-01

1.000000e+00

4.353298e-06

7.390849e-01

1.000000e+00

2.180684e-07

C) Mtodo de Newton-Raphson om

x0 = 0, 2

tol = 1 106

Iterao

xk xk1

2.000000e-01



8.507771e-01

6.507771e-01

7.415302e-01

1.092469e-01

7.390864e-01

2.443744e-03

7.390851e-01

1.316662e-06

7.390851e-01

3.828049e-13

D) Mtodo da Se ante, om

x0 = 0, 2 x1 = 1, 0

tol = 1 106

Iterao

xn

xn1

xn xn1

2.000000e-01

1.000000e+00

8.000000e-01

7.033645e-01

2.000000e-01

5.033645e-01

7.447825e-01

7.033645e-01

4.141808e-02

7.390395e-01

7.447825e-01

5.743044e-03

7.390851e-01

7.390395e-01

4.559160e-05

7.390851e-01

7.390851e-01

5.725747e-08

Tarefas :
1) Obtenha as razes da funo
e um nmero mximo de

f (x) = sin(x), x [, ]

para uma tolern ia de

1 104

iteraes, utilizado Regula-Falsi, Newton-Raphson e Mtodo da

Se ante. Para isto, des reva em detalhes todas as etapas do l ulo e solu ione passo a passo;
2) A equao

x3 2x2 11x + 12

tem omo razes

3, 1

4.

O interessante que pequenas

diferenas nos pontos ini iais podem fazer om que o mtodo de Newton-Raphson tenda para

x0 = 2, 35287527, x0 = 2, 35284172 e x0 = 2, 352836323.


x0 = 0 tem um omportamento muito interessante quando

uma raiz diferente. Teste o mtodo om


3) A equao

x 2x + 2

om

solu ionada por Newton-Raphson. Verique e explique em detalhes o que est o orrendo. Para
isto, investique o gr o da funo e o omportamento da derivada. A melhor maneira resolver
gra amente, a ompanhando as iteraes do mtodo.

Captulo 15
Operaes Bsi as om Matrizes

Do ponto de vista de programao, uma matriz uma estrutura de dados que ontm uma srie
de valores. Existem diversas formas de armazenar uma matriz, sendo que nesta primeira parte
do texto iremos tratar de armazenamento denso, onde todas as posies so armazenadas em
uma forma retangular. Uma matriz

A[mn]

om

linhas e

= Aij =

a11
.
..

olunas representada na forma,

... a1n
.
..

.
..

am1 ... amn

sendo que, dependendo do padro omo os valores se distribuem no interior da matriz, adotamos
as seguintes nomen laturas:

Matriz Simtri a:

Matriz Antisimtri a:

Matriz Identidade:

Matriz Nula:

Matriz Quadrada:

Matriz Triangular Superior:

Matriz Triangular Inferior:

Matriz Tridiagonal: Apenas a diagonal prin ipal e as diagonais a ima e abaixo da prin ipal

aij = aji
aij = aji

aij = ij

aij = 0
m=n
aij = 0, i > j

aij = 0, i < j

ontm elementos no nulos.


Matriz Pentadiagonal: Apenas a diagonal prin ipal e duas diagonais a ima e abaixo da
prin ipal ontm elementos no nulos.

No que segue, iremos apresentar os algoritmos bsi os para operaes om matrizes retangulares
sem impor qualquer tipo de parti ularidade quanto ao padro de armazenamento.
131

CAPTULO 15. OPERAES BSICAS COM MATRIZES

132

15.1 Multipli ao por um es alar


Esta a operao mais simples, onde multipli amos toda uma matriz

e R,

na forma

eA[mn] =

e a11
.
..

... e a1n
.
..

.
..

e am1 ... e amn

A[mn]

por um es alar

e o algoritmo referente a esta operao ilustrado na listagem (5).

Algoritmo 5 Multipli ao de uma matriz por um es alar


1

# Entradas :

es alar

Matriz

Rotina

Es alarXMatriz :

m, n

numero

# Saidas :

Matriz

Rotina

Es alarXMatriz

de

linhas

numero

e A

de

olunas

da

matriz

( e , A , m, n )

9
10
11
12
13

# Varre

Para

as

de

linhas

# Varre

Para

ate

1
j

as

de

da

matriz

exe ute

olunas
1

ate

desta

exe ute

14

# Multipli a

15

A( i , j ) < e A( i , j )

16
17
18
19
20
21

Fim Para
Fim Para #i
Retorna
Fim Rotina

pelo

linha

es alar

#j

A
Es alarXMatriz

15.2 Soma de Matrizes


A soma de duas matrizes

A[mn]

B[mn]

s possvel se as matrizes tem exatamente o mesmo

nmero de linhas e olunas. Neste aso, o resultado uma matriz de mesmas dimenses das
matrizes de entrada, na forma

C[mn] = A[mn] + B[mn]

e a operao ilustrada no algoritmo (6)

a11 + b11

...

a1n + b1n

.
..

.
..

.
..

am1 + bm1 ... amn + bmn

15.2. SOMA DE MATRIZES

133

Algoritmo 6 Soma de duas matrizes


1

# Entradas :

Matriz

m, n

numero

# Saidas :

M a t r i z A+B

# Depende :

10
11

Rotina

Rotina

SomaMatrizes :
A

SomaMatrizes

C = z e r o s (m, n )
# Varre

16

Para

linhas

as

de

linhas

Para

ate

# Varre
j

as

de

da

exe ute

ate

desta

exe ute

linha

# Soma

18

C( i , j ) < A( i , j ) + B( i , j )

19
21
22
23
24

Fim Para
Fim Para #i
Retorna
Fim Rotina

matriz

olunas
1

re eber

17

20

numero

(A , B , m, n )

# C r i a uma m a t r i z C p a r a

12

15

de

zeros ()

13
14

Matriz

#j

C
SomaMatrizes

opera ao

de

olunas

das

matrizes

CAPTULO 15. OPERAES BSICAS COM MATRIZES

134

15.3 Transposta de uma Matriz


Esta operao denida pela relao

AT = (aij )T = aji
e a rotina que realiza esta operao ilustrada no algoritmo (7)

Algoritmo 7 Transposta de uma matriz


1

# Entradas :

Matriz

Rotina

Transposta :

de

m, n

numero

# Saidas :

M a t r i z A^T ,

# Depende :

9
10

Rotina

Transposta

C = z e r o s ( n ,m)

12

# Varre

14
15

as

de

linhas

# Varre

Para

ate

1
j

as

de

da

olunas
1

ate

desta

C( j , i ) < A( i , j )

21
22
23

Fim Para
Fim Para #i
Retorna
Fim Rotina

re eber

exe ute

# Armazena

19

olunas

da

matriz

opera ao

exe ute

17

20

de

[ n ,m

matriz

16
18

numero

(Am, n )

# C r i a uma m a t r i z C p a r a

Para

om d i m e n s a o

zeros ()

11
13

linhas

tro ando

linha

os

indi es

de

linha

de

oluna

#j

C
AmaisB

15.4 Multipli ao de Matriz por um vetor


A multipli ao de uma matriz

A[mn]

por um vetor oluna

vn

s possvel se o nmero de

olunas da matriz for igual ao nmero de linhas do vetor e resulta em um vetor oluna om
linhas. A operao denida por

A[mn] v[n] =

a11
..
.

... a1n
..
.

..
.

am1 ... amn

P
n
j=1 a1j vj
.
..
.. =
.


Pn
vn
j=1 amj vj

O pro edimento est listado no Algoritmo (8).

v1

15.4. MULTIPLICA O DE MATRIZ POR UM VETOR

135

Algoritmo 8 Produto de uma matriz por um vetor.


1

Rotina

MatrizXVetor :

# Entradas :

m, n

numero

# Saidas :

v2

vetor

# Depende :

10

Rotina

MatrizXVetor

# Cria

12

v2 = z e r o s (m, 1 )

13

# Varre

15
16
17
18

Para

vetor

Vetor

de

linhas

as

de

linhas

ate

# valor

que

soma < 0 . 0

# Varre

Para

para

as

de

da

re eber

olunas

ate

21

Fim Para

22

# Armazena

23

v2 ( i ) = soma

desta

exe ute

somatorio
linha

da

linha

a umula o

somatorio

#j

soma

Fim Para #i
Retorna v2
Fim Rotina

da

matriz

soma < soma + A( i , j ) v ( j )

27

olunas

opera ao

20

26

de

exe ute

ira

re eber

# soma

24

numero

om m l i n h a s

19

25

(A , v , m, n )
v2

zeros ()

11

14

Matriz

MatrizXVetor

na

posi ao

do

novo

vetor

matriz

CAPTULO 15. OPERAES BSICAS COM MATRIZES

136

15.5 Produto Interno


O produto interno de dois vetores

v,

ambos de dimenso

< u, v >=

n
X

n1

obtido por

ui vi

i=1

resultando em um es alar. O pro edimento ilustrado no algoritmo

Algoritmo 9 Produto interno entre dois vetores.


1

Rotina

Produto_Interno :

# Entradas :

Vetor

Vetor

Dimensao

# Saidas :

Es alar

Rotina

Produto_Interno

dos

vetores

(u , v , n)

10
11

# Ini ializa

12

p = 0

termo

do

somatorio

13
14

# Somatorio

15

Para

de

ate

exe ute

16
p < p + u ( i ) v ( i )

17
18
19
20
21
22
23

Fim Para
Retorna
Fim Rotina

#i
p

Produto_Interno

15.6 Produto de duas Matrizes


B[no] s possvel se o nmero de
olunas da matriz A for igual ao nmero de linhas da matriz B. Esta operao resulta em uma
A multipli ao de uma matriz

matriz

C[mo] ,

A[mn]

por outra matriz

tal que

A[mn] B[no] =

a11
.
..

... a1n
.
..

.
..

am1 ... amn

b11 ... b1o


.
..

.
..

.
..

bn1 ... bno

O pro edimento est listado no Algoritmo (10).

P
Pn
n
...
j=1 a1j bj1
j=1 a1j bjo

.
.
.
=
..
..
..

Pn
Pn
j=1 amj bj1 ...
j=1 amj bjo

15.6. PRODUTO DE DUAS MATRIZES

137

Algoritmo 10 Produto de matrizes


1

# Entradas :

Matriz

m, n

numero

numero

M a t r i z = AB

Rotina

MatrizXMatriz :

# Saidas :

# Depende :

10
11

Matriz

de
de

linhas

olunas

numero

de

de

zeros ()

Rotina

MatrizXMatriz

(A, B , m, n , o )

12
13

# Cria

matriz C

14

C = z e r o s (m, o )

15

# Varre

16
17

Para

as

linhas

para
da

re eber

opera ao

matriz

de 1 ate m exe ute


Para k de 1 ate o exe ute
i

soma < 0

18

Para

19

de

ate

exe ute

20

# soma

21

soma < soma + A( i , j ) B( j , k )

22

Fim Para

23

# Armazena

24

C( i , k ) = soma

25
26
27
28
29

Fim Para
Fim Para #i
Retorna C
Fim Rotina

#j

#k

MatrizXMatriz

produto

na

posi ao

de

olunas

da

matriz A

CAPTULO 15. OPERAES BSICAS COM MATRIZES

138

15.7 Norma p de um Vetor


A norma

de um vetor obtida por

kxkp =

n
X

xpi

i=1

! p1

e o pro edimento ilustrado no Alg. (11) .

Algoritmo 11 Norma p de um vetor


1

# Entradas :

vetor

dimensao

de

expoente

da

# Saidas :

norma

norma p do

Rotina

Rotina

Normap :

Normap

x
norma
vetor

(x , n , p)

10
11

# Ini ializa

12

norma < 0 . 0

13
14
15
16
17
18
19
20

# Loop

Para

pelos

de

norma

elementos

ate

do

exe ute

vetor

norma < norma + x ( i ) p

Fim Para #i
Retorna norma ( 1 / p )
Fim Rotina

Normap

15.8 Trao de Uma Matriz


Otrao a soma dos termos da diagonal de uma matriz quadrada

tr(A) =

n
X

A,

na forma

Aii

i=1

e o pro edimento ilustrado no Alg. (12) .

15.9 Complexidade de um Algoritmo


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

15.9. COMPLEXIDADE DE UM ALGORITMO

139

Algoritmo 12 Trao de uma Matriz


1

Rotina

# Entradas :

Matriz

dimensao

de

# Saidas :

tra o

tra o

Rotina

Tra o :

Tra o

quadrada

de

(A, n )

9
10

# Ini ializa

11

t r a o < 0 . 0

12
13

# Loop

14

Para

Fim Para

17

Retorna

18
20

de

tra o

elementos

ate

do

exe ute

vetor

t r a o < t r a o + A( i , i )

15
16

19

pelos

Fim Rotina

#i

tra o
Tra o

matrizes e vetores envolvidos. Desta forma, diz-se que um algoritmo tem omplexidade
por exemplo, quando depende linearmente do nmero de dimenses de um vetor.

O(n),

Para os

algoritmos apresentados nestes aptulos, podemos veri ar fa ilmente que:

Multipli ao de es alar por matriz:

Soma de matrizes:

Transposta de uma matriz:

Multipli ao de uma matriz por um vetor:

Multipli ao de duas matrizes

O(m n),

O(m n),

operaes de soma;

O(m n),

somente a esso a memria;

ao;

multipli ao;

operaes de multipli ao;

A[mn}

O(m n),

operaes de soma e de multipli-

B[no] :O(m o n),

operaes de soma e de

Outra informao importante est asso iada ao erro propagado em ada uma destas operaes,
sendo que om isto podemos ter uma noo da a ur ia esperada na resposta.

140

CAPTULO 15. OPERAES BSICAS COM MATRIZES

Captulo 16
Triangularizao de uma Matriz
Quadrada

Um on eito fundamental para o estudo dos algoritmos bsi os de lgebra linear est asso iado
ao on eito de triangularizao de uma matriz quadrada. Neste pro edimento, transformamos
uma matriz quadrada

A[nn]

, de estrutura geral, em uma matriz triangular superior, isto ,

om termos no nulos armazenados somente da diagonal superior para  ima .

Este pro e-

dimento utilizado em diversos algoritmos que servem de base para a soluo de sistemas de
equaes lineares e l ulos de determinantes, alm de prover fundamentos para apli aes mais
omplexas. Devido a este fato, iremos abordar a triangularizao omo um tpi o separado,
sendo que suas apli aes sero apresentadas em sees posteriores.

16.1 Mtodo de Gauss


No mtodo de Gauss, operamos om uma matriz quadrada

i=1

A[nn]

, partindo da primeira linha,

e apli ando duas etapas su essivamente:

Li = Li /aii ;
Lk = Lk aki Li , k = i + 1..n
Exemplo:

2 4

A = 3 1 1
1 1 1

i=1:

1
[ 2 4 1 ] = [ 1 2 0, 5 ]
2
= [ 3 1 1 ] 3 [ 1 2 0, 5 ] = [ 0 5 2, 5 ]

L1 =
L2

L3 = [ 1 1 1 ] 1 [ 1 2 0, 5 ] = [ 0 1 0, 5 ]
141

142

CAPTULO 16. TRIANGULARIZA O DE UMA MATRIZ QUADRADA

tal que agora a matriz tem a forma

1 2
0, 5

A1 = 0 5 2, 5
0 1 0, 5

e observamos que toda a oluna abaixo da primeira posio diagonal foi zerada. Partindo agora
da segunda linha,

1
[ 0 5 2, 5 ] = [ 0 1 0, 5 ]
5
= [ 0 1 0, 5 ] (1) [ 0 1 0, 5 ] = [ 0 0 1 ]

L2 =
L3

e, ao nal do pro edimento, obtemos

1 2 0, 5

A2 = 0 1 0, 5
0 0 1

que uma matriz na forma triangular superior.

Assim, no pior aso, a triangularizao tem uma omplexidade de O(n3 ), sendo


que diversas operaes de diviso, multipli ao e soma so utilizadas.

16.1.1 Pivotamento
Pode-se notar que o pro edimento visto a ima no pode ser apli ado se a matriz possui algum
zero em sua diagonal, pois neste aso a etapa

1,

onde dividimos a linha pelo valor da diagonal

no ser denido. Isto pode ser fa ilmente visualizado no seguinte exemplo:

1 2 2

A= 3 6 1
2 6 1

onde o pro edimento de triangularizao da matriz, j na primeira etapa, resulta em um zero


na diagonal, pois

1
[ 1 2 2 ]=[ 1 2 2 ]
1
= [ 3 6 1 ] 3 [ 1 2 2 ] = [ 0 0 5 ]

L1 =
L2

L3 = [ 2 6 1 ] 2 [ 1 2 2 ] = [ 0 2 5 ]
resultando em

1 2 2

A1 = 0 0 5
0 2 5

16.1. MTODO DE GAUSS

143

de tal forma que na prxima etapa teremos uma diviso por zero. Uma alternativa onsiste em
tro ar as linhas

(pivotamento) antes de prosseguir, de modo a olo ar o

diagonal. Com isto, teremos

A1p
e, om isto,

na posio da

1 2 2

= 0 2 5
0 0 5

1
[ 0 2 5 ] = [ 0 1 25 ]
2
= [ 0 0 5 ] 0 [ 0 1 52 ] = [ 0 0 5 ]

L2 =
L3
resultado em

1 2 2

A2 = 0 1 25
0 0 5

1 2 2

A3 = 0 1 25
0 0 1

se dividirmos a ultima linha por

5. (no seria ne essrio,

mas om isto obtemos uma diagonal

unitria), obtemos uma matriz que triangular superior. Uma outra maneira de evitarmos estes
problemas de singularidade onsiste em realizar o pivotamento prvio na matriz, garantindo
que as maiores posies de ada oluna quem nas posies diagonais. No exemplo

1 2

A= 3 6 1
2 6 1
e veri amos que

a21> a31 > a11 , portanto tro amos as posies da linha 1 om a linha 2, obtendo

3 6

A= 1 2 2
2 6 1
e por m veri amos que

a32 > a22 ,

portanto tro amos as linhas

3 6

A = 2 6 1
1 2 2

3,

obtendo

CAPTULO 16. TRIANGULARIZA O DE UMA MATRIZ QUADRADA

144

e agora, podemos veri ar que os maiores valores de ada oluna esto na diagonal prin ipal.
Este pro edimento faz om que a matriz possa ser triangularizada sem problemas. Assim,

1
[ 3 6 1 ] = [ 1 2 13 ]
3
= [ 2 6 1 ] 2 [ 1 2 13 ] = [ 0 2 35 ]

L1 =
L2

1
3

L3 = [ 1 2 2 ] 1 [ 1 2
resultado em

]=[ 0 0

5
3

1 2 13

A = 0 2 35
0 0 53

que j diagonal. Continuando om o algoritmo

1
[ 0 2 53 ] = [ 0 1 56 ]
2
= [ 0 0 35 ] 0 [ 0 1 65 ] = [ 0 0

L2 =
L3
e, nalmente,

3
L3 = [ 0 0
5

5
3

5
3

]=[ 0 0 1 ]
1
3

1 2

A = 0 1 65
0 0 1

Deve-se salientar que o pivotamento global, realizado antes do pro edimento de triangularizao, desejvel numeri amente. Isto se deve ao fato de as vezes podermos ter nmeros muito
pequenos na diagonal prin ipal, que mesmo se no resultarem em diviso por zero podero
a arretar grandes erros numri os. Desta forma, o pivotamento deixa a matriz em uma forma
mais apropriada para os l ulos a serem realizados.

16.2 Cl ulo de Determinante de uma matriz obtida por


triangularizao
O l ulo do determinante pode ser realizado fa ilmente durante a triangularizao de uma
matriz. Para isto, apli amos a equao

det(A) = (1)

n
Y

Fi

i=1

onde

Fi

so os fatores utilizados para normalizar ada linha

larizao e

Li

no pro edimento de triangu-

o nmero de pivotamentos realizados. Como exemplo, veri amos que, para a

16.3. SOLU O DE UM SISTEMA DE EQUAES LINEARES


matriz

145

2 4 1

A = 3 1 1
1 1 1

no realizamos pivotamento e

p = 0, F1 = 2

F2 = 5

tal que

det(A) = (1)0 (2 5) = 10
e, para a matriz

1 2 2

A= 3 6 1
2 6 1

om pivotamento prvio,

p = 2, F1 = 3 , F2 = 2
det(A) = (1)

F3 =

5
, tal qe
3

5
22
3

= 10.

16.3 Soluo de um Sistema de Equaes Lineares


Um sistema de equaes lineares pode ser des rito na forma

A[nn]x[n] = b[n]
onde

uma matriz quadrada de oe ientes om determinante no nulo,

termos onhe idos e

um vetor om

um vetor de in gnitas. Embora analiti amente possamos es rever a

soluo do sistema de equaes omo

x = A1 b
isto no vivel do ponto de vista numri o, uma vez que a operao de inverso tem omplexidade extremamente alta. Uma abordagem onsiste em triangularizar a matriz de oe ientes
de tal forma que a ultima linha deste sistema de equaes tenha a forma

ann xn = bn ,

uja

xn = bn /an = bn (pois normalizamos todos os termos das diagonais). Da mesma


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

1
bn1 a
xn1 =
n1,n xn
a
n1,n1
soluo

e assum su essivamente. Cabe lembrar que os termos da diagonal so unitrios ao nal do pro-

esso de triangularizao, o que torna a diviso desne essria na equao anterior. Assim, para
utilizarmos o pro edimento de triangularizao na soluo de um sistema linear de equaes,
devemos modi ar o pro esso para levar em onsiderao o vetor

Li = Li /aii

bi = bi /aii ;

Lk = Lk aki Li

bk = bk aki bi ,

para

k = i + 1..n

b,

na forma

CAPTULO 16. TRIANGULARIZA O DE UMA MATRIZ QUADRADA

146

e, aps a triangularizao, pro edemos om o pro esso onhe ido omo retrosubstituio, tal
que

xi = bi
onde deve-se observar que o ontador

i1
X

aik xk , i = n..1

k=n

ini ia em

e de rementa at

(por isto hamamos de

retrosustituio).
O algoritmo para soluo de um sistema de equaes e al ulo de determinante ilustrado
no Algoritmo (13).

16.3.1 Inversa de uma Matriz


Conforme j foi omentado, o l ulo da inversa de uma matriz extremamente ustoso do
ponto de vista omputa ional. No entanto, da denio da inversa de uma matriz que

AA1 = I
que pode ser visto omo a soluo simultnea de

sistemas de equaes lineares om a forma

Axi = 1i
onde

xi

nulos e

orresponde a

i esima

oluna da matriz inversa e

1i

um vetor om

n1

termos

na posio i. Como a triangularizao da matriz independe do vetor do lado direito,

podemos estender o mtodo de Gauss para onsiderarmos a soluo simultnea de

sistemas

de equao. No nal, teremos omo resposta a matriz inversa, om um usto omputa ional
mais baixo do que se tivessemos utilizado a abordagem tradi ional. O pro edimento ilustrado
no Algoritmo (14).

16.3. SOLU O DE UM SISTEMA DE EQUAES LINEARES

Algoritmo 13 Soluo de um sistema de equaes - Mtodo de Gauss


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

#
# Rotina Gauss :
# Entradas : A
:
#
b
:
#
n
:
# Saidas :
b
:
#
#
Rotina Gauss (A, b , n )

Matriz
Vetor
Dimensao do s i s t e m a
S o l u a o do s i s t e m a de e q u a o e s

# V a r i a v e l que armazena o p r o d u t o r i o dos f a t o r e s


d e t e < 1 . 0
# Triangulariza ao
Para i de 1 ate n exe ute
# Armazena o termo da d i a g o n a l p r i n i p a l
a i i < A( i , i )
# Produtorio
d e t e < d e t e a i i
# D i v i d e a l i n h a por e s t e termo
b ( i ) < b ( i ) / a i i
# v a r r e as o l u n a s da l i n h a i
Para j de 1 ate n exe ute
A( i , j ) < A( i , j ) / a i i
Fim Para #j
# Varre as l i n h a s a b a i x o da a t u a l
Para k de i +1 ate n exe ute
# Termo f i x o
a k i < A( k , i )
# C o r r i g e o termo do termo i n d e p e n d e n t e
b ( k ) < b ( k ) a k i b ( i )
# Varre as o l u n a s da l i n h a k
Para j de i ate n exe ute
A( k , j ) < A( k , j ) a k i A( i , j )
Fim Para #j
Fim Para #k
Fim Para #i
# Retrosubstitui ao
Para i de n1 ate 1 p a s s o 1 exe ute
# Armazena o s o m a t o r i o
somat < 0
Para k de n ate i +1 p a s s o 1 exe ute
somat < somat + A( i , k ) b ( k )
Fim Para #k

Fim

# Obtem o v a l o r da v a r i a v e l i
b ( i ) < b ( i ) somat
Fim Para #i
# Informa o d e t e r m i n a n t e da m a t r i z
Es rever " Determinate da Matriz = " , d e t e
# Retorna o v e t o r om a r e s p o s t a
Retorna b
Rotina Gauss

147

CAPTULO 16. TRIANGULARIZA O DE UMA MATRIZ QUADRADA

148

Algoritmo 14 Inversa de uma matriz, utilizando o mtodo de Gauss


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

#
# Rotina Gauss :
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
I
: S o l u a o do s i s t e m a de e q u a o e s
#
# Depende : Rotina I d e n t i d a d e ( n )
#
Rotina Inversa_Gauss (A, n )
# Monta uma m a t r i z I d e n t i d a d e
I = Identidade (n)

de

dimensao n

# Triangulariza ao
Para i de 1 ate n exe ute
# Armazena o termo da d i a g o n a l p r i n i p a l
a i i < A( i , i )
# D i v i d e as l i n h a s de I por e s t e termo
Para j de 1 ate n exe ute
I ( i , j ) < I ( i , j ) / a i i
Fim Para #j
# v a r r e as o l u n a s da l i n h a i
Para j de 1 ate n exe ute
A( i , j ) < A( i , j ) / a i i
Fim Para #j
# Varre as l i n h a s a b a i x o da a t u a l
Para k de i +1 ate n exe ute
# Termo f i x o
a k i < A( k , i )
# C o r r i g e o termo do termo i n d e p e n d e n t e
Para j de 1 ate n exe ute
I ( k , j ) < I ( k , j ) a k i I ( i , j )
Fim Para #j

Fim

Fim

# Varre as o l u n a s da l i n h a k
Para j de i ate n exe ute
A( k , j ) < A( k , j ) a k i A( i , j )
Fim Para #j
Fim Para #k
Para #i

# Retrosubstitui ao
Para i de n1 ate 1 p a s s o 1 exe ute
Para j de 1 ate n exe ute
# Armazena o s o m a t o r i o
somat < 0
Para k de n ate i +1 p a s s o 1 exe ute
somat < somat + A( i , k ) I ( k , j )
Fim Para #k
# Obtem o v a l o r da v a r i a v e l i
I ( i , j ) < I ( i , j ) somat
Fim Para #j
Fim Para #i
Retorna I
Rotina Inversa_Gauss

Captulo 17

De omposio LU

Na soluo do sistema de equaes

A[nn]x[n] = b[n]

, podemos re-es rever a matriz

A = LU
onde

uma matriz triangular inferior e

unitria (por denio). Os termos de


de in ognitas lij

i>j

uij i < j

Le

forma

(17.1)

uma matriz triangular superior om diagonal

de

Ana

so fa ilmente obtidos, uma vez que o nmero

igual ao nmero de termos da matriz A. Uma vez realizado

este pro edimento, obtemos

lij = aij
uij =

j1
X

lik ukj i > j

k=1
P
aij i1
k=1 lik ukj

lii

i<j

para os termos fora da diagonal e

lii = aii
uii = 1

i1
X

lik uki

k=1

para os termos da diagonal. Uma vez que tenhamos realizado este pro edimento, teremos um
sistema de equaes na forma

LUx = b.

(17.2)

Ux = y

(17.3)

x = U1 y

(17.4)

Denindo um problema auxiliar na forma

tal que

149

CAPTULO 17. DECOMPOSI O LU

150

e, inserindo a Eq. (17.4) na Eq. (17.2), obtemos

LUU1 y = b
tal que

Ly = b.

(17.5)

O problema denido na Eq. (17.5) pode ser solu ionado por substituio direta, uma vez que

triangular inferior, tal que

yi =
e, de posse de

y e da Eq.

bi

Pi1

k=1 lik yk

lii

, i = 1..n

(17.3), podemos nalmente obter

na forma

xi = yi

n
X

x por meio de uma retrosubstituio,

uik xk , i = n..1.

k=i+1

Este mtodo mais e iente do que a eliminao de Gauss.


deste algoritmo da ordem de
dimenso

n = 1000,

teremos

O(n2,376 ).

De fato, a omplexidade

Assim, se estamos trabalhando om uma matriz de

1000 = 1000 106

para Gauss e

10002,376 = 13, 42 106 .

Assim,

se o omputador for apaz de realizar uma operao por mi rosegundo, teremos a soluo em
torno de

1000

segundos por Gauss e em torno de

13, 42 segundos

por LU. A implementao da

de omposio est ilustrada no Algoritmo (15), e o de soluo no Algoritmo (16).

Utilizando o Alg. (15) para de ompor a matriz

2 4

A = 3 1 1
1 1 1
obtemos

0.5

LU = 3 5 0.5
1 1 1

tal que

e, omo de se esperar,

1 2 0.5

L = 3 5 0 U = 0 1 0.5
0 0 1
1 1 1

2 4 1
1 2 0.5
2 0 0

3 5 0 0 1 0.5 = 3 1 1 .
1 1 1
0 0 1
1 1 1

151

Algoritmo 15 De omposio de uma matriz por LU


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

#
# Rotina LU:
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
A
: LU
#
#
Rotina LU (A, n )
#
# De ompoe a matriz A em LU
#
Para i de 1 ate n exe ute
Para j de 1 ate n exe ute
# V e r i f i a s e estamos abaixo ou a ima da
# diagonal prin ipal
Se j<i entao
< j

Senao

< i

Fim Se

# Cal ula o somatorio


soma < A( i , j )
Para k de 1 ate 1 exe ute
soma < soma A( i , k ) A( k , j )
Fim Para #k
# Armazena em A
Se j<=i entao
# L
A( i , j ) < soma

Senao

#U
A( i , j ) < soma / A( i , i )

Fim Se

Fim Para #j
Fim Para #i
# Retorna a de omposi ao
Retorna A
Fim Rotina LU

LU

CAPTULO 17. DECOMPOSI O LU

152

Algoritmo 16 Soluo de um sistema de equaes usando de omposio LU


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

#
# Rotina Solu iona_por_LU :
# Entradas : A
: Matriz
#
b
: vetor
#
n
: Dimensao do s i s t e m a
# Saidas :
b
: s o l u a o do s i s t e m a
#
# Depende : LU(A, n )
#
zeros (n)
#
Rotina Solu iona_por_LU (A, b , n )
# De ompoe a matriz A em LU
A = LU(A, n )
# S o l u i o n a para y
y = zeros (n)
Para i de 1 ate n exe ute
soma < 0
Para k de 1 ate i 1 exe ute
soma < soma + A( i , k ) y ( k )
Fim Para #k
y ( i ) < ( b ( i ) soma ) / A( i , i )
Fim Para #i
# S o l u i o n a para x
Para i de n ate 1 passo 1 exe ute
soma < 0
Para k de i +1 ate n exe ute
soma < soma + A( i , k ) b ( k )
Fim Para #k
b ( i ) < y ( i ) soma
Fim Para #i

Retorna
Fim Rotina

b
Solu iona_por_LU

17.1. CALCULO DE DETERMINANTE POR DECOMPOSI O LU

153

17.1 Cal ulo de Determinante por De omposio LU


O determinante de uma matriz triangular dado pelo produto de seus termos diagonais. Assim,

det(A) = det (LU) =

n
Y

lii

i=1

pois os termos da diagonal de

so unitrios. Para veri armos, podemos utilizar o resultado

do exemplo anterior, onde

e, portanto,

2 0 0

L = 3 5 0
1 1 1

det(A) = 2 5 1 = 10.

17.2 Inversa de uma Matriz por De omposio LU


Da denio de matriz inversa e da de omposio LU, Eq. (17.1),

A1 A = A1 (LU) = I
tal que se passarmos o produto

LUpara

o lado direito da igualdade obteremos

A1 = U1 L1
e, do exemplo anterior,

0.5

1 2

L1 = 0.3 0.2 0 U1 = 0
0
0.2 0.2 1
tal que

1
0

0.5

0.5
1

1 0 0
2 4 1
0.5
0
0
1 2 0.5

0 1 0.5 0.3 0.2 0 3 1 1 = 0 1 0 .


0 0 1
1 1 1
0.2 0.2 1
0 0
1

No entato, no vantajoso inverter as matrizes

e realizar o produto. Para isto, po-

demos solu ionar uma srie de sistemas de equaes omo zemos om a eliminao de Gauss,
porm usando a de omposio LU, que mais e iente.

Tarefa : Propor um algoritmo para inverter uma matriz

A,

utilizando

LU .

154

CAPTULO 17. DECOMPOSI O LU

Captulo 18

Mtodo de Cholesky

Quando uma matriz quadrada

A[nn]

simtri a, isto

A = AT ,

e positivo denida, ento

possvel de ompor a matriz na forma

A = UT U
onde

LU ,

(18.1)

triangular superior. Assim, om o mesmo pro edimento realizado na de omposio

podemos obter os termos de

na forma

v
u
i1
X
u
u2ki
uii = taii
k=1

para os elementos na diagonal e

uij=

1
uii

aij

para os elementos da triangular superior (j

i1
X

uki ukj

k=1

> i).

Assim, se onsiderarmos a Eq. (18.1) em um

sistema de equaes

UT Ux = b

(18.2)

e se denirmos um problema auxiliar om a forma

Ux = y

(18.3)

podemos substituir a Eq. (18.3) na Eq. (18.2), obtendo

UT y = b.

(18.4)

Assim, o pro edimento semelhante ao apresentado na de omposio


que podemos armazenar somente a triangular superior da matriz

A,

LU ,

om a diferena de

o que propor iona uma

grande e onomia de armazenamento. As solues dos problemas denidos nas Eqs. (18.4) e
155

CAPTULO 18. MTODO DE CHOLESKY

156

(18.3) so

1
yi =
uii

i1
X

bi

1
xi =
uii

yi

uki yk

k=1

n
X

uik xk

k=i+1

, i = 1..n

, i = n..1.

A de omposio por Cholesky de uma matriz simtri a, sem preo upao om a e in ia


em armazenamento ilustrada no Algoritmo (17). Utilizando este algoritmo para a matriz

2 1 1

A= 1 8 1
1 1 10

obtemos

1.4142 0.7071 0.7171

A=
1
2.7386 0.1825
1
1
3.0767

pois alteramos somente a triangular superior, sem modi ar a triangular inferior.


A soluo de um sistema de equaes por Cholesky ilustrada no Algoritmo (18).

18.1 De omposio LDL


De modo a evitar o l ulo da raiz na de omposio por Cholesky, possvel modi ar a
de omposio da matriz de oe ientes para a forma

A = LDLT
onde

uma matriz diagonal. Com isto, obtemos

djj = ajj
lij

1
=
djj

j1
X

2
ljk
dkk

k=1

aij

j1
X
k=1

lik ljk dkk

, i > j.

Tarefa: Deduzir o algoritmo de de omposio LDL e o algoritmo de soluo do sistema de


equaes. Aps, implemente no s ilab e apresente a validao.

18.1. DECOMPOSI O LDL

Algoritmo 17 De omposio de uma matriz simtri a por Cholesky


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

#
# Rotina Cholesky :
# Entradas : A
: Matriz
#
n
: Dimensao do s i s t e m a
# Saidas :
A
: U
#
#
Rotina Cholesky (A, n )
#
# De ompoe a matriz A usando Cholesky
#
Para i de 1 ate n exe ute
Para j de i ate n exe ute
# R e a l i z a o somatorio
soma < A( i , j )
Para k de 1 ate i 1 exe ute
soma < soma A( k , i ) A( k , j )
Fim Para #k
# V e r i f i a s e estamos na d i a g o n a l
Se j==i entao
A( i , j ) < s q r t ( soma )

Senao

A( i , j ) < soma / A( i , i )

Fim Se
Fim Para #j
Fim Para #i
Retorna
Fim Rotina

A
Cholesky

157

CAPTULO 18. MTODO DE CHOLESKY

158

Algoritmo 18 Soluo de um sistema de equaes utilizando Cholesky


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

#
# Rotina Solu iona_por_Cholesky :
# Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
#
b
: vetor
#
n
: Dimensao do s i s t e m a
# Saidas :
b
: s o l u a o do s i s t e m a
#
# Depende : Cholesky (A, n )
#
zeros (n)
#
Rotina Solu iona_por_Cholesky (A, b , n )
# De ompoe a matriz A em U'U
A = Cholesky (A, n )
# S o l u i o n a para y
y = zeros (n)
Para i de 1 ate n exe ute
soma < 0
Para k de 1 ate i 1 exe ute
soma < soma + A( k , i ) y ( k )
Fim Para #k
y ( i ) < ( b ( i ) soma ) / A( i , i )
Fim Para #i
# S o l u i o n a para x
Para i de n ate 1 passo 1 exe ute
soma < 0
Para k de i +1 ate n exe ute
soma < soma + A( i , k ) b ( k )
Fim Para #k
b ( i ) < ( y ( i ) soma ) / A( i , i )
Fim Para #i

Retorna
Fim Rotina

Solu iona_por_Cholesky

Captulo 19
Condi ionamento de uma Matriz

Dos algoritmos apresentados nos aptulos anteriores  a laro que para solu ionarmos um
sistema de equaes pre isamos realizar uma grande quantidade de operaes.

Em espe ial,

temos divises pelos termos da diagonal prin ipal, que no podem ser nulos e nem muito
menores do que os demais termos da matriz, para que isto no o asione erros de trun amento
ina eitveis. Quando uma matriz tem valores de tal forma que a soluo numri a do sistema
no propague erros ina eitveis, dita bem ondi ionada, do ontrrio, dizemos que a matriz
mal ondi ionada.
Se um vetor

ontm a soluo de um sistema linear de equaes, ento sabemos que

idealmente
A
xb= 0
mas na prti a a igualdade no se veri a e temos um resduo

A
xb=R

(19.1)

de tal forma que o erro absoluto da soluo pode ser es rito por

E=xx
e, se isolarmos

(19.2)

na Eq. (19.2) e substituirmos na Eq. (19.1), otemos

A (x E) = R + b
tal que

Ax AE = R + b
ou

AE = R b+b.
Desta forma, om a soluo do sistema de equaes

AE = R
159

(19.3)

CAPTULO 19. CONDICIONAMENTO DE UMA MATRIZ

160

podemos obter os valores dos erros absolutos da soluo do sistema de equaes ( laro que
isto tambm impli a em erros adi ionais, pois temos que solu ionar o mesmo sistema).

interessante que de posse dos erros absolutos, podemos obter uma nova estimativa para a
soluo, podendo assim renar a soluo de forma iterativa, por meio da Eq.

(19.3).

No

entanto, devemos lembrar que a prpria estimativa do erro ir onter um erro, de forma que o
pro edimento em si no perfeito.
Um outro on eito importante para monitorarmos a qualidade de uma matriz de oe ientes e seu impa to na soluo de um sistema de equaes est rela ionada ao nmero de
ondi ionamento. Por denio, o nmero de ondi ionamento



C (A) = kAk A1

onde as normas devem ser onsistentes, isto ,

kAk > 1.

Como sabemos que o produto

AA1 = I
ento espera-se que

C (A) C (I) = 1.

Desta forma, o maior erro relativo existente na soluo

do sistema de equaes pode ser al ulado por

max(Er ) = C (A)

kRk
kbk

(19.4)

Tarefa: Prove a Eq. (19.4).


Outra medida importante asso iada ao nmero de ondi ionamento

onde

max

min



max
.
C (A) =
min

so os autovalores mximos e mnimos da matriz. No entanto, omo vere-

mos mais a frente, esta denio ustosa do ponto de vista omputa ional, uma vez que a
omplexidade do l ulo dos autovalores elevada.

19.1 Matrizes de Hilbert


As matrizes de Hilbert tem a forma

Hij =
e

1
i+j1


p 4n
1 + (2)

C (H) = O

19.1. MATRIZES DE HILBERT


onde

161

a dimenso da matriz. Estas matrizes so extremamente mal ondi ionadas e servem

omo exemplo para estudarmos os erros na soluo de sistemas de equaes lineares.


Exemplo: Para 4, temos

H=

1
1
2
1
3
1
4

1
2
1
3
1
4
1
5

tal que os autovalores extremos desta matriz so

C (H) =

1
3
1
4
1
5
1
6

1
4
1
5
1
6
1
7

max = 1, 5

min = 9, 67 105e,

portanto,

1, 5
= 15513, 739 >>>> 1
9, 67 105

indi ando um mal ondi ionamento. Se avaliarmos o ondi ionamento de a ordo om diferentes
normas, ento


C (A) = max (H) max H1 = 1, 0 6480 = 6480

ou

C (A) =

diag(HT ) diag(H)

Para omparao, a matriz

tem

C (A) = 6, 91.

p
diag(HT ) diag(H1 ) = 7750, 133.

2 4 1

A = 3 1 1
1 1 1

162

CAPTULO 19. CONDICIONAMENTO DE UMA MATRIZ

Captulo 20
Mtodos Iterativos para a Soluo de
Sistemas Lineares

Mtodos iterativos partem de uma estimativa para

x e operam por uma reduo sistemti a do

erro de soluo, at um determinado ritrio de onvergn ia. A grande vantagem na utilizao


de tais mtodos est em sua e in ia omputa ional.

No que segue, sero mostrados dois

mtodos muito utilizados, sendo que existe uma innidade de mtodos iterativos disponveis
na literatura.

20.1 Mtodo de Gauss-Ja obi


Seja um sistema de equaes na forma

A[nn]x[n1] = b[n1] ,

podemos isolar os termos das

diagonais em funo dos demais termos na forma

x(i)k+1

"
#
n
X
1
=
b(i)
a(i, j)x(j)k
a(i, i)
j=1

j6=i

onde ini iamos om um vetor

kxk+1 xk k tol.

x0

de modo a obter um vetor

x1

k N

e assim su essivamente, at que

Existem duas ondies su ientes para a onvegn ia:

O sistema deve ser irredutvel, isto , se

A matriz deve ser diagonal-dominante, isto ,

|a(i, i)|
|a(k, k)| >

x0 = 0,

n
X

j=1
n
X
j=1

ento

x(i)1 = b(i)/A(i, i)

|a(i, j)|j6=i , i = 1..n


|a(k, j)|j6=k , k = 1..n

que na prti a impli a em uma ondio onde o mdulo dos elementos da diagonal deve
ser maior ou igual ao somatrio mdulos dos elementos restantes da linha. O mtodo de
Gauss-Ja obi est ilustrado no Alg.(19).
163

164CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

Algoritmo 19 Soluo de um sistema de equaes por Gauss-Ja obi


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

#
# Rotina Gauss_Ja obi :
# Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
#
b
: vetor
#
x
: vetor
#
n
: Dimensao do s i s t e m a
#
tol
: t o l e r a n i a de parada
#
nmaxiter : Numero maximo de i t e r a o e s
# Saidas :
xp
: s o l u a o do s i s t e m a
#
# Depende : z e r o s ( n )
#
Rotina Gauss_Ja obi (A, x , b , n , t o l , nmaxiter )
# Alo a um v e t o r t e m p o r a r i o
xp = z e r o s ( n )
# Iteradores
Para k de 0 ate nmaxiter

exe ute

# Norma de x
norma < 0
# I t e r a p e l a s p o s i o e s de x
Para i de 1 ate n exe ute
# Cal ula o somatorio
s o m a t o r i o < 0
Para j de 1 ate i 1 exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) x ( j )
Fim Para #j
Para j de i +1 ate n exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) x ( j )
Fim Para #j
# Cal ula a estimativa
xp ( i ) < ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
# In rementa a norma
norma < norma + ( x ( i ) xp ( i ) ) 2

Fim Para

#i

# Verifi a a toleran ia
Se s q r t ( norma ) <= t o l entao
E s r e v e "Norma f o i a t i n g i d a " , norma , " " , k
Retorna xp

Fim Se

# Copia xp para x
x = xp

Fim Para
Retorna
Fim Rotina

#k
xp

Gauss_Ja obi

20.1. MTODO DE GAUSS-JACOBI

165

Uma outra maneira de denir o mtodo de Gauss-Ja obi rees rever a matriz

em

A = D + (A D) ,
onde

ontm a diagonal de

A,

tal que

Dxk+1 = (A D) xk + b
ou

xk+1 = D1 (A D) xk + D1 b,
onde  a laro que

G = D1 (A D)
um operador que representa o mtodo de Gauss-Ja obi. Para que o mtodo no tenha uma
ampli ao ao longo das iteraes (o que iria ausar a instabilidade do mtodo), observamos
que o maior autovalor de

G deve

ser menor ou igual a

1, fato este que satisfeito se a ondies

de diagonal dominante for observada.


Exemplo:
Seja

10 0 0
10 1 1
10 0 0
10 1 1

A = 2 7 0 = 0 7 0 + 2 7 0 0 7 0
0 0 8
1 1 8
0 0 8
1 1 8

ento o operador que des reve o mtodo de Gauss-Ja obi

1
G = D (A D) = 0.2857143
0.125

que tem todos os autovalores menores do que

1.

Se

b=1

0.1
0
0.125

0.1

0
0

e ini iarmos o mtodo om

ento



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


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



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



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

x0 = 1,

166CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES



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



x6 = D1 (A D) x5 + D1 b = 0.0780685 0.1207679 0.1003561

sendo que mais iteraes vo levar a uma melhor a ur ia do resultado.

20.2 Mtodo de Gauss-Seidel


O mtodo de Gauss Seidel difere do mtodo de Gauss Ja obi apenas pela frmula de re orrn ia,
onde os valores de

xk+1

Assim

x(i)k+1 =

que j foram al ulados so utilizados para omputar os

"

1
b(i)
a(i, i)

i1
X
j=1

a(i, j)x(j)k+1

n
X

a(i, j)x(j)k ,

j=i+1

xk+1

restantes.

k N

e isto torna a onvergn ia mais rpida. O mtodo ilustrado no Alg. (20).


Uma outra maneira de demonstrar a deduo e implementao deste mtodo onsiste em
rees rever a matriz

na forma

A=D+L+U
onde

ontm a diagonal de

A, L

ontm a triangular abaixo da diagonal e

ontm a

triangular a ima da diagonal (no onfundir om as matrizes obtidas por LU). Desta forma, o
sistema de equaes pode ser es rito omo

(D + L) xk+1 = Uxk + b,
tal que

xk+1 = Gxk + b
onde

G = (D + L)1 U
e, se o operador

G tiver seu maior autovalor menor ou igual a um, ento no haver ampli ao

durante o pro esso iterativo.


Exemplo:
Seja a matriz

0 0 0
10 0 0
10 1 1
0 1 1

A = 2 7 0 = 0 7 0 + 2 0 0 + 0 0 0
0 0 8
1 1 8
1 1 0
0 0 0

20.2. MTODO DE GAUSS-SEIDEL

Algoritmo 20 Soluo de um sistema de equaes por Gauss-Seidel


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

#
# Rotina Gauss_Seidel :
# Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
#
b
: vetor
#
x
: vetor
#
n
: Dimensao do s i s t e m a
#
tol
: t o l e r a n i a de parada
#
nmaxiter : Numero maximo de i t e r a o e s
# Saidas :
xp
: s o l u a o do s i s t e m a
#
# Depende : z e r o s ( n )
#
Rotina Gauss_Seidel (A, x , b , n , t o l , nmaxiter )
# Alo a um v e t o r t e m p o r a r i o
xp = z e r o s ( n )
# Iteradores
Para k de 0 ate nmaxiter

exe ute

# Norma de x
norma < 0
# I t e r a p e l a s p o s i o e s de x
Para i de 1 ate n exe ute
# Cal ula o somatorio
s o m a t o r i o < 0
Para j de 1 ate i 1 exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) xp ( j )
Fim Para #j
Para j de i +1 ate n exe ute
s o m a t o r i o < s o m a t o r i o + A( i , j ) x ( j )
Fim Para #j
# Cal ula a estimativa
xp ( i ) < ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
# In rementa a norma
norma < norma + ( x ( i ) xp ( i ) ) 2

Fim Para

#i

# Verifi a a toleran ia
Se s q r t ( norma ) <= t o l entao
E s r e v e "Norma f o i a t i n g i d a " , norma , " " , k
Retorna xp

Fim Se

# Copia xp para x
x = xp

Fim Para
Retorna
Fim Rotina

#k
xp

Gauss_Seidel

167

168CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

Assim, o operador

0
0.1
0.1

G = 0 0.0285714 0.0285714
0 0.0089286 0.0089286

om autovalores

1 = 2 = 0 e 3 = 0.0375,
tal que o mtodo ir onvergir. De fato, se

b = 1,

ento, ini iando o algoritmo om

x0 = 1,

teremos

x1 = (D + L)

x2 = (D + L)
x3 = (D + L)

x0 + (D + L)

x1 + (D + L)

x2 + (D + L)

T
b = 0.1 0.1714286 0.1160714 ,

T
b = 0.07125 0.1225 0.1007813 ,


T
b = 0.0776719 0.1206652 0.1002079


T
x4 = (D + L)1 x3 + (D + L)1 b = 0.0776719 0.1206652 0.1002079 ,

que j apresenta onvergn ia at a quarta asa de imal. imporatnte salientar que as inverses
no so al uladas, pois o algoritmo a ser utilizado o ilustrado anteriormente.

20.3 Mtodo do Gradiente - Steepest Des ent


Se denirmos uma funo quadrti a om a forma

ento podemos onstatar que, se

1
(x) = xT Ax bT x
2
a matriz A for simtri a

e positivo-denida, ento existe

somente um ponto de mnimo para a funo e este ponto igual a soluo do sistema de
equaes

Ax = b.

Isto pode ser veri ado utilizando a ondio ne essria para o mnimo de

uma funo de vrias variveis, ou seja,

(x) = Ax b = 0
e, da ondio su iente, sabemos que

H=A
deve ser positivo-denida.
Exemplo:
Seja o sistema denido por

20.3. MTODO DO GRADIENTE - STEEPEST DESCENT

1 1
1 2
Neste aso, observamos que a funo

169

!( ) ( )
x1
1
=
.
x2
1

(x) = 0.5 (x2 (2 x2 + x1 ) + x1 (x2 + x1 )) x2 x1


e, do l ulo, sabemos que o mnimo desta funo obtido quando o gradiente nulo e a matriz
Hessiana positivo denida. De fato, al ulando o gradiente, obtemos

(x) =
ou seja,

x1 + x2 1

x1 + 2x2 1

Ax b.

O mtodo do gradiente basi amente o mtodo de otimizao onhe ido omo

des ent.

Neste mtodo, partimos de um ponto arbitrrio

do sistema, observamos que o gradiente da funo

x0

steepest

e, omo este ponto no a soluo

dado por

(x0 ) = Ax0 b = r0 ,
onde

r0

o vetor resduo ini ial. Do l ulo, sabemos que o vetor gradiente em um ponto indi a

a direo de maior aumento do valor da funo, tal que, para obtermos um valor menor do que
o atual, devemos andar na direo oposta. Desta forma, a estimativa para o prximo ponto
ser

x1 = x0 r0
onde

um passo nesta direo. O passo ne essrio, devido ao arter lo al do gradiente.

Para obtermos o valor de

devemos inserir a estimativa de

x1

na funo

resultando em

1
(x0 r0 )T A (x0 r0 ) bT (x0 r0 ) .
2
1
Assim, podemos obter o valor ideal de que minimiza (x ) igualando a derivada de (x1 )
relao a a zero
(x1 ) =

em

(x1 ) = rT Ar rT (A x b) = 0 = rT Ar rT r
que leva a

=
Se o ponto

x1

rT r
.
rT Ar

for a soluo do sistema, ento o prximo vetor resduo ser nulo.

Do on-

trrio, devemos repetir o pro edimento at que uma determianda tolern ia seja obtida.
pro edimento est ilustrado no algoritmo 21.
Exemplo:

170CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

Solu ionando o sistema denido no omeo desta seo, om


T
r0 = 11 21 ,

kr0 k = 23.7,


T
r1 = 3.2015702 1.677013 ,

kr2 k = 1.1,


T
r3 = 0.1380161 0.0722942 ,

kr3 k = 0.1,


T
r4 = 0.0204421 0.0390259 ,

kr4 k = 0.04,


T
r5 = 0.0059497 0.0031165 ,

obtemos

T
x1 = 0.4356399 0.0774146

kr1 k = 3.6,


T
r2 = 0.4741977 0.9052865 ,

x0 = 1,


T
x2 = 0.1309866 0.0821657


T
x3 = 0.1066577 0.0357195


T
x4 = 0.0935244 0.0425989


T
x5 = 0.0924757 0.0405966

kr5 k = 0.007,

om uma a ur ia na ter eira asa de imal.


T
x6 = 0.0919095 0.0408932 ,

20.4 Mtodo dos Gradientes Conjugados


O mtodo dos gradientes onjugados um renamento dos on eitos envolvidos no mtodo
do gradiente. A grande diferena est no fato de utilizarmos uma outra direo diferente do
negativo do gradiente, melhorando assim as ara tersti as de onvergn ia do mtodo.
Um on eito importante o de direes onjugadas: Seja uma matriz positivo-denida
dois vetores

v. u

so ditos onjugados se

uT AT v = vT Au = 0.
Assim, a ada iterao do mtodo dos Gradientes Conjugados, utilizamos uma direo que
seja onjugada om a direo anterior de minimizao. Isto faz om que o mtodo tenha as
seguintes ara tersti as:

Os resduos formam um sistema ortogonal, ie,

A soluo obtida em, no mximo,

rTi rj = 0,

, i 6= j ;

iteraes (devido a erros numri os, possvel que

leve algumas iteraes a mais).

Como na primeira iterao no temos duas direes para onjugar, observamos que o mtodo
se torna o mtodo dos gradientes. Aps a primeira iterao, impomos a ondio de que as
direes de bus a sejam onjugadas.
iterao

k , rk ,

notao

dk

Para evitar a onfuso entre o vetor resduo de uma

e a direo de bus a do mtodo dos gradientes onjugados, iremos utilizar a

para simbolizar a direo em ada iterao.

Assim, aps a primeira iterao, impomos a ondio

dTk Adk1 = 0

20.4. MTODO DOS GRADIENTES CONJUGADOS

Algoritmo 21 Soluo de um sistema de equaes pelo mtodo do gradiente.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

//
// Rotina Metodo_Gradiente :
// Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
//
b
: vetor
//
x
: vetor
//
n
: Dimensao do s i s t e m a
//
tol
: t o l e r a n i a de parada
//
nmaxiter : Numero maximo de i t e r a o e s
// S a i d a s :
x
: s o l u a o do s i s t e m a
//
//
fun tion [ x = Metodo_Gradiente (A, x , b , n , t o l , nmaxiter )
// Alo a o v e t o r r e s i d u o
r = zeros (n , 1 )
// I t e r a o e s
for k=1: nmaxiter
// C a l u l a o r e s i d u o
r = A x b
// V e r i f i a a norma do r e s i d u o
i f ( norm ( r )< t o l )
return x

end

// C a l u l a o p a s s o
t = r ' r
tb = r ' A r
a l f a = t / tb
// A t u a l i z a o p a s s o
x = x alfar

end

//k

m p r i n t f ( " \ n Nao f o i p o s s i v e l o b t e r a s o l u a o om a a u r a i a d e s e j a d a " )

endfun tion

171

172CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

sendo que a direo de bus a na iterao

obtida por uma ombinao linear

dk = dk1 + k1 dk1
onde

k1

um es alar que dene a ombinao linear. Este termo obtido diretamente da

ondio de onjugao, pois

dTk Adk1 = 0 (dk1 + k1 dk1 )T Adk1 = 0


resultando em

k1 =

rTk1 Adk1
.
dTk1 Adk1

Assim, o prximo ponto ser

xk+1 = xk + k dk
e, utilizando o mesmo pro edimento do mtodo do gradiente, obtemos

k =

rTk1dk
.
dTk Adk

Finalmente, utilizando a regra de atualizao de

x,

veri amos que

rk = Axk b rk = A (xk1 + k dk ) b
tal que

rk = rk1 + k Adk .
Este mtodo tem omo propriedades as seguintes ondies de ortogonalidade:

rTk rk1 = 0;
rTk dk = 0;
rTk dk1 = 0;
que permitem, aps um nmero onsidervel de operaes, obter:

k =
e

k1 =

rTk1 dk
rTk1 rk1
=
dTk Adk
dTk1 Adk1

rTk1 rk1
rTk1 Adk1
=
.
dTk Adk1
rTk2 rk2

O pro edimento est ilustrado no algoritmo 22.

importante salientar que este mtodo

muito utilizado em omputao de alto desempenho, sendo que existem diversas melhorias
e modi aes propostas na literatura. Um exemplo o artigo

Qi Wang, Huaxiang Wang, A

20.4. MTODO DOS GRADIENTES CONJUGADOS

173

modied onjugate gradient method based on the Tikhonov system for omputerized tomography
(CT), ISA Transa tions, Volume 50, Issue 2, April 2011, Pages 256-261.

20.4.1 Pr-Condi ionamento


Como vimos anteriormente, os mtodos iterativos so muito sensveis o ondi ionamento da
matriz de oe ientes. Uma maneira de melhorar o ondi ionamento onsiste em modi ar o
sistema linear para a forma

DAD
x = Db

(20.1)

onde a soluo do problema original obtida pela transformao inversa

x = D1 x

(20.2)

D. A mais simples utilizar o es alonamento

Dii = Aii .

onde existem diversas possibilidades para a matriz


diagonal, onde a matriz

assume a forma

Como exemplo, onsidere a matriz

1
10 2000

A = 10 25 40
2000 40
9

(20.3)

tal que

1 0 0

D = 0 5 0
0 0 3

(20.4)

e a matriz de oe ientes modi ada ser

6000

= DAD =
A
50 625 600 .
6000 600 81

50

(20.5)

Se al ularmos o ondi ionamento de ambas as matrizes pela razo espe tral, observamos que

C(A) =

max
= 81, 56
min

(20.6)

=
C(A)

max
= 9, 98.
min

(20.7)

174CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

Algoritmo 22 Soluo de um sistema de equaes pelo mtodo dos Gradientes Conjugados.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

//
// Rotina Gradientes_Conjugados :
// Entradas : A
: Matriz s i m e t r i a e p o s i t i v o d e f i n i d a
//
b
: vetor
//
x
: vetor
//
n
: Dimensao do s i s t e m a
//
tol
: t o l e r a n i a de parada
// S a i d a s :
x
: s o l u a o do s i s t e m a
//
//
fun tion [ x = Gradientes_Conjugados (A, x , b , n , t o l )
// P r i m e i r a i t e r a a o = metodo do g r a d i e n t e
r 0 = A x b
d1 = r 0
ima = r0 ' r 0
b a i x o = r0 ' A r 0
alpha = ima / b a i x o
x = x + d1 alpha
// Proxima e s t i m a t i v a
r 1 = r 0 + alpha A d1

de

residuo

// I t e r a o e s
for k =1:2 n
// C a l u l a o f a t o r da ombina ao l i n e a r
t = r1 ' r 1
tb = r0 ' r 0
b e t = t / tb
// D i r e a o de minimiza ao
d1 = r 1 + b e t d1
// Testa p e l a norma do r e s i d u o
i f norm ( r 1)< t o l then
return x

end

// C a l u l a o p a s s o
t = r1 ' r 1
tb = d1 ' A d1
a l f a = t / tb
// A t u a l i z a o ponto
x = x + a l f a d1

end

// Translada os r e s i d u o s
r0 = r1
r 1 = r 0 + a l f a A d1
//k

m p r i n t f ( " \ n Nao f o i p o s s i v e l o b t e r a s o l u a o om a a u r a i a d e s e j a d a " )

endfun tion

20.4. MTODO DOS GRADIENTES CONJUGADOS


Tarefa: Solu ione um sistema de dimenso
Hilbert e o vetor

n = 10

175

uja matriz de oe ientes uma matriz de

um vetor de sua es olha. Utilize todos os mtodos de soluo do sistema

de equaes e verique a sensibilidade do sistema ao nmero de ondi ionamento da matriz.

176CAPTULO 20. MTODOS ITERATIVOS PARA A SOLU O DE SISTEMAS LINEARES

Captulo 21
Sistemas de Equaes Lineares Complexas

Os nmeros omplexos,

C,

so uma extenso dos nmeros reais, tal que

R C.

Se onsiderar-

mos que um polinmio om oe ientes reais pode ter razes omplexas, podemos entender que
o onjunto de nmeros omplexos

ompleta

o onjunto dos nmeros reais.

Um nmero omplexo representado na forma

z = a + ib

om

perten entes aos reais,

tal que:

a parte real de

a parte imaginria de

e es reve-se

Re(z) = a;
Im(z) = b.

e es reve-se

O omplexo

um nmero real sse

O omplexo

um imaginrio puro sse

O omplexo

nulo sse

Im(z) = 0;
Re(z) = 0

Im(z) 6= 0;

Re(z) = Im(z) = 0.

Se as grandezas que esto envolvidas na denio do problema forem omplexas, ento o


sistema de equaes lineares ter a forma

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

(Axr Ac xc ) + (Ac xr + Axc ) i = (br + bc i)


pois

i2 = 1.

Assim, podemos reagrupar o sistema na forma

A Ac
Ac A

!(

xr
xc

br
bc

e este sistema pode ser solu ionado por qualquer mtodo apaz de solu ionar um sistema om
matriz de oe ientes no simtri a e no positivo denida.
177

CAPTULO 21. SISTEMAS DE EQUAES LINEARES COMPLEXAS

178

Exemplo:

Sejam as equaes:

(3 + 2i)a + (1 4i)b = 7 + 5i
(1 + 2i)a + (10 + 8i)b = 25.
ento podemos identi ar os seguintes elementos:

A=

3 1
1 10

Ac =

2 4
2 8

b=

bc =

7
25

As in gnitas

5
0

a e b tambm devem ser omplexas, om expresses a = ar + ac i e b = br + bc i,

de tal forma que

x=

xc =

ar
br

ac
bc

Assim, o sistema omplexo assuma a forma

om soluo

1 10

2 4

2 8

2 8

3 1

1 10
2

ar

25

r
=
,

ac
5

bc 0

ar = 5, 266, br = 1, 475, ac = 0, 838 e bc = 2, 149.

Veri ando a primeira equao:

(3 + 2i)(5, 266 + 0, 838i) + (1 4i)(1, 475 2, 149i) = 7 + 5i


(3 + 2i)(5, 266 + 0, 838i) = 14, 122 + 13, 048i e (1 4i)(1, 475 2, 149i) = 7, 122 8, 048i,
resultando em 7 + 5i. Da mesma forma, a segunda equao resulta em:

pois

(1 + 2i)(5, 266 + 0, 838i) + (10 + 8i)(1, 475 2, 149i) = 25

179

pois

(1+2i)(5, 266+0, 838i) = 6, 944+9, 695i e (10+8i)(1, 4752, 149i) = 31, 9449, 695i.

180

CAPTULO 21. SISTEMAS DE EQUAES LINEARES COMPLEXAS

Captulo 22
Soluo de Sistemas No-Lineares

Os pro edimentos apresentados at agora dizem respeito a soluo de problemas lineares, ou


seja, possvel obter uma matriz de oe ientes e um vetor que so independentes dos valores
das variveis

x.

No entanto, diversos problemas de engenharia so des ritos por equaes no-

lineares, de tal forma que importante entendermos os pro edimentos de soluo para esta
lasse de problemas.
A forma geral de um sistema de equaes no-lineares

f1 (x1 , x2 , ...., xn ) = 0

...

...

f (x , x , ..., x ) = 0
n 1
2
n

onde ada uma das equaes pode ser aproximada no entorno de um ponto

fi (x1 , x2 , ..., xn )
onde

xi = xi xki .

fi (xk1 , xk2 , ..., xkn )

xk

por

n
X
fi
+
xj , j = 1..n
xkj
j=1

Assim, podemos onsiderar que no entorno do ponto

n
X
fi
xj = fi (xk1 , xk2 , ..., xkn ), j = 1..n
k
x
j
j=1
ou, matri ialmente

f1
xk1
.
.
.
fn
xk1

...
..

...

f1
xkn
.
.
.
fn
xkn

1
f1 (x )
.
.

.
.
.
. =

f (xk )

x
n
n

Na forma ompa ta podemos es rever a Eq. (22.1) omo

JY = B
181

(22.1)

CAPTULO 22. SOLU O DE SISTEMAS N O-LINEARES

182

onde a matriz onhe ida omo matriz Ja obiana do sistema. Assim, de posse de uma estimativa

xk ,

podemos obter a nova estimativa omo

xk+1 = xk + Y k
at que

kYk < tol.

Esta a extenso do Mtodo de Newton-Raphson para multiplas variveis,

tendo portanto as mesmas propriedades.


Exemplo: Dado o sistema de equaes

x1 + 2x2 + x3 + 4x4 20, 7 = 0

x2 + 2x x + x3 15, 88 = 0
1 2
1
4
3
3

x1 + x3 + x4 21, 218 = 0

3x2 + x3 x4 21, 11 = 0

temos que

1
2
1
4

2x2 + 2x1 2x1 0 3x24

J=

3x21
0 3x23 1

0
3
x4 x3

e, partindo do ponto

x0 = 1,

temos

tal que

12.7

4 2 0 3
11.88
0
Y =

3 0 3 1
18.218

17.11
0 3 1 1
1 2 1 4

x1 =
+

e, na segunda iterao, teremos

1.23285

4.19175

2.23285

5.19175

5.00045
6.00045

0.4819
0.52001

2.6645 1015

12.44379
14.8533 4.4663
0
0.81151
Y0 =

14.9613

206.3798
0
107.9802
1

2.39923
0
3
0.520099 5.99945

Tarefa: Termine de solu ionar o problema, at uma tolern ia de

1 106 .

Captulo 23
Soluo de Problemas de Autovalores e
Autovetores

Um problema de autovalores e autovetores tem a forma

Ax = x
onde

um autovalor e

(23.1)

um autovetor. Para obtermos os autovalores, podemos rearranjar

a Eq. (23.1) na forma

[A I] x = 0

(23.2)

e a soluo no trivial obtida quando

det (A I) = 0
dando origem a um polinmio om a forma

an n + an1 n1 ... + a1
que ter

raizes (autovalores). De posse dos autovalores, podemos obter o autovalor

iado a um autovalor

xi

asso-

por meio da soluo do sistema de equaes homogneas e Eq. (23.2).

23.1 Mtodo da Potn ia


Se uma matriz

A[nn]

tem um autovalor dominante, isto , se existe um autovalor que em

mdulo maior do que os demais, ento existe um vetor

x0

no nulo tal que a sequn ia

denida por

x1 = Ax0 ; x2 = Ax1 , .....xk = Axk1


ou

xk = Ak x0
183

{x}k

184CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

tende ao autovetor asso iado ao autovalor dominante. Para veri armos este omportamento,
primeiro veri amos que
de

x0 pode ser es rito por meio de uma ombinao linear dos autovetores

n
X

x0 =

ci vi .

i=1

possvel provar que (

verique)
k

A x0 =

n
X

ci ki vi

i=1

ou, olo ando o autovalor dominante

k1

em evidn ia, podemos re-es rever esta equao omo

A x0 =

ki

n
X

ci

i=1

onde  a laro que as fraes


o ontador

k,

i
om
1

i > 1

i
1

k

vi

so menores do que

e que ao in rementarmos

estes valores sero termos de ordem superior. Com isto, para

su ientemente

elevado, veri amos que a sequn ia onverge para

Ak x0 c1 k1 v1 .

Outra informao interessante que podemos veri ar que uma vez que

xk+1 = Axk
e

xk+1 tende

a um autovetor dominante, entoo

Axk

tende a

kxk+1 k
1
kxk k

Exemplo: Considerando a matriz

10 1 2 3

1 20 2 1
A=
2 3 30 1

1 2 3 40

1 xk ,

de tal forma que

23.1. MTODO DA POTNCIA


e ini iado om

x0 = 1,

185

teremos

xT1

xT1

=
....

xT19

16 22 36 46

392 542 1224 2008

i
i

1029
h
i
=
9.4118 4.8743 11.4576 86.7484 1032

xT20

5.7101 2.9656 7.0122 52.5745

e, dividindo o ltimo resultado pela norma Eu lidiana do vetor, obtemos

v1T =

0.1067813 0.0553020 0.1299917 0.9841959

que muito prximo ao autovetor asso iado ao maior autovalor desta matriz. O autovalor pode
ser obtido por

x(1)20
= 40.6171
x(1)19
que tem a ur ia de

dgitos de imais. interessante notarmos tambm que a operao

vT Av = 1
o que esperado, uma vez que o autovetor diagonaliza a matriz (neste aso, somente na posio
orrespondente ao autovalor dominante). Assim, da propriedade de que os autovalores de uma
matriz so transladados por uma magnitude

por meio de uma operao (

shift ) na forma

A cI
podemos realizar esta operao om a matriz original e om

A1 =

c = 1 ,obtendo

30.6116
1
2
1
20.6116
2
2
3
10.6116
1

3
1
1
0.6116

e, realizando novamente o mesmo pro edimento (at a vigsima iterao), obtemos

v2T =

0.9854277 0.1224214 0.1143751 0.0293873

2 = 30.8078 + 40.6171 = 9.8082


que o menor autovalor da matriz

A.

Assim, podemos restringir o algoritmo de forma su essiva

ao espao nulo (n leo) dos autovetores j obtidos, de modo a obter os demais autovalores. Na

186CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

prti a, esta abordagem no muito e iente. Este mtodo ilustrado no Alg.(23).

23.1.1 Mtodo da Potn ia Inversa


Esta uma variao do Mtodo da Potn ia, onde trabalhamos om o inverso da matriz de
oe ientes. Com isto, iremos obter o autovetor asso iado ao

menor autovalor.

Assim

xk = Ak x0
e

1
kxk+1 k

.
kxk k
n
Deve-se salientar que no invertemos a matriz, mas solu ionamos um sistema de equaes

na forma

Axk+1 = xk .
Exemplo: Novamente iremos onsiderar a matriz

10

1 20 2 1
A=
2 3 30 1

1 2 3 40
Assim, ini iando om

Ax1

Ax2

=
......

x0 = 1

xT1

teremos

0.0849 0.0511 0.0212 0.0187


h
i
x1 xT2 = 0.008179 0.0029702 0.0001151 0.0001226
xT19

Ax19

x18

Ax20

x19 xT20

1.11866 0.1384 0.1296799 0.0333282 1019


h
i
= 1.412 1.1411 0.132292 0.0339997 1020
=

e, normalizando o ultimo vetor

v1 =

0.9855 0.1219 0.1142436 0.0293611

A menor autovalor obtido por

min =

1.412 1020
1.11866 1019

1

= 9.8024.

Tarefa: Modi ar o Alg. (23) para o Mtodo das potn ias Inversas.

23.1. MTODO DA POTNCIA

187

Algoritmo 23 Mtodo das potn ias para l ulo do autovetor dominante


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

#
# Rotina Metodo_Poten ia :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
tol
: C r i t e r i o de Parada (<<1)
# Saidas :
x
: Autovetor dominante
#
lambda : Autovalor dominante
#
# Depende :
#
MatrizXMatriz (A, B,m, n , o )
#
Es alarXMatriz ( e ,A,m, n )
#
Norma ( x , n , p )
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
Rotina Metodo_Poten ia (A, n )
# Primeira e s t i m a t i v a
x < I d e n t i d a d e ( n , 1 )

de

# Primeira e s t i m a t i v a do a u t o v a l o r
lambda < 0 . 0
# Primeira e s t i m a t i v a do i n t e r v a l o
I < 1
# Itera

Enquanto

I > tol

de

onvergen ia

exe ute

# Cal ula nova e s t i m a t i v a para o x


xk < MatrizXMatriz (A, x , n , n , 1 )
# Cal ula a e s t i m a t i v a do a u t o v a l o r
lambda_k < xk ( 1 ) / x ( 1 )
# I n t e r v a l o para a l u l o de t o l e r a n i a
I < abs ( lambda_k lambda )
# A t u a l i z a x e lambda
x < xk
lambda < lambda_k

Fim Enquanto
# Cal ula a norma de xk
nx < Norma ( x , n , 2 )
# Normaliza o v e t o r ( para e v i t a r numeros muito grandes )
x < Es alarXMatriz (1/ nx , x , n , 1 )

Retorna
Fim Rotina

x , lambda
Metodo_Poten ia

188CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

23.2 Mtodo de Ja obi


Sabendo que uma matriz

simtri a e real, ento existe uma matriz de mudana de base

R,

real, que diagonaliza a matriz, na forma

= RT AR,
onde

diagonal e ontm os autovalores de

e as olunas

ontm os autovetores.

mudana de base pode ser onstruda por uma srie de operaes de rotao su essivas em
torno de diferentes eixos, om o objetivo de zerar blo os de dimenso

22

fora da diagonal.

Desta forma, a ada iterao do mtodo temos uma matriz de rotao na forma

1 0

0 1

Rk =

..

sin()

cos()
..

sin()

cos()
..

Se realizarmos a operao

Ak+1 = RTk Ak Rk ,
ento as posies

da matriz

Ak+1

sero

aii = aii cos()2 + 2aij sin() cos() + aij sin()2 ,


e

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


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



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

= RK RK1...R1
onde

o nmero de iteraes.

23.2. MTODO DE JACOBI

189

Exemplo:
Considerando a matriz

4 2

A = 2 6

1 1 15

veri amos que o maior nmero fora da diagonal


de rotao

R1

na posio

i = 1, j = 2.

Assim, a matriz

ser

cos(1 ) sin(1 ) 0

R1 = sin(1 ) cos(1 ) 0
0
0
1

om

1
1 = atan
2
tal que

2,

1 = 0.5535744.

22
46

Assim, temos que, ao nal da primeira iterao (k

2.763932

A2 = RT1 AR1 =
0

= 1),

0.3249197

1.3763819 .

0
7.236068

0.3249197 1.3763819

Agora, o maior termo fora da diagonal

1.3763819,

om

15

i=2

j = 3.

Assim, a matriz de

rotao ser

1
0
0

R2 = 0 cos(2 ) sin(2 )
0 sin(2 ) cos(2 )

om

1
2 = atan
2
tal que

2 = 0.1703648

2 1.3763819
7.236068 15

0.0550875 0.3202158

A3 = RT2 A2 R2 = 0.0550875 6.9992857


0
.
0.3202158
0
15.236782

2.763932

Agora, identi amos que o termo de maior magnitude


matriz de rotao ser

0.3202158

na posio

i = 1, j = 3.

190CAPTULO 23.

om

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

3 = 0.0256505,

tal que

cos(1 ) 0 sin(1 )

R3 = 0
1
0

sin(1 ) 0 cos(1 )

2.7557165 0.0550694
0

A4 = RT3 A3 R3 = 0.0550694 6.9992857 0.0014129 .


0
0.0014129 15.244998

Finalmente, omo o maior termo (em magnitude) agora

j = 2,

om

temos que

4 =,

0.0550694

na posio

i = 1,

cos(4 ) sin(4 ) 0

R4 = sin(4 ) cos(4 ) 0
0
0
1

resultando em

0.0000183

A5 = RT4 A4 R4 =
0
7.0000002 0.0014127 .
0.0000183 0.0014127 15.244998

2.755002

Neste momento, veri amos que os termos fora da diagonal j se en ontram em uma ordem

1 103

de grandeza de aproximadamente
valores da matriz

so

dos demais valores da diagonal. De fato, os auto-

1 = 2.755002, 2 = 7

3 = 15.244998.

Os autovetores so obtidos

pelo produto

0.8547356
0.5070736 0.1109213

= R1 R2 R3 R4 = 0.5183361 0.8451319 0.1306897 ,


0.0274739 0.1691997 0.9851988

que tambm mostram uma grande a ur ia.

Deve-se omentar que este mtodo utiliza um

grande nmero de multipli aes de matrizes e o l ulo do ar o tangente, que propenso a


erros de arredondamento.

O algoritmo do mtodo de Ja obi apresentado no Alg.

25 e o

algoritmo utilizado para a determinao da posio do maior valor em mdulo da triangular


superior de uma matriz apresentado no Alg. 24.

23.3 De omposio Cholesky


possvel utilizar a de omposio Cholesky para a soluo de um problema generalizado de

AX = BX, onde a matriz B simtri a, positivo-denida


T
de omposio Cholesky de B U U, tal que

autovalores e autovetores na forma


e real. Neste aso, j vimos que a

23.3. DECOMPOSI O CHOLESKY

191

Algoritmo 24 Rotina que determina a posio do maior valor em mdulo da triangular superior
de uma matriz.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

#
# Rotina En ontra_Maior_Valor :
# Entradas : A
: Matriz quadrada e s i m e t r i a
#
n
: Dimensao do s i s t e m a
# Saidas :
maxi
: Linha om o maior v a l o r
#
maxj
: Coluna om o maior v a l o r
#
#
Rotina En ontra_Maior_Valor (A, n )
# I n i i a l i z a as p o s i o e s
maxi < 0
maxj < 0
# Maior v a l o r
maxval < 0

ate

o momento

# Loop p e l a t r i a n g u l a r s u p e r i o r sem o n t a r a d i a g o n a l
Para i de 1 ate n1 exe ute
Para j de i +1 ate n exe ute
# Valor a b s o l u t o da p o s i a o
v = |A( i , j ) |
# V e r i f i a s e e s t e e o maior
Se v>maxval entao
maxval < v
maxi < i
maxj < j

Fim Se
Fim Para #j
Fim Para #i

Retorna os v a l o r e s
Retorna maxi , maxj

Fim Rotina

En ontra_Maior_Valor

192CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

Algoritmo 25 Mtodo de Ja obi


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

#
# Rotina Ja obi :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
nmaxiter : Numero maximo de i t e r a o e s
# Saidas :
A
: Matriz om os a u t o v a l o r e s
#
X
: Matriz om os a u t o v e t o r e s
#
# Depende :
#
MatrizXMatriz (A, B,m, n , o )
#
Transposta (A, n )
#
Identidade (n)
#
Zeros ( n ,m)
#
En ontra_Maior_Valor (A, n )
#
Rotina Ja obi (A, n , t o l )
# I n i i a l i z a a matriz dos a u t o v e t o r e s
X < I d e n t i d a d e ( n )
# Itera oes
Para i de 1

de Ja obi
ate nmaxiter exe ute

# Determina a p o s i a o do maior v a l o r
mi , mj < En ontra_Maior_Valor (A, n )
# Determina o angulo
t e t a < 0 . 5 atan ( 2 A( mi , mj ) / (A( mi , mi)A( mj , mj ) ) )
# Monta a matriz de r o t a a o
R < I d e n t i d a d e ( n )
R( mi , mi ) < os ( t e t a )
R( mi , mj ) < s i n ( t e t a )
R( mj , mi ) < s i n ( t e t a )
R( mj , mj ) < os ( t e t a )
# Transposta da R
RT < Transposta (R, n )
# Rota iona a matriz A
A < MatrizXMatriz (RT, MatrizXMatrix (A,R, n , n , n ) , n , n , n )
# A umula a matriz dos a u t o v e t o r e s
X = MatrizXMatriz (X, R, n , n , n )

Fim Para
Retorna a
Retorna A,X

Fim Rotina

s o l u a o do problema

Ja obi

de

autovalores

23.3. DECOMPOSI O CHOLESKY

193

AX = UX
e, multipli ando esta equao por

UT ,

obtemos

UT AX = UT UX.
Denido uma nova varivel

Y,

tal que

Y = UX
e

X = U1 Y,
podemos es rever

UT AU1 Y = UT UT Y.
Como

UT UT = I,

obtemos

UT AU1 Y = Y
que pode ser es rito omo um problema padro de autovalores e autovetores, na forma

DY = Y,
onde

D = UT AU1 ,

no ne essariamente simtri o.
Assim, da soluo deste problema, obtemos os autovalores
zando o mapeamento entre

X,

do problema original e, utili-

obtemos os autovetores do problema original.

Como j vimos, a de omposio Cholesky bem e iente.


deduzir uma expresso para obtermos

Da mesma forma, possvel

que ompartilha da e in ia do mtodo Cholesky.

Para entendermos a relao, vamos onsiderar um problema de dimenso

onde

1 0 0
11 12 13
u11 u12 u13

0 u22 u23 0 22 23 = 0 1 0 ,
0 0 1
0
0 33
0
0 u33

ontm a inversa de

U.

Solu ionando para in gnitas

11 =
e

12 =

u12 22
,
u22

1
,
u11

22 =

13 =

1
,
u22

33 =

u12 23 + u13 33
,
u11

ij ,

obtemos

1
u33
23 =

u23 33
u22

194CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

que pode ser generalizado omo

ii = 1/uii
1
ij =
uii

j
X

uik kj

k=i+1

i<j

ij = 0 i > j
om

variando de

at

1.

Exemplo:
Seja o problema generalizado de autovalores e autovetores denidos por

6 1 1

A = 1 9 1
1 4 1

4 2

B = 2 6

1 .

1 1 15

A de omposio Cholesky de

2
1
0.5

U = 0 2.236068 0.2236068
0
0
3.8340579
om inversa

U1

O operador

0.5 0.2236068 0.0521641

= 0
0.4472136 0.0260820 .
0
0
0.2608203

denido por

D = UT AU1

1.5
0.4472136 0.0391230

= 0.4472136
1.9
0.0058321
0.0391230 0.3557592
0.0319728

e, a soluo do problema de autovalores e autovetores denido por

DY = Y
resulta em

1 = 2.1937615, 2 = 1.2060725, 3 = 0.0321388

om autovetores

23.4. MTODO QR

195

0.5418033

Y1 = 0.8277240 ,

0.1460214

0.8334240

Y2 = 0.5359830
0.1346349

Assim, utilizando o mapeamento

0.0277133

Y3 = 0.0035141 .
0.9996097
X = U1 Y ,

obtemos

0.4636034

X1 = 0.3663609 ,

0.0380853

0.2898395

X2 = 0.2361873

0.0351155

0.0390728

X3 = 0.0245003 ,
0.2607185

que so os autovetores do problema original.

23.4 Mtodo QR
O mtodo QR um dos mtodos mais utilizados para l ulo de autovalores e autovetores. Isto
se deve a sua e in ia quando programado om alguns uidados. Neste mtodo, transformamos
a matriz

na forma

A = QR
onde

uma matriz ortogonal, ie,

Q1 = QT ,

uma matriz triangular superior. Este

pro esso pode ser realizado por mais de um mtodo, sendo que aqui iremos utilizar o pro edimento de ortogonalizao de Gram-S hmidt. Lembrando, a projeo de um vetor
vetor

dada por

proje a =

< a, e >
e
< e, e >

sobre um

196CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

Algoritmo 26 Inverte a matriz U obtida por Cholesky.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

#
# Rotina Inverte_U :
# Entradas : U
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
# Saidas :
Ui
: Matriz om a i n v e r s a
#
# Depende :
#
Zeros ( n ,m)
#
Rotina Inverte_U (U, n )

de

# In ializa a inversa
Ui < z e r o s ( n , n )
# Loop p e l a s l i n h a s
Para i de n ate 1 passo 1 Exe ute
# Inverte a diagonal
Ui ( i , i ) < 1/U( i , i )
# Loop p e l a s o l u n a s
Para j de n ate 1 passo 1 Exe ute
Se i <j Entao
# Somatorio
somat < 0
Para k de i +1 ate j Exe ute
somat < somat + U( i , k ) Ui ( k , j )
Fim Para #k
# Armazena o v a l o r
Ui ( i , j ) < somat/U( i , i )

Fim Se
Fim Para #j
Fim Para #i
Retorna a
Retorna Ui

Fim Rotina

inversa

Inverte_U

de

23.4. MTODO QR

197

e podemos gerar um onjunto de vetores ortogonais utilizado a Ortogonalizao de GramS hmidt, na forma

uk = ak
om

ek =
Desta forma, se onsiderarmos

ak

k1
X

uk
.
kuk k

vetores na Eq. (23.3), obtendo

ak =

(23.3)

j=1

omo sendo a

k
X

projej ak

k esima

oluna de

A,

podemos isolar estes

< ej , ak > ej

j=1

tal que podemos nalmente veri ar que a matriz

ek ,k = 1..n
rij =< ei , aj >, j i.

ujas olunas so os vetores unitrios


superior om termos

pode ser de omposta em uma matriz

e a matriz

ser uma matriz triangular

Exemplo: Apli ando a ortogonalizao de Gram-S hmidt na matriz

2 4

A = 3 1 1
1 1 1
temos que

uT1

eT1 =

2 3 1
2 3 1

/3.7416 =

0.5345 0.8017 0.2672

uT2 = [4 1 1] h[4 1 1] , [0.5345 0.8017 0.2672]i [0.5345 0.8017 0.2672]


= [2.2857
eT2 = [0.823

1.5714 0.1428]
0.566 0.051]

uT3

eT3

i
h
i h
i h
i
1 1 < 1 1 1 , 0.5345 0.8017 0.2672 > 0.5345 0.8017 0.2672
h
i h
i h
i h
i
< 1 1 1 , 0.823 0.566 0.051 > 0.823 0.566 0.051 = 0.1851 0.1851 0.926
h
i
=
0.1924 0.1924 0.9622
=

de tal forma que

0.5345 0.8229 0.1924

Q = 0.8017 0.566 0.1924


0.2672 0.0514 0.9622

198CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

3.742 3.207
0

R = QT A = 0
2.777 1.440
0
0
0.9622

sendo que a matriz


matriz

tem a forma de uma matriz de Heisenberg (

verique).

A obteno da

ilustrada no Alg. (27), em S ilab.

Algoritmo 27 Obteno da matriz Q utilizando ortogonalizao de Gram-S hmidt


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

//
// Rotina Gram_S hmidt :
// Entradas : A
: Matriz quadrada
//
n
: Dimensao do s i s t e m a
// S a i d a s :
Q
: Matriz om o l u n a s o r t o g o n a i s
//
//
fun tion [Q = Gram (A, n )
U = zeros (n , n)
Q = zeros (n , n)
U( : , 1 ) = A( : , 1 )
Q( : , 1 ) = U( : , 1 ) / norm (U( : , 1 ) , 2 )

for

k=2:n
U( : , k ) = A( : , k )

for
end

j =1:k1
U( : , k ) = U( : , k ) (Q( : , j ) ' A( : , k ) ) Q( : , j )

Q( : , k ) = U( : , k )/ norm (U( : , k ) , 2 )

end
endfun tion

De posse da matriz

podemos propor um esquema iterativo, partindo de

Ak+1 = Qk Rk
onde, se multipli armos ambos os lados por

Qk

a direita e depois por

Q1
k a esquerda obteremos

1
1
Q1
k Ak+1 Qk = Qk Qk Rk Qk = Qk Ak Qk
indi ando que as matrizes

Ak+1 e Ak

so iguais e portanto devem ter os mesmos autovalores.

23.4. MTODO QR

199

Assim, o pro edimento iterativo tem a forma

Ak+1 = Q1
k Ak Qk
e sendo que aps um nmero su iente de ortogonalizaes iremos obter uma matriz
lar superior ujos elementos da diagonal sero os autovalores. Caso a matriz
ento a matriz

A ser diagonal e a matriz Q onter os autovetores.

Caso

A triangu-

seja simtri a,

A no seja simtri a,

ento devemos obter os autovetores de interesse por meio da soluo do sistema de equaes
da Eq. (23.2), para ada

de interesse.

O pro edimento para o aso de uma matriz simtri a est ilustrado no Alg. (28), em S ilab.

Algoritmo 28 Obteno dos autovalores e autovetores de uma matriz simtri a pelo mtodo
QR.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

//
// Rotina QR:
// Entradas : A
: Matriz quadrada e s i m e t r i a
//
n
: Dimensao do s i s t e m a
// S a i d a s :
Qt
: Matriz om o l u n a s o r t o g o n a i s ( a u t o v e t o r e s )
//
A
: Matriz d i a g o n a l om os a u t o v a l o r e s
//
//
fun tion [ Qt ,A = QR(A, n , n i t e r )
Qt = eye ( n , n )

for

i =1: n i t e r
Q = Gram(A, n )
A = inv (Q) AQ
Qt = Qt Q

end
endfun tion
Tarefa: Obtenha os autovalores e os autovetores da matriz

do exemplo anterior.

23.4.1 Utilizando a De omposio QR para Solu ionar Sistemas de


Equaes Lineares Mal-Condi ionados.
Considerando que

A = QR,

ento

Ax = b
pode ser es rita omo

QRx = b

200CAPTULO 23.

e, omo

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

ortogonal, ento podemos multipli ar ambos os lados por

QT ,

tal que

Rx = QT b
e, nalmente, omo
retrosubstituio.

triangular superior, podemos solu ionar o sistema por meio de uma

Esta abordagem parti ularmente interessante quado a matriz

ondi ionada. A omplexidade desta operao da ordem de

Como exemplo, vamos onsiderar uma matriz de dimenso

64.
2016
20160

2016
84672
952560

20160
952560
11430720

92400
4656960
58212000
A=
221760 11642400 1.497 108

288288 15567552 2.043 108

192192 10594584 1.413 108

51480
2882880
38918880
om nmero de ondi ionamento
independentes,

b,

om

bi = i,

92400
4656960
58212000
3.049 108
8.004 108
1.110 109
7.769 108
2.162 108

mal

221760
11642400
1.497 108
8.004 108
2.134 109
2.997 109
2.119 109
5.946 108

rcond(A) = 1, 526 1010 .

288288
15567552
2.043 108
1.110 109
2.997 109
4.250 109
3.030 109
8.562 108

192192
10594584
1.413 108
7.769 108
2.119 109
3.030 109
2.175 109
6.184 108

51480

2882880

38918880

2.162 108

5.946 108

8
8.562 10
6.184 108

1.767 108

Utilizando um vetor de termos

obtemos, usando o S ilab

0.0031391

0.0035287

x1 =
0.0028351

0.0018490

0.0008703

obviamente aps re ebermos o aviso de que o sistema mal ondi ionado. Se testarmos esta
soluo om

que diferente de

0.

1.1727528

0.9367498

3.4111172

4.9773307

Ax1 b =

5.8545016

6.3134753

6.5224791

6.5805729

Se utilizarmos a de omposio QR e o pro edimento apresentado aqui,

iremos obter, aps a retrosubstituio

23.5. OPCIONAL - MTODO DE LEVERRIER-FADDEV

que resulta em

201

8.0000012

6.1710323

5.1420638

4.4403682

x2 =
3.9204908

3.515998

3.1906261

2.9223971

0.0000014

5.588 1008

1.490 1008

0.0000004

Ax2 b =
0.0000002

0.0000005

0.0000017

0.0000004

que uma soluo muito mais prxima do que se espera (lembrando que o sistema muito mal
ondi ionado).

23.5 OPCIONAL - Mtodo de Leverrier-Faddev


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

onde



P () = (1)n n P1 n1 .... Pn
P1 = tr(A)

Pk =

1
tr (Ak ) , k = 2..n
k

om

Ak = Bk A
Bk = Ak1 Pk1 I
Exemplo:

A=

"

10 2
3 7

202CAPTULO 23.

Algoritmo 29

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

Soluo de um sistema de equaes lineares mal ondi ionado utilizando a

de omposio QR.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

// Dimensao do problema
n = 8
// Gera uma matriz de H i l b e r t , nxn .
A = testmatrix ( ' hilb ' , n)
// Gera um v e t o r
b = (1:n) '

de

termos i n d e p e n d e n t e s

// Numero de ondi ionamento de A


// quanto mais proximo de 1 melhor !
onda = ond (A)
// Solu ao d i r e t a
xd = A\b
// De omposi ao QR
[Q,R = qr (A)
// Novo v e t o r do lado d i r e i t o
bqr = Q' b
// Apli a r e t r o s u b s t i t u i a o usando
// R e bq
xqr = z e r o s ( n , 1 )

for

i=n : 1:1
somatorio = 0
for j=i +1:n
somatorio = somatorio + R( i , j ) xqr ( j )

end
end

xqr ( i ) = ( bqr ( i ) somatorio )/R( i , i )

// Testa a p r i m e i r a s o l u a o
e r r o _ d i r e t o = A xd b
// Testa a segunda s o l u a o
b
erro_qr = A xqr

23.5. OPCIONAL - MTODO DE LEVERRIER-FADDEV

203

Ini iamos om

P1 = tr(A) = 10 + 7 = 17
A1 = A

e, para o segundo oe iente, temos que

B1 = A 17I =

A2 =

"

7
3

om

2
10

#"

"

10 2
3

P1 = 17,

tal que

7 2
3 10
#

"

64
0

0
64

1
P2 = tr(A2 ) = 64.
2

Portanto, o polinmio ara tersti o ser



P () = (1)2 2 17 + 64

om raizes

1 = 11.3723 e 2 = 5.6277.
interessante notar que uma vez de posse dos autovalores e das matrizes

Bk

obtidas ao longo

do pro esso, podemos obter fa ilmente os autovetores asso iados a ada um dos autovalores.
Para isto fazemos,

Xk
sendo que

X0 = I.


1 T

T

= Xk1

Para este exemplo

"

11.3723
0
0
5.6277

I+

"

T

+ Bk1

#T

7 2
3 10

T

"

4.3723
3
2
4.3722

#T

onde ada linha onter um dos autovetores.

Para este pro edimento  ar mais laro, vamos ilustrar om uma matriz de dimenso

Exemplo:

A=

10 1 2
1 20 2
2 3 30
1

3
1
1
40

Os autovalores so obtidos om:

P1 = tr(A) = 100

n = 4.

204CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

10

1 20 2 1
B2 =
2 3 30 1

1 2 3 40

90

100I = 1
2

80 2
1
3 70 1
2
3 60

A2 = B2 A
1
P2 = tr(A2 ) = 3483
2

2589 58 109 147

75
1890
99
41

B3 = A2 + 3483I =
122 146 1396 21

46 70 84 1091

A3 = B3 A
1
P3 = tr(A3 ) = 49236
3

23653
808
1351
1720

1379 11740 837


376
B4 = A3 49236I =
1697
1104 7955
44

533
484
521 5888
A4 = B4 A

1
P4 = tr(A4 ) = 232916
4
dando origem ao polinmio



P () = (1)4 4 1003 + 34832 49236 + 232916

om razes

1 = 40.612 2 = 30.2235 3 = 19.351 4 = 9.803.


Os autovetores so obtidos om



1 T
X


2 T


3 T

40.612
0
0
0

0
30.2235
0
0

0
0
19.351
0

0
0
0
9.803

40.612
0
0
0

0
30.2235
0
0

0
0
19.351
0

0
0
0
9.803

40.612
0
0
0

0
30.2235
0
0

0
0
19.351
0

0
0
0
9.803

I+

90
1
2
1

1
80
3
2

2589



75

1 T
+
X

122
46

23653


2 T 1379
+
X

1697
533

2
2
70
3

58
1890
146
70

808
11740
1104
484

3
1
1
60

109
99
1396
84

1351
837
7955
521

147
41
21
1091

1720
376
44
5888

49.388
1
2
3

1
49.765
2
1

583.258
27.765
70.297
117.592

34.041
31.475

=
9.338
567.300

2
3
50.648
1

34.388
385.358
60.297
31.197

17.568
88.753
329.828
70.186

1
2
3
50.197

40.777
55.295
415.889
11.197

40.998
567.849
92.897
65.763

5.388
9.530
25.946
598.939

314.168
195.852
18.901
16.901

23.5. OPCIONAL - MTODO DE LEVERRIER-FADDEV


O pro edimento para obteno dos oe ientes do polinmio est ilustrada no Alg.
enquanto a obteno da matriz om os autovetores est ilustrada no Alg. (31).

205

(30)

206CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

Algoritmo 30 Obteno dos oe ientes

do polinmio ara tersti o utilizando o mtodo de

Leverrier-Faddev

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

#
# Rotina Leverrier_Faddev_Poli :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
# Saidas :
P
: C o e f i i e n t e s do polinomio a r a t e r i s t i o
#
# Depende : AmaisB(A, B,m, n )
#
Es alarXMatriz ( e ,A,m, n )
#
MatrizXMatriz (A, B,m, n , o )
#
Tra o (A,m)
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
Rotina Leverrier_Faddev_Poli (A, n )
# Faz a o p i a da matriz
Ak < A

de

entrada

# Alo a o v e t o r que i r a o n t e r os o e f i i e n t e s
P = Zeros ( n , 1 )
# Cal ula o p r i m e i r o o e f i i e n t e
P( 1 ) = Tra o (Ak)
# I t e r a para o b t e r os demais o e f i i e n t e s
Para k de 2 ate n exe ute
# Cal ula Bk
Bk < AmaisB(Ak ,

Es alarXMatriz ( P( k 1) , I d e n t i d a d e ( n ) ) )

# Cal ula Ak
Ak < MatrizXMatriz (Bk ,A, n , n , n )
# Cal ula o o e f i i e n t e k do polinomio
P( k ) < (1/ k ) Tra o (Ak)

Fim Para
Retorna
Fim Rotina

#k

P
Leverrier_Faddev_Poli

23.5. OPCIONAL - MTODO DE LEVERRIER-FADDEV

Algoritmo 31 Obteno dos autovetores utilizando o mtodo de Leverier-Faddev


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

#
# Rotina Leverrier_Faddev_X :
# Entradas : A
: Matriz quadrada
#
n
: Dimensao do s i s t e m a
#
L
: Autovalores da matriz A, d i s p o s t o s em
forma de uma matriz d i a g o n a l
# Saidas :
X
: Matriz n x n om a u t o v e t o r e s (em ada l i n h a )
#
# Depende : AmaisB(A, B,m, n )
#
Es alarXMatriz ( e ,A,m, n )
#
MatrizXMatriz (A, B,m, n , o )
#
Tra o (A,m)
#
Zeros (m, n )
#
I d e n t i d a d e (m)
#
Rotina Leverrier_Faddev_X (A, n , L)
# Primeira e s t i m a t i v a
X < I d e n t i d a d e ( n , n )

de

# Copia A para Ak
Ak < A
# Primeiro P
P < Tra o (Ak)
# Itera
Para k de 2

ate

exe ute

# Cal ula Bk
Bk < AmaisB(Ak ,

Es alarXMatriz ( P , I d e n t i d a d e ( n ) ) )

# Cal ula Ak
Ak < MatrizXMatriz (Bk ,A, n , n , n )
# Cal ula o o e f i i e n t e k do polinomio
P < (1/ k ) Tra o (Ak)
# Atualiza X
X < AmaisB( MatrizXMatriz ( L , X, n , n , n ) , Transposta (Bk ) )

Fim Para

#k

Retorna
Retorna X

Fim Rotina

matriz

de

a u t o v e t o r e s ( ada l i n h a um a u t o v e t o r )

Leverrier_Faddev_X

207

208CAPTULO 23.

SOLU O DE PROBLEMAS DE AUTOVALORES E AUTOVETORES

Captulo 24
De omposio em Valor Singular

Dada uma matriz


vetores

u[m1]

A[mn] ,

v[n1]

hamamos

de valor singular de

se e somente se existem dois

que satisfazem

Av = u
e

AT u = v.
Os vetores

u e v so hamados, respe tivamente, de vetor singular a esquerda e de vetor singular

a direita. Uma matriz

A tem ao mnimo 1 e no mximo min(m, n)

valores singulares distintos.

interessante notar que se onsiderarmos todos os valores e vetores singulares ao mesmo tempo
obteremos

A = USVT
onde

U[mm]

armazena em suas olunas os

(24.1)

vetores singulares a esquerda,

S[mn]

ontm

somente termos no negativos em suas posies diagonais (demais termos so nulos) e


ontm os

vetores singulares a direita. A Eq. (24.1) hamada de de omposio em valor

singular da matriz

A.

importante salientar que as matrizes

unitria e no so ni as. Desta forma, as olunas de

tal que

V[nn]

UU = I

VV = I.

tem olunas om norma

formam bases ortonormais para

Com isto

A1 = VS1 UT
o que torna a inverso trivial. Esta inverso onhe ida omo pseudo-inversa da matriz, sendo
uma generalizao do on eito de inversa para matrizes no quadradas.
Desta forma, se tivermos um sistema de equaes lineares om um nmero diferente de
equaes e in gnitas, na forma

A[mn] x[n1] = b[m1]


podemos es rever a soluo utilizando a inversa da de omposio em valor singular, tal que

x = VS1 UT b
209

CAPTULO 24. DECOMPOSI O EM VALOR SINGULAR

210

e a soluo ser a de menor erro de a ordo om a norma

2,

ou seja,

kAx bk2
ser mnimo. Esta soluo deve ser utilizada quando temos um problema mal ondi ionado
(mesmo no aso de matrizes quadradas).
O pro edimento para obtermos a de omposio singular de uma matriz

AAT ;

Cal ular

Determinar os autovalores e autovetores de

Apli ar Gramm-S hmidt nas olunas de

Cal ular

Determinar os autovalores e autovetores de

Apli ar Gramm-S hmidt nas olunas de

Gerar

S,

AAT ;

AAT

, gerando

AT A;

tal que

sii =

i ,

AT A;

AT A

, gerando

em ordem de res ente (i

A=

!
3 1 1
.
1 3 1

AA =

!
11 1
1 11,

AAT =

1 1
1 1

Gerando a forma a esquerda

1 = 12, 2 = 10

que uma vez ortogonalizada por Gramm-S hmidt resulta em

U=

1
2
1
2

1
2
1

Gerando a forma a direita

10 0 2

AT A = 0 10 4 ,
2 4 2

V;

6= 0);

Como exemplo, podemos onsiderar

obtemos

U;

RANK

24.1. RELA O ENTRE SVD,


obtemos

3 = 12, 4 = 10, 5 = 0

E ESPAO NULO DE UM OPERADOR

211

V=

e, por m,

S=

2
5
1

1
26

6
1
6

12

1
30
2 .
30
5

30

!
0 0

,
10 0

tal que

3 1 1
1 3 1

1
2
1
2

1
2
1

12 0 0

0
10 0

2
5
1

1
26

6
1
6

T
1
30
2
30
5

30

Observem que os autovalores foram olo ados em ordem de res ente.

24.1 Relao entre SVD, Rank e Espao Nulo de um Operador


Algumas informaes importantes podem ser obtidas a partir das matrizes

A dimenso do espao nulo do operador,


de

U, S

Rank

Rank

do operador, obtido por SVD, possvel avaliar o

Rank

No exemplo anterior, observamos que o espao nulo tem dimenso

Exemplo:

tem omo matriz de valores singulares

Rank

2 2 2

A = 2 2 2
2 2 2

6 0 0

= 0 0 0
0 0 0

orres-

Sii 6= 0;

efetivo de um operador, pois erros numri os podem levar a um

de tal forma que seu

Sii = 0;

do operador, pode ser obtida pelo nmero de olunas de

pondentes as posies no nulas dos valores singulares, ie,

Assim, baseado no

V.

nullity, pode ser obtida pelo nmero de olunas

orrespondentes as posies onde os valores singulares so nulos, ie,

A dimenso do

e a dimenso de seu espao nulo

2.

Rank

numri o

diferente do analti o.

e que o

Rank

2.

CAPTULO 24. DECOMPOSI O EM VALOR SINGULAR

212

Tarefa:
1) Solu ione o problema mal ondi ionado do aptulo anterior utilizando o SVD.

24.2 Compresso de Imagens Utilizando o SVD -

Low-

Rank Matrix Approximation


Uma imagem armazenada no omputador omo uma matriz retangular de dimenso
Assim, onsiderando que ada posio o upada por um

byte,

so ne essrios

mn

n m.

bytes de

espa para armazenar esta informao. Se apli armos o SVD em uma matriz que ontm as
informaes de uma imagem, teremos

n valores singulares ( onsiderando que n 6 m) no nulos,

tal que a imagem pode ser re onstruda por uma ombinao linear da forma

A=

n
X

i ui viT

i=1

onde

a matriz que ontm a imagem re onstruda. Como ordenamos os valores prin ipais

em ordem de res ente, temos que os primeiros termos do somatrio so formados pelos valores
singulares mais signi ativos da imagem. Desta forma, apenas alguns valores singulares so
ne essrios para obter uma boa aproximao da imagem original. Neste aso, so ne essrios
apenas

N <n6m

valores prin ipais, om seus respe tivos vetores a direita e a esquerda, tal

que o armazenamento total ser de


Exemplo:

N + N n + N m bytes.

A famosa imagem Lenna (http://en.wikipedia.org/wiki/Lenna) ser utilizada para visualizarmos a ompresso de imagem por SVD. A imagem original, em tons de inza e na resoluo
de

512 512

mostrada na gura 24.2, enquanto as imagens obtidas om diferentes valores de

so ilustradas nas guras 24.2, 24.2 e 24.2.

Figura 24.1: Lenna - Imagem original

512 512.

A qualidade das imagens obtidas pela ombinao linear pode ser melhor ompreendida
avaliando-se a distribuio dos valores singulares da imagem. A gura 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 ontm prati amente todas as informaes sobre
a gura, justi ando assim o pequeno aumento de qualidade de

N = 100

para

N = 200.

24.2. COMPRESS O DE IMAGENS UTILIZANDO O SVD - LOW-RANK

Figura 24.2: Lenna - Imagens om

N = 10, 20, 30.

Figura 24.3: Lenna - Imagens om

N = 40, 50, 60.

Figura 24.4: Lenna - Imagens om

N = 70, 100, 200.

MATRIX APPROXIMATION

CAPTULO 24. DECOMPOSI O EM VALOR SINGULAR

214

bytes ne essrios para armazenar as imagens das guras


armazenamento a gura original, om dimenso 512 512 = 262144.

A tabela abaixo ilustra o nmero de


a ima. A refern ia de

N
10

Espao

N + 2 N 512

10250

3, 91

20

20500

7, 82

30

30750

11, 73

40

41000

15, 64

50

51250

19, 55

60

61500

23, 46

70

71750

27, 37

100

102500

39, 10

200

205000

78, 20

O algoritmo 32 ontm o digo SCILAB utizado para gerar estas imagens.

Figura 24.5: Valores singulares para a imagem Lenna, gura 24.2.

24.2. COMPRESS O DE IMAGENS UTILIZANDO O SVD - LOW-RANK

MATRIX APPROXIMATION

Algoritmo 32 Programa para omprimir uma imagem utilizando SVD.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

// Carrega a imagem u t i l i z a n d o
// SIVP do S i l a b
// Para i n s t a l a r o SIVP , a e s s e o ATOMS no menu de A p l i a t i v o s
// e va para Image P r o e s s i n g
// I n s t a l e o pa ote " S i l a b Image and Video P r o e s s i n g Toolbox "
// Nos vamos u t i l i z a r somente as r o t i n a s de l e i t u r a , onversao
// e d i s p l a y de imagens . O tratamento matemati o s e r a f e i t o
// v i a De omposi ao em Valor S i n g u l a r (SVD)
//
//
// Carrega uma imagem .
imagem = imread (" Lenna . jpg " ) ;
// Converte a imagem para uma matriz
A = im2double ( imagem ) ;

de

doubles

// Cal ula o SVD da matriz


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

de

v a l o r e s s i n g u l a r e s da matriz \n ")

de

end

// Alo a uma nova matriz om a mesma dimensao


B = z e r o s (A) ;

// Monta a matriz u t i l i z a n d o somente os N maiores v a l o r e s s i n g u l a r e s


// da imagem .
for i =1:N
B = B + U( : , i ) S ( i , i ) V( : , i ) '

end

// Converte B para o formato


A2 = mat2gray (B)

de

// Mostra a imagem s i m p l i f i a d a
imshow (A2)

imagem

216

CAPTULO 24. DECOMPOSI O EM VALOR SINGULAR

Captulo 25
Problema de Mnimos Quadrados

Seja uma funo

f (x)

de

nv

variveis, a ser determinada a partir de uma srie de pontos

experimentais, avaliados em um onjunto dis reto de


nos pontos

forem organizados em um vetor

nexp

pontos

V[nexp 1] ,

.
x

Se os valores experimentais

ento podemos denir o erro mdio

quadrti o entre os valores da funo e os valores experimentais na forma

v
unexp
uX
=t
(f (
xi ) Vi )2 .
i=1

Supondo agora que a funo seja des rita por um polinmio de ordem

m,

na forma

f (x) = pT (x)a
teremos

v
unexp
uX 1
(pT (
xi )a Vi )2
=t
2
i=1

onde a ondio ne essria para mnimo desta funo

a = 0
e

o vetor que ontm os oe ientes do polinmio (a serem determiandos no ajuste da

funo). Desenvolvendo esta expresso obteremos um sistema de equaes lineares na forma

Aa = f
onde

nexp

A=

p(
xi )pT (
xi )

i=1

f=

nexp
X

p(
xi )Vi .

i=1

217

CAPTULO 25. PROBLEMA DE MNIMOS QUADRADOS

218

Exemplo: Seja a funo a aproximar

f (x1 , x2 ) = a0 + a1 x1 + a2 x2 + a3 x21 + a4 x22

e os dados

experimentais

x1

x2

-5

11

-13

-25

obtenha os oe ientes que melhor aproximam a funo aos dados experimentais.
O polinmio

pode ser representado por

f (
x1 , x2 ) = pT (
x)a = [ 1 x1 x2 x21

a0

a1

x22 ]
a
2

a3
a4

tal que

a0 + a1 0 + a2 0 + a3 02 + a4 02 3

2

+ a0 + a1 1 + a2 1 + a3 12 + a4 12 (5)
2 o 21
2
2
+ a0 + a1 2 + a2 2 + a3 2 + a4 2 (25)

2

+ ...

e, se al ularmos o gradiente em relao aos oe ientes do polinmio obteremos




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

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



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

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




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


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

219

e, olo ando os oe ientes em evidn ia, obtemos

d
da0

d
da1

a0

5
X
i=1

a0

5
X

a0

5
X
i=1

x1 (i) + a2

x
1 (i) + a1

5
X

x
21 (i) + a2

x2 (i) + a3

5
X

5
X

x21 (i) + a4

5
X

5
X

5
X

x
2 (i)
x1 (i) + a3

5
X

5
X

V (i)

i=1

x
21 (i)
x1 (i) + a4

5
X

x
22 (i)
x1 (i) =

x
2 (i)
x22 (i)
x22 (i) + a3

5
X

x21 (i)
x22 (i) + a4

V (i)
x1 (i)

5
X

x22 (i)
x22 (i) =

5
X

V (i)
x22 (i)

i=1

i=1

i=1

i=1

5
X
i=1

i=1

i=1

x
21 (i)
x22 (i) + a2

i=1

x
22 (i) =

i=1

i=1

i=1

i=1

x
22 (i) + a1

5
X
i=1

i=1

i=1

...
d
da4

5
X

1 + a1

tal que

P5

i=1

P5
P5
P5
P5
1 (i)
2 (i)
21 (i)
22 (i)
i=1 x
i=1 x
i=1 x
i=1 x
P
P
P
P5
5
5
5
2 (i)
x1 (i)
x
3 (i)
1 (i)
x2 (i)
21 (i)
i=1 x
i=1 x
i=1 x
P5
P5 i=12 1
P5
2
3
x

(i)
x

(i)
x
(i)
x

(i)
2
i=1 2
i=1 1
P5
P5 i=12 2 2
4
(i)
x (i)
x

(i)
i=1 x
i=1 1
P5 2 4 1
2 (i)
i=1 x

a0
a1
a2
a3
a4

P5

V (i)
P5
V (i)
x1 (i)
P5i=1
V
(i)
x
2 (i)
P5i=1
2
V (i)
x1 (i)
P5i=1
x22 (i)
i=1 V (i)
i=1

onde somente a triangular superior da matriz mostrada, pois a mesma simtri a. Assim, om os
dados deste problema, obteremos o sistema

tal que

5 4 4

a0

a0

a1


a2 =

a3

a4

6 9 10

18 17

18

6 5 10

a1 6

a2 = 8

a 2
3
a4
8

29

44

68

94

118

A soluo deste problema utilizando o s ilab est ilustrada no Alg. (33)

25.0.1 Es alonamento das Variveis


omum lidarmos om uma matriz de oe ientes mal ondi ionada, prin ipalmente quando as variveis envolvidas no problema de mnimos quadrados apresentam ordem de grandeza muito diferentes.
Neste aso, a melhor estratgia onsiste em trabalhar om um novo onjunto de variveis normalizadas.
Se uma varivel original x denida no intervalo [xmin , xmax ] e queremos que a varivel passe a
ter valores no intervalo [rmin , rmax ], podemos denir o mapeamento
r = rmin + (x xmin )

rmax rmin
xmax xmin

Desta forma, podemos fazer om que todas as variveis apresentem a mesma ordem de grandeza,
reduzindo muito a han e de observarmos o mal ondi ionamento. importante salientar que as

CAPTULO 25. PROBLEMA DE MNIMOS QUADRADOS

220

Algoritmo 33 Soluo do problema de Mnimos Quadrados usando o S ilab


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

// Pontos e x p e r i m e n t a i s
xb = [ [ 0 , 1 , 1 , 0 , 2 ; [ 0 , 1 , 0 , 1 , 2 ;
// Dados e x p e r i m e n t a i s
V = [3 , 5 ,11 , 13 , 25

// Numero de pontos e x p e r i m e n t a i s
nexp = l e n g t h (V)

// Numero
nb = 5

de

termos da base ( 1 , x , y , x ^2 , y ^2)

// D e l a r a A e b
A = z e r o s ( nb , nb )
b = z e r o s ( nb , 1 )
// Loop p e l o s pontos e x p e r i m e n t a i s
for i =1: nexp
// Vari \ ' a v e l x
x = xb ( 1 , i )
// Vari \ ' a v e l
y = xb ( 2 , i )
// Base
p = [ [ 1 ; [ x ; [ y ; [ x 2;[ y2 ;
// A umula os s o m a t o r i o s de A e b
A = A + pp ' ;
b = b + p V( i )

end

// Obtem os o e f i i e n t e s ( Cuidado que o problema e ' mal o n d i i o n a d o )


o e f = A\b

25.1. PROBLEMA DE MNIMOS QUADRADOS DEFINIDO POR UMA EQUA O N O LINEAR DO

equaes obtidas sero em funo das novas variveis r, mas que o mapeamento inverso obtido por
x = xmin + (r rmin )

xmax xmin
rmax rmin

25.1 Problema de Mnimos Quadrados Denido por uma


Equao no Linear dos Coe ientes
Se o modelo a ser ajustado no puder ser es rito na forma f (x) = pT a, ento no possvel solu ionar
o problema atravs da soluo de um sistema de equa es lineares. Neste aso, a ondio de mnimo
a = 0

da origem a um sistema de equaes no lineares

f1 (a0 , a1 , ...., an ) = 0

...

...

fn (a0 , a1 , ..., an ) = 0

que deve ser solu ionado pelo mtodo de Newton-Raphson.


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

(a0 + cos(a1 1) 0)2 + (a0 + cos(a1 2) 2)2 + (a0 + cos(a1 3) 0)2 + (a0 + cos(a1 4) 2)2

e, esta equao atinge um mnimo quando


a =

d
da0
d
da1

f1 (a0 , a1 )
f2 (a0 , a1 )

=0

tal que
f1 =

e
f2 =

d
2 (cos (4 a1) + a0 2) + 2 (cos (3 a1) + a0) + 2 (cos (2 a1) + a0 2) + 2 (cos (a1) + a0)
= q
da0
2 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2

d
8 (cos (4 a1) + a0 2) sin (4 a1) 6 (cos (3 a1) + a0) sin (3 a1) 4 (cos (2 a1) + a0 2) sin (2 a1) 2 (cos (a1) + a0) sin (a1)
.
q
=
da1
2 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2
Assim, a matriz Ja obiana des rita por

"

J11 J12
J21 J22

"

df 1
da0
df 2
da0

df 1
da1
df 2
da1

"

d2
da0 da0
d2
da1 da0

d2
da0 da1
d2
da1 da1

CAPTULO 25. PROBLEMA DE MNIMOS QUADRADOS

222

om, por exemplo

4
J11 = q
(cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2
(2 (cos (4 a1) + a0 2) + 2 (cos (3 a1) + a0) + 2 (cos (2 a1) + a0 2) + 2 (cos (a1) + a0))2

3 .
2
4 (cos (4 a1) + a0 2)2 + (cos (3 a1) + a0)2 + (cos (2 a1) + a0 2)2 + (cos (a1) + a0)2

Captulo 26
Derivada Numri a

A derivada de uma funo de uma varivel,

onde

a = x + x

denida omo

df (x)
f (x) f (a)
= lim
xa
dx
xa

e, geomtri amente, pode ser interpretada omo a reta tangente a funo

em um dado ponto

aproximao

f (x),

x.

Com base nesta interpretao geomtri a, podemos observar que uma

para o l ulo da derivada em torno de um dado ponto pode ser obtido por uma

simples interpretao geomtri a (gura 26), onde a hipotenusa do tringulo formado por um
ateto adja ente de dimenso

f = f (x0 + x) f (x0 )
x 0, tal que

e ateto oposto de dimenso

a reta tangente denida pela derivada no ponto

x0 ,

quando

tende


df (x)
f
.

dx
x x0
f(x)

f(x)

df(x)
dx
f(x0)+f(x0+DX)
df(x)
dx

f(x0)

x0

x0

x0+DX

Figura 26.1: Diferena nita a frente - interpretao geomtri a.


Obviamente, esta denio matemti a no pode ser apli ada diretamente para obtermos
uma derivada numri a, pois se

for da ordem do epsilon da mquina, observamos que

no ser orretamente al ulado, levando a erros onsiderveis de l ulo. Este erro onhe ido
omo erro de

arredondamento, ausado simplesmente pela pre iso utilizada para des rever

os nmeros reais no omputador.


223

CAPTULO 26. DERIVADA NUMRICA

224

Outro erro que pode apare er est asso iado ao uso de uma perturbao

muito grande.

Neste aso, a intepretao geomtri a permite ver que a hipotenusa no oin ide om a reta
tangente no ponto

x0 ,

levando a uma estimativa errada para o l ulo da derivada.

Se onsiderarmos uma expanso em srie de Taylor de primeira ordem da funo


torno do ponto

x0 ,

em

observamos que

f (x0 + x) = f (x0 ) +
onde

f (x)

df
x + O
dx

representa todos os termos de alta ordem. Estes termos tendem a zero muito mais rapi-

damente do que o termo de primeira ordem a medida que

x 0,

justi ando a interpretao

geomtri a e a validade para pequenos valores de perturbao. Com esta expanso, podemos
ento avaliar o hamado erro de

trun amento, asso iado ao erro o asionado por perturbaes

muito grandes.
Assim, isolando a derivada

df
f (x0 + x) f (x0 ) O

,
dx
x
veri amos a origem do erro de trun amento.
A gura 26.2 ilustra o omportamento da derivada numri a em relao ao valor da perturbao.

Derivada

Bons valores de perturbacao

Exato

Perturbacao
Erro de arredondamento

Erro de truncamento

Figura 26.2: Comportamento da derivada numri a por diferenas nitas utilizando diferentes
valores de perturbao.

Esta forma de al ularmos a derivada hamada de Diferenas Finitas a Frente, pois utilizamos o l ulo da funo em um ponto a frente do ponto atual,

f (x0 + x).

De forma

anloga, possvel denirmos um l ulo para trs, onhe ido omo Diferenas Finitas para
Trs, al ulado omo

df
f (x0 ) f (x0 x)

,
dx
x

26.1. DIFERENAS FINITAS COMPLEXAS

225

e as Diferenas Finitas Centrais, al uladas om

df
f (x0 + x) f (x0 x)

.
dx
2x
Cada uma destas formas tem vantagens e desvantagens. As diferenas nitas entrais, por
exemplo, por utilizarem um intervalo mais amplo, so menos su etveis ao erro de arredondamento do que as diferenas nitas para trs e para frente. No entanto, ne essitam do l ulo
da funo nestes dois pontos, o que a arreta um maior usto omputa ional.

26.1 Diferenas Finitas Complexas


Se expandirmos uma funo em srie de Taylor, om perturbao somente na parte omplexa
de

x,

tal que

x = 0 + i

ento

f (x0 + x) = f (x0 ) +

df
i + O.
dx

Des artando os temos de alta ordem e onsiderando somente a parte omplexa de ada uma
das operaes a ima, temos que

df
Imagf (x0 + x)
Imagf (x0 + i)

=
dx

pois

Imagf (x0 ) = 0,

uma vez que tanto o ponto atual quanto a funo so originalmente reais.

O interessante que este pro edimento faz om que no seja ne essrio o l ulo da subtrao
presente nos outros tipos de diferenas nitas, eliminando assim o erro de arredondamento.
De fato, tem-se observado o orreto l ulo da derivada mesmo om perturbao de ordem
menor do que o epsilon da mquina. Assim, o gr o da gura 26.2 no apresenta os erros de
arredondamento, mas ainda apresenta o erro de trun amento.

Exemplo:

Para ilustrar os on eitos vistos nas sees anteriores, vamos onsiderar a funo f (x) =
2
(x)
3 cos(x2 )3 , om derivada analti a dfdx
= 18 x cos (x2 ) sin (x2 ). No ponto x = 2, a derivada

assume o valor analti o

11, 640379 ( onsiderando 6 asas de imais para ns

ser utilizado omo refern ia para este exemplo.


Utilizando uma perturbao

= 1 1010 ,

Diferenas nitas para frente:

Diferenas nitas para trs:

Diferenas nitas entrais:

Diferenas nitas omplexas:

f (2+)f (2)

obtemos

= 11, 640378;

f (2)f (2)

= 11, 640382;

f (2+)f (2)
2

= 11, 64038;

Imag(f (2+i))

= 11, 640379,

de ilustrao), que

CAPTULO 26. DERIVADA NUMRICA

226

al ulados om o auxlio do S ilab.

26.2 Cl ulo do Vetor Gradiente


O gradiente de uma funo de

variveis

f (x)

f (x) =

denido omo


df

dx1

df

dx2
..
.

df
dxn

sendo que ada uma das posies pode ser al ulada utilizando um dos pro edimentos unidimensionais des ritos a ima. O algoritmo 34 ilustra o l ulo do gradiente de uma funo de
variveis utilizando as abordagens dis utidas neste aptulo.

26.2. CLCULO DO VETOR GRADIENTE

Algoritmo 34 Diferenas nitas.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

//
// Rotina D i f e r e n a s _ F i n i t a s :
// Entradas : x
: v e t o r om o v a l o r das v a r i a v e i s a t u a i s
//
h
: perturba ao
//
tipo
: t i p o de d e r i v a d a
// S a i d a s :
df
: vetor gradiente
//
//
// Depende : f ( x )
: f u n a o de n v a r i a v e i s
//
fun tion [ d f = DF ( x , h , t i p o )
// Des obre o numero
n = size (x , ' r ' ) ;

de

v a r i a v e i s armazenadas no v e t o r x ( o l u n a )

// Alo a um v e t o r xp para a p l i a r as p e r t u r b a o e s
xp = z e r o s ( n , 1 ) ;
// C a l u l a f ( x ) apenas uma vez
i f tipo < 2
f0 = f (x ) ;

end

// Alo a e s p a o para o v e t o r
df = zeros (n , 1 ) ;

de

derivadas

// Faz um l o o p para p e r t u r b a r ada uma das n v a r i a v e i s de p r o j e t o


for i =1:n
se le t tipo
// D i f e r e n a s f i n i t a s a f r e n t e
a s e 0 then
// Copia e p e r t u r b a na p o s i a o d e s e j a d a
xp
= x;
xp ( i ) = xp ( i )+h ;
d f ( i ) = ( f ( xp) f 0 ) / h ;
// D i f e r e n a s f i n i t a s para t r a s
a s e 1 then
// Copia e p e r t u r b a na p o s i a o d e s e j a d a
xp
= x;
xp ( i ) = xp ( i ) h ;
d f ( i ) = ( f0 f ( xp ) ) / h ;
// D i f e r e n a s f i n i t a s omplexas
a s e 2 then
// Copia e p e r t u r b a a f r e n t e
xp
= x;
xp ( i ) = xp ( i )+h ;
ff
= f ( xp ) ;
// Perturba para t r a s
xp ( i ) = xp ( i ) 2 h ;
fa
= f ( xp ) ;
d f ( i ) = ( f f f a ) / ( 2 h ) ;
// D i f e r e n a s f i n i t a s omplexas
a s e 3 then
// Copia e p e r t u r b a a p a r t e omplexa a f r e n t e
xp
= x;
xp ( i ) = omplex ( xp ( i ) , h ) ;
d f ( i ) = imag ( f ( xp ) ) / h ;
else
d i s p ( " Tipo de d e r i v a d a nao d e f i n i d a " ) ;
end // s e l e t
end // i

endfun tion

227

228

CAPTULO 26. DERIVADA NUMRICA

Captulo 27
Integrao Numri a

Dada uma funo

[xL , xU ]

f (x),

temos que por denio a integral de Cau hy da funo no intervalo

dada por

XU

f (x) dx = lim

x0

xL

x=x
XU

f (x)x

x=xL

ou seja, o somatrio da rea de innitos retngulos de base

x e

altura

f (x).

Obviamente esta

denio matemti a no muito prti a para uma implementao numri a, uma vez que
deveramos avaliar o valor da funo em um nmero (idealmente) innito de pontos.
Exemplo: Obtenha a integral de

f (x) = 3x2 6x3

om

x [0, 1].

Analiti amente esta integral tem omo soluo

e, se dividirmos o intervalo em

10

3x2 6x3 dx =

1
2

retngulos iremos obter omo aproximao para a integral:





3x2 6x3 0 0.1 + 3x2 6x3 0.1 0.1 + 3x2 6x3 0.2 0.1 + ....... + 3x2 6x3 1.0 0.1 = 0.66

ou, om

100

retngulos

0.5151

e, om

1000

retngulos,

0.501501.

Obviamente, esta estra-

funes onstantes. Este

tgia, que podemos hamar de mtodo dos retngulos, muito pobre e s onsegue integrar
orretamente (isto , om um nmero de amostras menor do que
algoritmo est ilustrano no Alg. (35).

27.1 Regra dos Trapzios


Outra estratgia a famosa regra dos trapzios. Neste mtodo realizamos uma interpolao
linear entre dois pontos da urva (funo) e al ulamos a rea abaixo do trapzio. Desta forma,
onsiderando dois pontos

xi

xi+1

e seus respe tivos valores

abaixo do trapzio

dAi = f (xi )x +

f (xi ) e f (xi+1 ) teremos omo rea

1
(f (xi+1 ) f (xi )) x
2
229

CAPTULO 27. INTEGRA O NUMRICA

230

e, omo rea total

A=

n1
X

dAi

i=1

Exemplo: Com um

x = 0.1

teremos

1
1
1
f (0)0.1+ (f (0.1) f (0)) 0.1+f (0.1)0.1+ (f (0.2) f (0.1)) 0.1+....+f (0.9)0.1+ (f (1.0) f (0.9)) 0.1 = 0.51
2
2
2
ou, om

x = 1 102

obtemos

0.5001 e,

om

x = 1 103

obtemos

0.500001,

omo este mtodo muito mais pre iso do que o mtodo de ordem zero.
mtodo onsegue integrar orretamente uma funo de primeira ordem.

mostrando

No entanto, este

Este mtodo est

ilustrado no Alg. (36).


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

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


Se onsiderarmos trs pontos

xi , xi+1

xi+2

e seus respe tivos valores podemos realizar uma

aproximao quadrti a para o omportamento da funo, na forma

f(x) = a + bx + cx2
onde os oe ientes so obtidos por

f(xi ) = a + bxi + cx2i = f (xi )


f(xi+1 ) = a + bxi+1 + cx2i+1 = f (xi+1 ).
f(xi+2 ) = a + bxi+2 + cx2i+2 = f (xi+2 )
Como este pequeno pedao da funo tem rea onhe ida e igual a

dAi =

xi+1

a + bx + cx dx +
xi

xi+2

a + bx + cx2 dx

xi+1

podemos realizar a integrao analti a e substituir os oe ientes, obtendo

dAi =

x
[f (xi ) + 4f (xi+1 ) + f (xi+2 )] .
3

Este mtodo, por sua natureza, apaz de itegrar orretamente funes onstantes, lineares
e quadrti as.

27.3. REGRA DE SIMPSON DE TERCEIRA ORDEM (SEGUNDA REGRA DE SIMPSON)231


Exemplo: Com

x = 0.1

teremos

0.1
0.1
0.1
[f (0) + 4f (0.1) + f (0.2)] +
[f (0.2) + 4f (0.3) + f (0.4)] + ... +
[f (0.8) + 4f (0.9) + f (1.0)] = 0.5
3
3
3
sendo que este resultado j obtido om

x = 0.5

neste exemplo.

O pro edimento est

ilustrado no Alg. (37).

27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra


de Simpson)
Neste aso, aproximamos a funo por meio de uma funo bi a, na forma

f(x) = a + bx + cx2 + dx3


e, portanto, ne essitamos de 4 pontos para obrir ada um dos intevalos.

Realizando um

pro edimento anlogo ao da Primeira Regra de Simpson obtemos

dAi =

3x
[f (xi ) + 3f (xi+1 ) + 3f (xi+2 ) + f (xi+3 )]
8

onseguindo integrar exatamente at funes bi as, omo o aso do nosso exemplo. O pro edimento est ilustrado no Alg. (38).

27.4 Integrao por Quadratura


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

27.4.1 Quadratura de Gauss


A quadratura de Gauss integra exatamente um polinmio de ordem

2n 1,

onde

o nmero

de pontos utilizados para avaliar a integrao. Neste mtodo aproximamos a integral por

f (r) dr =
1

n
X

Wi f (ri )

i=1

sendo que pro edimento para obtermos os pesos e os pontos de quadratura sero apresentados
a seguir.

CAPTULO 27. INTEGRA O NUMRICA

232

Algoritmo 35 Integrao pelo Mtodo dos Retngulos.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

//
// Rotina Retangulo :
// Entradas : x l
: Extremo i n f e r i o r do i n t e r v a l o
//
xu
: Extremo s u p e r i o r do i n t e r v a l o
//
n
: Numero de i n t e r v a l o s
// S a i d a s :
area
: I n t e g r a l da fun aoo
//
//
// Depende : f ( x )
: fun ao a s e r i n t e g r a d a
//
fun tion [ area = Retangulo ( xl , xu , n )
// Cal ula o DX
h = ( xu x l ) / n ;
// I n i i a l i z a a area
area = 0 ;
// Loop p e l o s r e t a n g u l o s
for i =0:n

end

// A umula a area
area = area + f ( x l + i h ) h ;

endfun tion

27.4. INTEGRA O POR QUADRATURA

Algoritmo 36 Integrao pelo Mtodo dos Trapzios


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

//
// Rotina Trapezio :
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//

fun tion

[ area

:
:
:
:

Extremo i n f e r i o r do i n t e r v a l o
Extremo s u p e r i o r do i n t e r v a l o
Numero de i n t e r v a l o s
I n t e g r a l da fun ao

: fun ao a s e r i n t e g r a d a

= Trapezio ( xl , xu , n )

// Cal ula o DX
h = ( xu x l ) / n ;
// I n i i a l i z a a area
area = 0 ;
// I n i i a l i z a os pontos dos t r a p e z i o s
xat = x l ;
xpr = x l + h ;
// Loop p e l o s t r a p e z i o s
for i =1:n
// A umula a area
area = area + f ( xat ) h + 0 . 5 ( f ( xpr ) f ( xat ) ) h
// A t u a l i z a os pontos
xat = xpr
xpr = xat + h

end
endfun tion

233

CAPTULO 27. INTEGRA O NUMRICA

234

Algoritmo 37 Integrao pela Primeira Regra de Simpson


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

//
// Rotina Simpson1
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//

fun tion

[ area

:
:
:
:

Extremo i n f e r i o r do i n t e r v a l o
Extremo s u p e r i o r do i n t e r v a l o
Numero de i n t e r v a l o s
I n t e g r a l da fun ao

: fun ao a s e r i n t e g r a d a
= Simpson1 ( xl , xu , n )

// Cal ula o DX
h = ( xu x l ) / n ;
// I n i i a l i z a a area
area = 0 ;
//
x0
x1
x2

I n i i a l i z a os pontos das r e g i o e s q u a d r a t i a s
= xl ;
= x0 + h ;
= x1 + h ;

// Loop p e l a s r e g i o e s q u a d r a t i a s
for i =1:2: n
// A t u a l i z a a area
area = area + ( h / 3 ) ( f ( x0 ) + 4 f ( x1 ) + f ( x2 ) )
//
x0
x1
x2

A t u a l i z a os pontos
= x2
= x0 + h
= x1 + h

end
endfun tion

27.4. INTEGRA O POR QUADRATURA

Algoritmo 38 Integrao pela Segunda Regra de Simpson


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

//
// Rotina Simpson2
// Entradas : x l
//
xu
//
n
// S a i d a s :
area
//
//
// Depende : f ( x )
//

fun tion

[ area

:
:
:
:

Extremo i n f e r i o r do i n t e r v a l o
Extremo s u p e r i o r do i n t e r v a l o
Numero de i n t e r v a l o s
I n t e g r a l da fun ao

: fun ao a s e r i n t e g r a d a
= Simpson2 ( xl , xu , n )

// Cal ula o tamanho do DX


h = ( xu x l ) / n ;
// I n i i a l i z a a area
area = 0 ;
//
x0
x1
x2
x3

I n i i a l i z a os pontos
= xl ;
= x0 + h ;
= x1 + h ;
= x2 + h ;

// Loop por ada uma das r e g i o e s u b i a s


for i =1:3: n2
// A umula a area
area = area + (3 h / 8 ) ( f ( x0 ) + 3 f ( x1 ) + 3 f ( x2 ) + f ( x3 ) )
//
x0
x1
x2
x3

A t u a l i z a os pontos da r e g i a o
= x3
= x0 + h
= x1 + h
= x2 + h

end
endfun tion

235

CAPTULO 27. INTEGRA O NUMRICA

236

Considere um polinmio bi o, om a forma

p(r) = a0 + a1 r + a2 r 2 + a3 r 3

A integral deste polinmio obtida analiti amente,

om

r [1, 1].

2
p(r) dr = 2a0 + a2
3
1

e, om este resultado, podemos utilizar a forma aproximada proposta por Gauss, obtendo

X
2
Wi p(ri )
2a0 + a2 =
3
i=1
sendo que

n=2

impli a na integrao exata de um polinmio de ordem

2 2 1 = 3.

Assim,

2
2a0 + a2 = W1 p(r1 ) + W2 p(r2 )
3
ou, expandindo o polinmio,



2
2a0 + a2 = W1 a0 + a1 r1 + a2 r12 + a3 r13 + W2 a0 + a1 r2 + a2 r22 + a3 r23
3

de tal forma que podemos agrupar por oe ientes

ai

em omum, obtendo

2 = W1 + W2
0 = r1 W1 + r2 W2
2
= r12 W1 + r22 W2
3
0 = r13 W1 + r23 W2
uja soluo

r1 = 13 e r2 =
menor a 3 ser obtida

W1 = W2 = 1

polinmio de ordem igual ou

Z
Exemplo: A funo

1 .
3

Assim, a integral exata de qualquer

om duas avaliaes da funo, na forma





1
1
+1p .
p(r) dr = 1 p
3
3
1
1

f (x) = 3x2 6x3

om

x [0, 1]

no est denida no intervalo

[1, 1].

Para utilizarmos a quadratura de Gauss devemos primeiro realizar uma mudana de varivel, de
tal forma que o intervalo seja orrigido para os limites apropriados. Assim, podemos fa ilmente
veri ar que se o intervalo a ser integrado for

[xL , xU ],

r = 1 + 2
e

x=

ento

x xL
xU xL

r(xU xL ) + (xU + xL )
2

que neste aso permite obter

x=

r+1
2

27.4. INTEGRA O POR QUADRATURA

237

de tal forma que o polinmio pode ser es rito omo

p(r) = 3

r+1
2

2

r+1
6
2

3

importante salientar que ao mudarmos a varivel, estamos mudando tambm o diferen ial
da integral. Assim, para onvertermos de

dr

dr
onde

dx
dr

para

dx,

dx
= dx
dr

xU xL
e este fator deve ser SEMPRE onsiderado quando realizamos a mudana de
2

varivel.
Desta fora, nalmente podemos obter a integral

1
3
2

13 + 1
2

!2

13 + 1

!3
+ 3

1
3

+1
2

!2

1
3

+1
2

27.4.2 Integrais duplas e triplas

!3

= 0.5

Os on eitos vistos em uma dimenso podem ser estendidos para integrais em mltiplas dimenses. Desta forma, para um polimio denido em duas variveis
integral om

1
1

p(r, s)drds =

npg npg
X
X

p(r, s, t)drdsdt =

s,

podemos al ular a

p(ri , sj )Wi Wj ,

(27.1)

i=1 j=1

e, para um polinmio denido em trs variveis

r, s

t,

, podemos al ular a integral om

npg npg npg


XX
X

p(ri , sj , tk )Wi Wj Wk .

(27.2)

i=1 j=1 j=1

Uma questo que deve ser observada no l ulo da orreo entre a rea do domnio
original e do domnio normalizado.

De forma anloga ao que foi feito no aso 1D, quando

realizamos uma mudana de varivel entre um domnio

[1, 1] [1, 1],

[xl , xu ] [yl , yu ]

para um problema 2D

devemos multipli ar as integrais obtidas pela quadratura pela orreo

que a rea de domnio original pelo domnio normalizado (2

2).

|J|,

Este l ulo trivial se o

domnio original um retngulo (sem distores), mas deve ser al ulado om uidado no aso
de domnios distor idos.

Exemplo Seja o polinmio p(x, y) = 20x2 + 10xy 5y 3 no domnio [0, 5] [0, 6].

deste polinmio

850

A integral

e, se zermos as mudanas de variveis

x
5
y
s = 1 + 2
6

r = 1 + 2

(27.3)
(27.4)

CAPTULO 27. INTEGRA O NUMRICA

238

tal que o polinmio nas oordenadas

pode ser es rito omo

p(r, s) = 135s3 405s2 + (75r 330)s + 125r 2 + 325r + 65.

(27.5)

A integral por quadratura, ainda sem onsiderarmos a orreo de rea, obtida por

om


p(r, s) dr ds = 135s31 405s21 + (75r1 330)s1 + 125r12 + 325r1 + 65 W1 W1 +(27.6)
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 ,

1
r1 , s1 =
3


1
r2 , s2 =
3
W1 = W2 = 1.


Esta integral d

340
3

(27.7)

(27.8)

e, se multipli armos este valor pela proporo entre as reas, obtemos o

resultado orreto

340 6 5
= 850.
3 22

(27.9)

27.4.3 Relao entre os pontos de quadratura e os polinmios de Legendre.


Os polinmios de Legendre so obtidos omo soluo para a EDO



d
2 dPn (x)
(1 x )
+ n(n + 1)Pn (x) = 0
dx
dx
para

nN

x [1, 1]

e tem a forma

Pn (x) =
Estes polinmios so ortogonais


1 dn  2
n
(x

1)
.
2n n! dxn

Pn (x)Pm (x)dx =
1

2
mn
2n + 1

e tem omo razes as oordenadas dos pontos de quadratura de ordem

n.

27.4. INTEGRA O POR QUADRATURA

239

Tarefas:
1) Deduza as quadraturas para

n=1

(um ponto de Gauss) e para

n = 4.

Quais so os graus

dos polinmios que podem ser orretamente integrados por estas quadraturas ?
2) Integre a funo

f (x) = e3x

para

x = [2, 5]

utilizando todos os mtodos de interpolao

apresentados e ompare om a soluo analti a.


3) Obtenha a integral da funo do exer io

n=3

n = 4.

Explique o que est a onte endo.

utilizando Quadratura de Gauss para

n = 2,

240

CAPTULO 27. INTEGRA O NUMRICA

Captulo 28
Transformada Dis reta de Fourier - DFT

A Srie de Fourier de uma funo ontnua peridi a de perodo


propriedade

f (t) = f (t + ),

isto , uma funo om a

des rita pela projeo ortogonal da funo na base

 [
[
1
{cos(kt)} {sin(kt)} , k N
B=
2
onde

2
.

t [0, Tf ] s, ento
=

Se a funo for denida no intervalo

1
f (t)
= a0 +
2
sendo que os oe ientes

a0 , ak

bk

X
k=1

a srie de Fourier obtida om

{ak cos(kt) + bk sin(kt)}

(28.1)

so obtidos por meio das projees ortogonais

2
< f (t), 1/2 >
=
a0 =
< 1/2, 1/2 >

< f (t), cos(kt) >


2
ak =
=
< cos(kt), cos(kt) >

2
< f (t), sin(kt) >
=
bk =
< sin(kt), sin(kt) >

f (t) dt,

f (t) cos(kt) dt

f (t) sin(kt) dt.

Desta forma, a equao 28.1 permite es rever uma funo no tempo,

f (t),

em termos da

k ,

sendo que os

ombinao linear de funes trigonomtri as om diferentes frequn ias


oe ientes

ak

bk

permitem asso iar uma magnitude (importn ia) para ada uma destas

omponentes de frequn ia.

Por isto, tal operao dita um mapeamento do domnio da

frequn ia para o domnio do tempo.


A equao 28.1 pode ser es rita em formas alternativas, porm diferentes. Uma forma mais
ompa ta de obter estas mesma des rio utilizando a identidade de Euler,

eikt = cos(kt) + sin(kt)


241

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

242

tal que a srie de Fourier pode ser es rita omo

1 X ikt

ck e e,
f (t) = a0 +
2 k=1
omo a exponen ial de zero um, podemos in luir o termo onstante no somatrio, bastando
para isto modi ar o valor ini ial de

k,

tal que

f (t)
=

K
X

Fk eik t ,

(28.2)

k=0

onde

Fk

so as amplitudes e, para simpli armos a notao, denimos

mltiplo de

omo sendo o k-simo

Da mesma forma, devido a impossibilidade de trabalharmos om innitos valores

no somatrio, estimamos um valor limite

para o nmero de termos na aproximao.

interessante notar que a Equao 28.1 tambm pode ser es rita em outra forma alternativa,
pois

ak cos(kt) + bk sin(kt) = Rk cos(kt k )


onde

Rk =

a2k + b2k

o mdulo de uma osenoide defasada em um ngulo

k = atan2(bk /ak ).

Assim, onsiderando este resultado, podemos identi ar que a notao da Eq. 28.2 en apsula
a informao de amplitude e fase de vrias osenoides de frequn ia

k .

As equaes obtidas a ima dizem respeito a uma funo que varia ontinuamente no tempo

t.

No entanto, quando adquirimos um sinal, obtemos um onjunto dis reto de valores ao longo

do tempo. Desta forma, se o tempo for dis retizado em

t =
onde

TF

pa otes, tal que

Tf
,
N

o tempo nal, podemos es rever que o tempo em uma posio dis reta

dado por

tn = nT,
tal que a equao 28.2 se torna

fn
=
para

n [0, N 1].

K
X

Tf

Fk eik n N

k=0

Se ainda onsiderarmos que ada frequn ia

k =
e que os perodos asso iados a ada

k so

(28.3)

pode ser des rita por

2
k

pa otes dis retos do tempo total, na forma

k =

TF
k

243

ento podemos es rever a equao 28.3 omo

fn
=

K
X

Fk e2n N i .

(28.4)

k=0

A operao inversa, hamada de Dis rete Fourier Transform - DFT - permite obter os
a partir de um sinal no tempo.

Para isto, simplesmente invertemos a relao da Eq.

resultando em

Fk =

N
1
X

fn e2n N i

Fk

28.4,

(28.5)

n=0

om

k [0, K]

n [0, N 1].

uma omponente de frequn ia

Nesta equao, podemos ver que ada

2
k
Tf

k =

[rad/s],

Fk

est asso iado a

tal que esta operao um mapeamento do

domnio do tempo para o domnio da frequn ia.


Se o sinal

K/2

fn

for real, ento

Fk

simtri o onjugado, e ne essitamos somente dos primeiros

pontos para ara terizar o sinal, pois a outra parte do vetor simtri a (espelhada).

importante salientar que, mesmo no aso de


interessante, pois as partes reais e omplexas de
fase do sinal

fn .

fn

reais, temos que os

Fk

Fk

so omplexos. Isto

ontm as informaes sobre amplitude e

Assim, se

Fk = Rk + Ik i
temos que

Mk =
o mdulo do sinal na freqn ia

Rk2 + Ik2

k = tan2

Ik
Rk

(28.6)

(28.7)

Exemplo.
Seja um sinal om a forma

f (t) = 10cos(210t) + 5sin(215t)


ou seja, om um oseno de amplitude
gerarmos o sinal em um intervalo de
Se o sinal for amostrado om

2s

10

em

10Hz

e um seno de amplitude

em

15Hz .

Se

iremos obter o gr o ilustrado na gura 28.1.

N = 128

pa otes no tempo, ento teremos uma resoluo de

T = 2/128 = 0.0155625s e uma taxa de amostragem de 64Hz. Neste aso, se utilizarmos


K = N 1 = 127, ento obteremos a DFT do sinal om o algoritmo 39. Os gr os 28.2 e

28.3 mostram, respe tivamente, a parte real e a parte imaginria de

Fk , para k [0, K].

Nestes

gr os pode-se avaliar que o resultado realmente simtri o (espelhado) ao longo do eixo k.
Desta forma, ne essitamos somente dos primeiros

K/2

valores, sendo que isto est asso iado

ao fato de no termos utilizado uma extenso peridi a para avaliar o sinal em um intervalo
 onsistente de

n [N/2, N/2],

onforme apresentado no aptulo de sries de Fourier.

244

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

Figura 28.1: Sinal obtido om

f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s

N = 128.

Outro resultado interessante que vemos nos gr os o fato das amplitudes serem muito
maiores do que as observadas no sinal original (domnio do tempo). Isto se deve ao fato de
estarmos realizando um somatrio (Loop) de dimenso

para ada

K,

somado ao fato de ter-

mos a questo da simetria. Desta forma, observamos que as amplitudes devem ser es alonadas
(divididas) por um fator de

N/2.

Algoritmo 39 Algoritmo utilizado para a obteno da DFT do sinal.


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

N/2

obtemos

os gr os ilustrados nas guras 28.4 e 28.5.


Novamente, de posse das par elas reais e imaginrias obtidas por meio da DFT do sinal,
podemos al ular a magnitude a a fase do sinal, utilizando as equaes 28.6 e 28.7, resultando
nos gr os das guras 28.6 e 28.7.
O gr o da parte omplexa, juntamente om o gr o da fase, permite avaliar uma ara tersti a interessante da DFT quando apli ada a anlise modal. Quando temos um modo de
vibrao para ima e um para baixo, podemos interpretar a parte para ima omo sendo
uma omponente de um osseno e a para baixo omo a omponente de um seno. Assim, ada

245

Figura 28.2: Parte real da DFT obtida no algoritmo 39. O eixo horizontal ontm as frequn ias
em Hz orrespondente a ada posio

k.

Figura 28.3: Parte imaginria da DFT obtida no algoritmo 39. O eixo horizontal ontm as
frequn ias em Hz orrespondente a ada posio

k.

246

CAPTULO 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 frequn ias.

Figura 28.5: Parte real da DFT obtida no algoritmo 39, onsiderando o es alonamento por
e somente a metade do eixo das frequn ias.

N/2

247

Figura 28.6: Mdulo da DFT obtida no algoritmo 39, onsiderando o es alonamento por

N/2

e somente a metade do eixo das frequn ias.

Figura 28.7: Fase da DFT obtida no algoritmo 39, onsiderando somente a metade do eixo das
frequn ias.

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

248

pi o ter a parte omplexa om sinais diferentes.


interessante notar que, de posse do vetor

F,

que ontm os valores omplexos da DFT

do sinal original, possvel realizar a operao direta, isto , a Srie de Fourier, para obtermos
o sinal original. Para isto, utilizamos o algoritmo 40.

Algoritmo 40 Algoritmo para o mapeamento do domnio das frequn ias para o domnio do
tempo.

1 // Alo a o v e t o r de s a i d a
2 f = z e r o s (N, 1 )
3 for n=0:N1
4
for k=0:K
5
f ( n+1) = f ( n+1) + F( k+1) exp ( omplex (0 ,2 % p i n k/N) ) ;
6
end //n
7 end //k

28.1 Inun ia da taxa de amostragem - aliasing


O sinal do exemplo anterior foi gerado om um osseno de frequn ia

10Hz

e um seno de

15Hz. Como o nmero de pontos utilizados para amostrar o tempo foi de 128
em 2s, utilizamos uma taxa de amostragem de 64 pa otes por segundo. Esta taxa

frequn ia
pa otes

4.26

maior do que a maior frequn ia do sinal.

Para ilustrarmos o quanto a taxa de aquisio do sinal importante, vamos utilizar uma
taxa de

16

pa otes por segundo, tal que

N = 32.

Neste aso, o sinal tem a forma ilustrada no

gr o da gura 28.8, que quando omparado om o (mesmo) sinal obtido om

N = 128, gura

28.1, ilustra a falta de informaes sobre o fenmeno. Se apli armos a DFT neste sinal, iremos
obter, por exemplo, o gr o de magnitudes ilustrado na gura 28.9, que mostra laramente que
a faixa de frequn ias que a DFT onsegue al ular menor do que as frequn ias existentes
no sinal. O que est sendo al ulado uma resposta  t ia, ausada pela falta de informao
sobre o sinal verdadeiro.

a taxa de amostragem do sinal deve ser no mnimo maior do que duas vezes a maior frequn ia
que ser quer obter. Novamente, podemos utilizar esta regra e o onhe imento sobre o nosso
Desta forma, podemos denir a famosa Regra de Nyquist, que diz que

exemplo para denir que omo a maior frequn ia de

2s,

ento

N = 15 2 2

15Hz

e estamos amostrando um sinal de

deve ser su iente. Utilizando a potn ia de

mais prxima,

N = 64,

obtemos o sinal dis reto ilustrado na gura. A gura mostra que j possvel identi ar as
ara tersti as de mais alta frequn ia do sinal. No entanto, omo a faixa de frequn ia que

16Hz , pois 64 pacotes/2 segundos = 32, e omo utilizamos


fmax = 32/2 = 16Hz , no iremos onseguir des rever as urvas

estamos aptos a des rever de


somente metade do espe tro,

em todos os detalhes, omo ilustrado na gura 28.11.


A gura 28.12, retirada de

http://www.dspguide. om/ h3/2.htm ilustra este omportamento

de forma muito didti a. Como ilustrado na gura, uma taxa de amostragem equivo ada pode,

28.1. INFLUNCIA DA TAXA DE AMOSTRAGEM - ALIASING

Figura 28.8: Sinal

f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s

249

N = 32.

Figura 28.9: Mdulo da DFT obtida utilizando o sinal amostrado om

N = 32.

250

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

Figura 28.10: Sinal obtido om

f (t) = 10cos(210t) + 5sin(215t) t [0, 2]s

Figura 28.11: Mdulo da DFT obtida utilizando o sinal amostrado om

N = 64.

N = 64.

28.2. DFT COMO UM FILTRO DIGITAL - SPECTRAL LEAKAGE

251

in lusive, des rever um sinal que no tem qualquer relao om o sinal que est sendo medido
(d).

Figura 28.12: Expli ao sobre o

aliasing.

Retirado de

http://www.dspguide. om/ h3/2.htm.

28.2 DFT omo um Filtro Digital - Spe tral

Leakage

Da teoria apresentada no omeo deste aptulo,  a laro que a DFT onsegue des rever o
espe tro de frequn ias de um sinal no tempo somente em unidades dis retas de frequn ia

wk =

2
k.
Tf

mltiplo de

Assim, se analizarmos um ou mais perodos de um sinal peridi o om perodo

N,

iremos obter todas as frequn ias orretamente.

muito espe  a e esperamos que existam frequn ias

k em

No entanto, esta situao

j diferentes

das frequn ias dis retas

um sinal qualquer.

Para entendermos o que o orre neste aso, podemos interpretar a DFT de forma semelhante
ao que zemos na deduo da srie de Fourier, onde uma funo no tempo,fn , projetada em
uma base sele ionada.

Neste aso, omo estamos trabalhando no domnio das frequn ias,

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

252

utilizamos a base

B = {eik nTf }, n [0, N 1],


que realmente no tem o expoente negativo, omo veremos logo abaixo.
Assim, o oe iente

Fk

somatrio

Fk =

asso iado a uma dada frequn ia angular

do sinal dado por um

N
1
X
< fn , eik nTf > ik nTf
e
=
Wk eik nTf
< eik nTf , eik nTf >
n=0

N
1
X
n=0

(28.8)

onde

fn = eij nTf
um sinal senoidal om amplitude unitria e uma frequn ia angular

espe  a (ou seja,

um sinal bem simples para que ns possamos estudar as propriedades desta transformao) e

Wk a amplitude de ada projeo na direo de ada base. Assim, omo visto anteriormente,
Fk ir onter as amplitudes do sinal em ada frequn ia, que neste aso deveria ser nulo para
k 6= j
os Wk

toda a frequn ia
Desenvolvendo

(j que a amplitude do sinal onsiderado unitria) se

Wk =
onde

eik nTf

PN 1
n=0

k = j .

fn eik nTf
N

o omplexo onjugado da base (mantm a parte real igual mas muda o sinal da

parte omplexa). Assim, desenvolvendo ainda mais

N
1
X

ik nTf

fn e

n=0

N
1
X

Wk

ij nTf ik nTf

fn e

obtemos, para o termo

n=0

N
1
X

fn ei(j k )nTf

n=0

e esta srie tem omo resultado

N
1
X

fn ei(j k )nTf =

n=0

1 ei(j k )N Tf
1 ei(j k )Tf

que pode ser desenvolvida em termos de funes trigonomtri as, resultando em

i(j k )N Tf

T
1e
i(j k )(N 1) 2f
=
e
1 ei(j k )Tf

Assim,

Wk =

1
e
N

T
i(j k )(N 1) 2f

assumindo um valor unitrio quando


se

no for um mltiplo inteiro de

j = k e
k ,

faz om que seja obtida uma amplitude


amostrada para o sinal !



T
sin (j k ) N 2f

 .
Tf
sin (j k ) 2



T
sin (j k ) N 2f


T
sin (j k ) 2f

zero para multiplos inteiros de

observamos que

Fk

Wk

k .

No entanto,

diferente de zero, fato este que

no nula para uma frequn ia que no est sendo

28.2. DFT COMO UM FILTRO DIGITAL - SPECTRAL LEAKAGE


Assim, omum na literatura apresentar o DFT omo um
a amplitude

Wk

253

ltro digital para ada k, pois

propor ional, em mdulo, a



sin ( ) N Tf
j
k

2
1


|Wk | =

N sin ( ) Tf
j
k 2

que a sada do ltro, que pode ser visualizada na gura 28.13. Conforme pode ser visto na

lobulos, que so os saltos


maior dos saltos o lbulo prin ipal e os demais so os lbulos laterais.
abs(sin(16*(3.141592653589793-w)))/(32*abs(sin((3.141592653589793-w)/2)))

gura, o padro geomtri o da sada do ltro em

no gr o. O

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0

Figura 28.13: Amplitude de sada do ltro digital asso iado a projeo de uma senoide de
frequn ia

wj = [rad/s

para

N = 32).

k [0, 2]

om

k
= 0.1963[rad/s

(Tempo nal de

1s

Como pode ser visto na gura, a ampli ao do ltro zero nos mltiplos inteiros do
intervalo de frequn ia e diferente de zero para outros valores de frequn ia, omo dis utido anteriormente. Novamente, omo esperado, observamos que a amplitude unitria na frequn ia

j .

Outro fato intressante, que o aumento do

no modi a este omportamento.

Uma interpretao intressante deste fenmeno que estamos trun ando os sinais om
frequn ias diferentes das

ao adquirirmos o sinal em um tempo diferente de um mlti-

plo inteiro destas frequn ias. Este orte faz om que a resposta seja a observada no gr o
da gura 28.13.

O interessante desta observao que justamente esta a motivao para

denirmos as janelas, que so tratamentos matemti os que permitem minimizar este efeito.

28.2.1 Janelamento
Uma janela (

window ) uma funo que zera um sinal que se en ontra fora de uma determinada

faixa de valores de tempo. A janela mais simples que existe a janela retangular, ujo efeito
ilustrado na gura 28.14, onde as omponentes do osseno que se en ontram fora da faixa

t [10, 90]s
de pa otes,

so zeradas.

N,

Isto faz om que seja possvel trun ar o sinal em um nmero xo

que seja equivalente a um mltiplo das frequn ias que se quer determinar,

CAPTULO 28. TRANSFORMADA DISCRETA DE FOURIER - DFT

254

minimizando assim o efeito do vazamento de frequn ias dis utido anteriormente.

Figura 28.14: Sinal (em verde ) e Janela retangular (em azul) na esquerda e sobreposo do
sinal om a janela (direita).

No aso ilustrado na gura, zemos justamente o ontrrio, de modo que a janela tran a
o sinal em um mltiplo no inteiro da frequn ia do osseno.

Assim, se zermos uma DFT

do sinal do gr o da direita na gura 28.14, iremos obter o mdulo

Mk

ilustrado no gr o

da gura 28.15, que ilustra laramente o fenmeno de vazamento asso iado ao trun amento do
sinal em um nmero no inteiro da frequn ia (
arti iais, de orrentes dos lbulos laterais.

= [rad/s).

Todos os pi os para

6=

so

Figura 28.15: DFT do sinal obtido om o osseno e a janela retangular, gura 28.14

Existem diversas opes de janelas, ada uma om suas ara tersti as. Suas apli aes e
dedues saem do es opo deste texo, sendo que o leitor interessado deve pro urar a literatura
espe ializada.

Parte III
Equaes Diferen iais

255

Captulo 29
Equaes diferen iais

29.1

Classi ao e Exemplos

Equao diferen ial uma equao que apresenta derivadas ou diferen iais de uma funo
des onhe ida ( hamada de varivel dependende). Se a funo a determinar depender de apenas
uma varivel independente, dizemos que a equao diferen ial

ordinria

(EDO), podendo

ser es rita na forma

F (x, y(x), y (x), ....., y n (x)) = 0


om

sendo a varivel independente e

y(x)

a varivel dependente. Se a funo a determinar

depender de mais de uma varivel independente a equao diferen ial dita

par ial (EDP),

podendo ser es rita na forma

F (x, y, z, w(x, y, z), w x (x, y, z), .....) = 0


onde

x, y

so variveis independentes e

Quanto a lassi ao, dizemos que a

w(x, y, z)

a varivel dependente.

ordem de uma equao diferen ial est asso iada a

mais alta ordem de diferen iao que existe na equao diferen ial. Assim, em ordem res ente:

dy(x)
= a
dx
d2 y(x) dy(x)
+
= y(x)
dx2
dx
temos uma EDO de primeira ordem e uma EDO de segunda ordem.
O

grau de

uma equao diferen ial o expoente a qual est elevado a derivada de maior

ordem da equao diferen ial. Assim, na equao

d2 y(x)
+
dx2

dy(x)
dx

2

= y(x)

de primeiro grau, pois a maior derivada (ordem) est sendo elevada a 1.


257

Desta forma, a

CAPTULO 29. EQUAES DIFERENCIAIS

258

equao

d2 y(x)
dx2

3

dy(x)
dx

2

= y(x)

de ter eiro grau.


Uma equao diferen ial dita

linear se tem a forma

dn1 f (x)
dn f (x)
+
C
(x)
+ . . . + C0 (x)f (x) = g(x)
n1
dxn
dxn1
so funes lineares de x e a equao diferen ial de primeiro

Cn (x)
onde os oe ientes

g(x)

for nulo, a equao dita

grau. Se

homognea linear.

Um exemplo muito simples de equao diferen ial a onduo de alor unidimensional.

k , perfeitamente isolada ao longo do seu


omprimento e submetida a duas temperaturas impostas em suas extremidades: T (x = 0) = T0
Seja uma barra de material om ondutividade trmi a

T (x = L) = TL .

Figura 29.1: Conduo de alor em uma barra

Se extrairmos um elemento diferen ial

dx[m]

ao longo do omprimento, podemos realizar

um balano de uxo de alor. Para isto, iremos onsiderar o uxo de alor que entra no volume
diferen ial,

qx [J/m2 ]

e o uxo de alor que sai,

qx + dqx .

O termo

dqx

onsiderado para

levarmos em onsiderao os a rs imos asso iados ao termo de gerao volumtri a de alor,

Q[J/m3 ]

que podem estar presentes no interior do orpo. Assim, no volume, teremos

qx dA + (qx + dqx )dA + QdV = 0


omo ondio para equilbrio de uxos (aqui foi adotada a notao de sinais usual no teorema

dA = dydz
e dV = dxdydz . Simpli ando a equao e dividindo todos os termos restantes por dV obtemos
da divergn ia, onde o que "entra" no volume negativo). Nesta equao temos que

dqx
+ Q = 0.
dx
Se onsiderarmos, por simpli idade, que o termo de gerao de alor nulo (vamos deixar
isto para a dis iplina de transfern ia de alor), obtemos uma equao diferen ial ordinria

29.1.

CLASSIFICA O E EXEMPLOS

259

x), de primeira ordem e de primeiro grau, om varivel dependete qx (x).


quisermos obter o ampo de temperaturas, T (x), devemos modi ar esta equao, inserindo

(varivel dependente
Se

a relao entre o uxo de alor e a temperatura. Utilizando a lei de Fourier,

qx = k

dT (x)
dx

obtemos



dT (x)
d
k
=0
dx
dx
que uma EDO de segunda ordem e de primeiro grau. A lei de Fourier, que rela iona um uxo
a outra grandeza, por meio de uma ou mais propriedades do material, omumente hamada
de

relao onstitutiva.
Como

onstante, podemos solu ionar esta equao por dupla integrao, de tal forma

que a soluo ser dada por

T (x) = C1 x + C2
om

C1

C2

onstantes. Estas onstantes podem assumir valores arbitrrios, denindo assim

um nmero innito de retas que satisfazem a equao diferen ial.


omportamento espe  o, no aso

T (x = 0) = T 0

T (x = L) = TL ,

Para representarmos um
devemos onsiderar estas

informaes na obteno das onstantes, parti ularizando assim a soluo. Estas informaes
so hamadas de

De

ondies de ontorno, podendo ser:

Diri hlet (tambm onhe idas omo essen iais ou de primeiro tipo), quando tra-

zem informaes sobre o valor da funo em pontos do ontorno;


De

Neumman (tambm onhe idas omo naturais ou de segundo tipo), quando tra-

zem informaes sobre a derivada da funo em pontos do ontorno;


De

Robin (tambm onhe idas omo de ter eiro tipo) quando so expressas omo uma

ombinao linear de valores da funo em pontos de ontorno om valores da derivada


da funo nestes mesmos pontos.

No nosso exemplo, dadas as informaes sobre as temperaturas no ontorno do domnio 1D


(extremos do intervalo), podemos identi ar duas ondies de ontorno essen iais:
e

T (L) = TL ,

T (0) = T0

resultando em

T (0) = T0 = C1 + C2 0
T (L) = TL = C1 + C2 L
tal que

C1 = T0

C2 =

TL T0
e,
L

para estas ondies de ontorno T (x) = T0 + TLLT0 x.

Caso as informaes sobre o ontorno fossem diferentes, no iriamos modi ar a resposta da


equao geral de nossa EDO. Supondo, por exemplo, que

qx (0) = q0

(entrando) e

T (L) = T1 ,

CAPTULO 29. EQUAES DIFERENCIAIS

260

x = 0 e uma ondio essen ial em x = L.

ento teremos uma ondio de ontorno natural em


Utilizando a lei de Fourier, temos que

dT (x)
= q0
dx
T (x) = C1 + C2 x, obtemos
k

tal que, utilizando a soluo geral

kC2 = q0 C2 =
e, om a ondio de ontorno essen ial em

x=L

q0
k

obtemos

parti ular se torna

T (x) = T1

C1 = T1

q0 L
, tal que a soluo
k

q0 L q0
+ x.
k
k

interessante notar que uma mesma equao diferen ial pode ser utilizada para modelar
problemas fsi os ompletamente diferentes.
deslo amento axial de uma barra de rea

Caso o problema em questo seja o de obter o

A e mdulo de elasti idade longitudinal E

onstantes,

de a ordo om a gura abaixo. Neste aso, podemos realizar o balano diferen ial dos uxos
(tenses normais) no ontorno do elemento diferen ial (aqui iremos utilizar a notao artesiana,
om positivo na direo de

e negativo se oposto), tal que o somatrio de foras em

resulta

em

Figura 29.2: Barra engastada submetida a trao no ontorno livre.

dxx
= 0.
dx
A relao onstitutiva dada pela famosa lei de Hooke

xx = Ex x = E

du(x)
dx

permitindo obter uma equao diferen ial de segunda ordem em termos dos deslo amentos
axiais,

u(x)

29.1.

CLASSIFICA O E EXEMPLOS

261



d
du(x)
E
= 0,
dx
dx
om soluo geral

u(x) = C1 + C2 x

( omparar om a soluo da onduo de alor).

No

problema foram informadas duas ondies de ontorno: uma essen ial (deslo amento zero em

x = 0)

e uma natural (trao imposta em

x = L.

Com a primeira informao obtemos

C1 = 0

e, om a segunda

du(L)
q0
= q0 C2 =
dx
E

tal que a soluo ser

u(x) =

q0
x
E

ou, onsiderando que a trao no ontorno seja apli ada de forma homognea sobre a rea
ento

q0 =

F
, tal que
A

u(x) =

A,

F
x.
EA

Um fato interessante que um mesmo fenmeno pode ser modelado por equaes diferen iais
ordinrias ou par iais, dependendo do modelo.

A onduo de alor 1D, estudada a pou o,

quando estudada em 2 ou 3 dimenses gera uma equao diferen ial par ial.
Seja um elemento diferen ial bidimensional para o problema de onduo de alor

Figura 29.3: Elemento innitesimal 2D para onduo de alor.


ento o balano permite obter

qx dA + (qx + dqx )dA qy dA + (qy + dqy )dA + QdV = 0


tal que, uma vez simpli ado e normalizado pelo diferen ial de volume, resulta em

dqx dqy
+
+ Q = 0,
dx
dy
que o divergente do vetor uxo (div

q + Q = 0).

Introduzindo a relao onstitutiva bidi-

mensional para um material isotrpi o

q = KT =

k 0
0 k

!(

dT (x,y)
dx
dT (x,y)
dy

CAPTULO 29. EQUAES DIFERENCIAIS

262

obtm-se nalmente uma equao diferen ial par ial, na forma





d
dT (x, y)
d
dT (x, y)
k
+
k
+ Q(x, y) = 0
dx
dx
dy
dy

ou

2 T (x, y) = Q(x, y)
onde

onhe ido omo operador de Lapla e (Lapla iano) e a equao re ebe o nome de

equao de Poisson.

Caso o termo fonte seja nulo, ento hamamos a equao de EDP de

Lapla e.

29.2 Equaes Diferen iais omo Operadores


Conforme visto nas sees anteriores, podemos interpretar uma equao diferen ial omo sendo
a apli ao de um operador (Linear ou no), sobre uma funo, mapeando esta para um outro
espao vetorial. Assim, a equao diferen ial

2 T (x, y) = Q(x, y)
pode ser intepretada omo a apli ao do operador

Q(x, y).

para o ampo es alar

2 sobre o ampo es alar T (x, y), mapeando

Assim, podemos utilizar toda a teoria vista na primeira parte da

matria para estudar as propriedades de uma equao diferen ial, omo se esta fosse a simples
apli ao de um operador.

Em espe ial, aso os espaos vetoriais sejam nito dimensionais,

ento o operador poder ser es rito na forma matri ial.

29.3 Equaes Diferen iais Par iais Lineares


Uma EDP linear tem a forma geral

Afxx + 2Bfxy + Cfyy + Dfx + Efy + F f + G = 0


onde
e

fxx denota derivada segunda em relao a x, por exemplo.

Os oe ientes

A, B, C, D, E, F

dependem apenas das variveis independentes, tendo omo requisito a ondio

A2 + B 2 + C 2 6= 0.
Quanto a lassi ao, as EDP lineares podem ser lassi adas omo:

Hiperbli as se

Elpti as se

Parabli as se

onde

>0

<0

= B 2 4AC

(pois a expresso a mesma de uma hiprbole),

(pois a expresso a mesma de uma elipse),

=0

(pois a expresso a mesma de uma parbola),

o dis riminante da EDP. Alguns exemplos:

29.3. EQUAES DIFERENCIAIS PARCIAIS LINEARES

fxx fyy = 0

hiperbli a;

fxx + fyy = 0

Elpti a;

fxx fy = 0

263

parabli a;

Equaes de Lapla e e de Poisson so elpti as;

Equao da onda hiperbli a;

Equao de Fourier parabli a;

importante salientar que a lassi ao da EDP permite a avaliao de quais mtodos de


soluo podero ser empregados para a sua orreta soluo numri a. Ainda mais interessante,
a interpretao fsi a asso iada a esta lassi ao, pois:

Hiperbli a: Est asso iada a leis de onservao, omo no aso do teorema da divergn ia. Neste tipo de equao diferen ial, a soluo se omporta omo a propagao de uma
onda, ou seja, se apli armos uma perturbao nas ondies de ontorno ou nas ondies
ini iais, ada ponto do domnio demora um erto tempo para sentir o efeito.

Elpti a: Suas solues no podem ter des ontinuidades nas derivadas. Diferentemente
das equaes hiperbli as, no existe uma propagao de informao ao longo do domnio,
tal que este tipo de equao adequado para des rever problemas que no dependam do
tempo.

Parabli a: Est asso iada a problemas uja soluo se omporta de forma semelhante a
difuso de alor em um slido, ao longo do tempo.

264

CAPTULO 29. EQUAES DIFERENCIAIS

Captulo 30
Mtodo dos Resduos Ponderados

Considere uma equao diferen ial

F (x, y(x), yx (x), ..., y(n) (x)) = 0


x [0, L]. Sabemos que a soluo desta equao diferen ial uma funo (varivel
n
dependente) y(x), que deve ser n-diferen ivel, ou seja, perten ente ao onjunto de funes C .
om

Ainda,

y(x) deve

satistazer a equao diferen ial em

todos os pontos do domnio (x [0, L]).

Supondo, por um momento, que tenhamos uma funo


diferen iabilidade e as ondies de ontorno, mas que
Neste aso, a introduo de

y(x)

y(x)

que satisfaa os requisitos de

no solu ione a EDO em todos os pontos.

na equao diferen ial ir resultar em

F (x, y(x), yx (x), ..., y(n) (x)) = r(x)


onde

r(x)

onhe ido omo resduo. Obviamente, se

y(x) = y(x) = r(x) = 0.

Assim, uma

boa soluo ser aquela que minimiza o resduo, sendo justamente esta estratgia utilizada nos
mtodos que sero abordados aqui.
A satisfao da equao diferen ial em todos os pontos, oforme visto a ima, torna o pro edimento de soluo bastante ompli ado. Assim, ao invs do requisito
podemos bus ar a soluo

forte ou ponto a ponto,

fra a (no sentido de onvergn ia) por meio de um fun ional linear
< r(x), w(x) >= 0

onde

w(x) onhe ida omo funo teste (ou peso).

Esta expresso nada mais , no espao das

funes, do que

r(x)w(x) dx = 0

que pode ser interpretada omo uma mdia ponderada (por


do domnio de soluo, dando origem ao nome

w)

da funo resduo ao longo

resduos ponderados.

265

Certamente, podemos

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

266

realizar uma interpretao mais geomtri a, uma vez que sabemos que a ondio

< r(x), w(x) >= 0


impli a em

ortogonalidade entre a funo resduo e a funo teste.

Assim, podemos dizer que

estamos ortogonalizando o resduo em relao a um espao, denido pelas funes teste.


Exemplo: Vamos onsiderar a equao diferen ial

d2 T (x)
= 1,
dx2

x (0, 1)

om

T = 0 em x = 0 e em x = 1
om soluo exata

x x2
T (x) = + .
2
2
Supondo que seja es olhida uma funo

T (x) = a0 sin( x)
para aproximarmos a equao diferen ial, ento veri amos que esta satisfaz o grau de diferen iabilidade ne essria e satisfaz as ondies de ontorno. O resduo ser

r(x) =

d2 T(x)
1
dx2

tal que sua ortogonalizao em relao a uma funo peso

1
0

w(x)

resulta em

!
d2 T (x)
1 w(x) dx = 0
dx2

ou, desenvolvendo a derivada e agrupando os termos,

1
2

a0 sin(x)w(x) dx =

Neste ponto  a laro que a es olha de

w(x)

w(x) dx.

ir denir a qualidade da aproximao. De

w(x) levam a diferentes mtodos de soluo.


para a aproximao de T (x) faz om que

fato, diferentes es olhas para


espao que foi utilizado

w(x) = b0 sin(x)
tal que

1
2

a0 sin(x)b0 sin(x) dx =

b0 sin(x) dx.

Es olhendo o mesmo

267

resultando em

a0 b0

2
4
2
= b0 = a0 = 3
2

tal que a melhor aproximao ( onsiderando estes espaos) ser:

4
T (x) = 3 sin(x).

A gura 30.1 mostra a soluo exata sobreposta a aproximao obtida, bem omo o omportamento do resduo.

Figura 30.1: Aproximao obtida para

w(x) = b0 sin(x)

(topo) e funo resduo (embaixo)

interessante notar que podemos lanar mo de outas funes de ponderao. Por exemplo,
podemos utilizar

w(x) = b0 (x 0.5)
que um delta de dira entrado em

x = 0, 5.

A expresso se torna

1
2

a0 sin(x)b0 (x 0.5) dx =

b0 (x 0.5) dx.

268

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

tal que

a0 b0 sin
resultando em

 
2

= b0 = a0 =

T (x) =

1
sin(0.5)

1
sin(x),
sin(0.5)

om o gr o ilustrado na gura 30.2.

Figura 30.2: Aproximao obtida para

Por m, podemos onsiderar

w(x) = b0 (x 0.5)

w(x) = H(0) H(1),

(topo) e funo resduo (embaixo)

orrespondendo a funo degrau (Hea-

viside) ativa somente no domnio, tal que

1
2

a0 sin(x)b0 dx =

b0 dx.

resultando em

2a0 b0 = b0 = a0 =

1
2

269

tal que

1
TH (x) = sin(x),
2
om o omportamento ilustrado no gr o da gura 30.3.

Figura 30.3: Aproximao obtida para

w(x) = b0 H(0)

(topo) e funo resduo (embaixo)

importante notarmos que os uxos (ou seja, a derivada de


qualidade de aproximao. O uxo analti o obtido om

qanalitico =

dT (x)
= x 0.5
dx

e os demais uxos so

qT =
qT =

4 cos ( x)
,
2

cos ( x)
,
sin (0.5 )

T)

no apresentam a mesma

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

270

qTH =

cos ( x)
.
2

A gura 30.4 apresenta o omportamento dos uxos ao longo do omprimento, para todos
os asos estudados aqui.

Figura 30.4: Fluxos obtidos om as diferentes estratgias.

Para ilustrar omo este pro edimento pode ser estendido para bases de maior ardinalidade,
vamos onsiderar uma aproximao na forma

T (x) =

n
X

ak sin(kx)

k=1

onde  a laro que esta ombinao linear satistaz as ondies de ontorno e os requisitos de
ontinuidade. Para

n = 3,

por exemplo, temos

T (x) = a1 sin(x) + a2 sin(2x) + a3 sin(3x)


e, se utilizarmos omo funo peso uma funo do mesmo espao, ento

w(x) = b1 sin(x) + b2 sin(2x) + b3 sin(3x)


resultando em

r(x) =

d2 T(x)
1
dx2

tal que sua ortogonalizao em relao a uma funo peso

w(x)

resulta em

271

!
d2 T (x)
1 w(x) dx = 0
dx2

1
0

ou, aps alguns l ulos

tal que, agrupando por

bi ,

2 b3 + 6 b1
9 2 a3 b3 + 4 2 a2 b2 + 2 a1 b1
=
2
3
obtemos:

2
2 a1
=
2

2 2 a2 = 0

resultando em

a1 = 43 , a2 = 0

2
9 2 a3
=
2
3

a3 = 2743

tal que

4
4
T(x) = 3 sin(x)
sin(3x)

27 3
om o omportamento ilustrado na gura 30.5

Figura 30.5: Soluo om 3 termos

Com esta soluo melhorada ou

renada, observamos uma melhora signi ativa no l ulo

de uxos, onforme ilustrado na gura 30.6.

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

272

Figura 30.6: Fluxo da soluo om 3 termos.

Tarefa:
Solu ione o problema dis utido a ima, onsiderando que a funo

T (x)

aproximada por um

polinmio de segunda ordem, para as seguintes funes peso:

w(x)

no mesmo espao de

w(x)

omo uma ombinao linear de 3 funes

w(x)

omo uma ombinao linear de 3

T (x)

(mesma base);

om entros distintos (utilize pontos

no domnio, igualmente espaados);

Heavisides.

Di a:

H =1

em ada um dos trs

intervalos, e zero nos demais.

Agora ompare as solues obtidas om a soluo analti a e faa uma anlise dos resultados.
Continuando, podemos veri ar aps o extenso exemplo dis utido a ima que o mtodo
depende de duas es olhas importantes:

Da lasse de funes utilizadas para des rever a varivel dependente da equao diferen ial
(aproximao);
Da lasse de funoes utilizadas para a funo teste.

Em espe ial, tivemos o uidado de sele ionar uma famlia de funes

Satiszesse as ondies de ontorno;

Perten esse ao espao das funes

T (x)

que:

2
diferen iveis (C ).

A primeira ondio fundamental, embora possamos trabalhar um pou o mais a abordagem


utilizada no primeiro exemplo, de modo a relaxar ainda mais os requisitos de soluo.

273

Em espe ial, vamos onsiderar novamente a nossa equao diferen ial

d2 T (x)
= 1,
dx2

x (0, 1)

e a ortogonalizao de seu resduo

!
d2 T(x)
1 w(x) dx = 0.
dx2

Reagrupando a equao, obtemos

e, apli ando

1
0

d2 T (x)
w(x)dx =
dx2

w(x)dx

integrao por partes no lado esquerdo, obtemos


dT
w(x)n|10
dx

dT (x) dw(x)
=
dx
dx

w(x)dx

de onde podemos identi ar os seguintes resultados:

A integral de domnio agora ontm derivadas de primeira ordem, tanto de


de

T (x)

quanto

w(x);

Surgiram termos de ontorno ( omo nosso exemplo 1D , o ontorno onsiste em

x = 1), dependentes dos valores do uxo dTdx(x) e de w(x) nestas posies.

x=0

O primeiro item indi a que graas a este simples pro edimento de integrao por partes
podemos pro urar a soluo aproximada,
aso, funes da lasse

T(x)

em um espao menos restrito do que

C2

(neste

satisfazem a relao).

O segundo item tambm interessante, pois pelo pro edimento de integrao por partes
obtivemos naturalmente o uxo no ontorno. Por este motivo, estas ondies de ontorno so
hamadas de "naturais". Ainda, se assumirmos que
ontorno essen iais de
em

x=0

ou em

x=1

T (x),

w(x)

tem que satisfazer as ondies de

ento veri amos que sempre saberemos ao menos um dos valores

( ontorno).

Como exemplo, vamos onsiderar a nossa equao diferen ial om as seguintes ondies de
ontorno:

T (0) = 0 e

dT (1)
=2
dx

e vamos pro urar a nossa soluo em um espao de polinmios de segundo grau, ie, om base

B = 1, x, x2 .

De modo a satisfazer a ondio de ontorno essen ial em

om equaes do tipo

T (x) = a1 x + a2 x2

x = 0 podemos trabalhar

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

274

e, omo funo teste, podemos utilizar

w(x)

des rita no mesmo espao, ou seja

w(x) = b1 x + b2 x2 .
Assim, inserindo estas informaes em

dT
w(x)n|10
dx

dT (x) dw(x)
=
dx
dx

w(x)dx

obtemos, para a integral de domnio no lado esquerdo,

1
0

(4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
dT(x) dw(x)
=
dx
dx
3

para a integral de domnio no lado direito

w(x)dx =

para o ontorno em

x=0

2 b2 + 3 b1
6

(2a2 x + a1 ) 0
e, para o ontorno em

x = 1,

2 b1 1 + b2 12 .

Assim, agrupando todos os termos, obtemos

de tal



 (4 a2 + 3 a1 ) b2 + (3 a2 + 3 a1 ) b1
2 b2 + 3 b1
2 b1 1 + b2 12 0
=
3
6
forma que, agrupando por termos de b em omum, obtemos
3 a2 + 3 a1
1
=
3
2
4 a2 + 3 a1
1
b2 ) 2
=
3
3
b1 ) 2

e, organizando na forma

Ax = b,

obtemos

3 3
3 4
tal que

a1 = 1

a2 = 0, 5.

!(

a1
a2

Com isto, obtemos uma soluo aproximada

1
T (x) = x + x2
2
om

9
2

dT (x)
= 1 + x.
dx

275

Que a soluo exata para o problema. Poderamos ter utilizado um espao mais simples
(graas a integrao por partes), de tal forma que

T(x) = a1 x
e, neste aso,

a1 =

3
, que a melhor aproximao possvel neste espao.
2

O poder da integao por partes  a mais evidente no aso de uma equao de quarta
ordem, omo no aso da famosa equao da linha elsti a de uma viga longa. Esta equao
dada por

d4 v(x)
= q(x)
dx4
onde E o mdulo de elasti idade longitudinal, I o momento de inr ia da seo transversal,
q(x) um arregamento distribudo e v(x) o deslo amento transversal ao longo do ompriEI

mento. Outras medidas que esto asso iadas a esta equao diferen ial so a rotao da linha
elsti a

(x) =
o esforo ortante

V (x) =

dv(x)
dx

d3 v(x)
dq(x)
=
dx
dx3

e o momento etor

M(x) =

d2 v(x)
dV (x)
=
dx
dx2

Neste aso, podemos denir o resduo omo

r(x) = EI

d4 v(x)
q(x)
dx4

tal que o pro edimento de ortogonalizao do resduo resulta em


d4 v(x)
q(x) w(x)dx = 0
EI
dx4

d4 v(x)
w(x)dx =
EI
dx4

ou

q(x)w(x)dx.

Por estas equaes  a laro que o espao de funes que satisfaz esta equao diferen ial
da lasse

C 4,

o que bastante restritvo. Com o objetivo de amenizar este requisito, podemos

realizar uma integrao por partes no termo da esquerda, resultando em

d3 v(x)
EI
w(x)|L0
dx3

EI

d3 v(x) dw(x)
dx
dx3
dx

de onde podemos veri ar que mais uma integrao por partes ainda possvel.
mais uma integrao por partes na integral de domnio, obtemos

Efetuando

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

276

d2 v(x) dw(x) L
|
EI
dx2
dx 0

d2 v(x) d2 w(x)
,
EI
dx2
dx2

d3 v(x)
d2 v(x) dw(x) L
L
EI
w(x)|

EI
| +
0
dx3
dx2
dx 0

d2 v(x) d2 w(x)
=
EI
dx2
dx2

resultando em

Neste ponto, podemos veri ar que aps

duas

presso que impoe um requisito de ontinuidade

q(x)w(x)dx.

integraes por partes obtivemos uma ex-

para

v(x)

w(x).

Alm disto, temos os

termos de ontorno:

d3 v(x)
EI
w(x)
dx3 }
| {z

om o primeiro termo orrespondendo a

v(x)

no ontorno, e

V (x)

e o segundo om o mesmo omportamento de

d2 v(x) dw(x)
EI
dx2 } dx
| {z

om o primeiro termo orrespondendo a

M(x)

e o segundo a

(x)

no ontorno.

Considerando o aso de uma viga engastada submetida a um arregamento

q(x) = q0 ,

de

a ordo om a gura 30.7

Figura 30.7: Viga engastada submetida a um arregamento onstante.

e onsiderando um polinmio bi o da forma


nulos para satisfazer a ondio de que

v(0) = 0,

v(x) = a0 + a1 x + a2 x2 + a3 x3

om

temos que

v(x) = a2 x2 + a3 x3
e

w(x)

= b2 x2 + b3 x3
tal que

EI


d2 v(x) d2 w(x)
3
2
=
EI
12
a
b
L
+
(6
a
b
+
6
a
b
)
L
+
4
a
b
L
,
3
3
2
3
3
2
2
2
dx2
dx2

a0

a1

277

Z
om

w(0) = (0) = 0,

L
0

q0 (3 b3 L4 + 4 b2 L3 )
q0 w(x)dx =
12

devido ao engaste, e

resultam em valores nulos (

V (L) = M(L) = 0.

para este exemplo).

Assim, os termos de ontorno

Agrupando os termos, obtemos

 q0 (3 b3 L4 + 4 b2 L3 )
EI 12 a3 b3 L3 + (6 a2 b3 + 6 a3 b2 ) L2 + 4 a2 b2 L =
12

tal que, separando por termos omuns em b, obtemos

b2 ) 6EI a3 L2 + 4EI a2 L =

q0 L3
3

b3 ) 12EI a3 L3 + 6EI a2 L2 =

q0 L4
4

dando origem ao sistema linear

EI
om soluo

a2 =

5q0 L2
e
24EI

4L 6L2
6L2 12L3

q0 L
a3 = 12EI
,

!(

a2
a3

q 0 L3
3
q 0 L4
4

tal que

v(x) =

q0 L 3
5q0 L2 2
x
x
24EI
12EI

que pode ser omparada a soluo analti a

v(x) =
na gura 30.8, para

q0 = 1, EI = 1


q0 x2
6L2 4Lx + x2
24EI

L = 1.

Figura 30.8: Comparao entre a soluo aproximada om um polinmio de segundo grau (azul)
e a exata (vermelho) para o problema da viga longa.

CAPTULO 30. MTODO DOS RESDUOS PONDERADOS

278

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

Parte IV
Material Complementar

279

Captulo 31
Exemplos de implementao dos
algoritmos no S ilab

Algoritmo 41 Mtodo da Bise o.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

fun tion [

B i s e a o ( a , b , t o l , nmax_iter )

// Testa s e temos uma r a i z no i n t e r v a l o


i f f ( a ) f ( b ) >= 0 then
d i s p ( "Sem r a i z para e s t e i n t e r v a l o " )
pause

end

// I t e r a ate o numero l i m i t e
for i =0:n_max_iter

de

itera oes

// Ponto medio
= ( a+b ) / 2
// Testa s e temos uma r a i z na t o l e r a n i a d e s e j a d a
i f ba < t o l then
return

end

// Muda os l i m i t e s do i n t e r v a l o
i f f ( a ) f ( ) < 0 then
b =
else
a =

end

end

// Se saimos do l o o p mas ainda nao a t i n g i m o s a t o l e r a n i a


i f ba >= t o l then
d i s p ( " Nao f o i p o s s i v e l o b t e r a r a i z om a a u r a i a d e s e j a d a " )

end
end

return

281

282CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 42 Mtodo da Regula Falsi.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

fun tion [ n

R e g u l a F a l s i ( a , b , t o l , nmax_iter )

// Testa s e temos uma r a i z no i n t e r v a l o


i f f ( a ) f ( b ) >= 0 then
d i s p ( "Sem r a i z para e s t e i n t e r v a l o " )
pause

end

// I t e r a ate o numero l i m i t e
n = 0
for i =0:n_max_iter

de

itera oes

// E s t i m a t i v a l i n e a r da r a i z
f s = f ( a )/ f (b)
n = a ( ba ) f s /(1 f s )
// Testa s e a t i n g i m o s a t o l e r a n i a
i f i > 0 & abs ( n ) < t o l then
return n

end

// Guarda a u l t i m a p o s i a o
= n
// Muda os l i m i t e s do i n t e r v a l o
i f f ( a ) f ( ) < 0 then
b =
else
a =

end

end

// Se saimos do l o o p mas ainda nao a t i n g i m o s a t o l e r a n i a


i f b n >= t o l then
d i s p ( " Nao f o i p o s s i v e l o b t e r a r a i z om a a u r a i a d e s e j a d a " )

end
end

return

283

Algoritmo 43 Mtodo de Newton Raphson.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

fun tion [ xnm

NewtonRaphson ( x , t o l , nmax_iter )

// I t e r a ate o numero l i m i t e
xnm = 0
for i =0:n_max_iter

de

itera oes

// E s t i m a t i v a da r a i z
xnm = x f ( x ) / d f ( x )
// Testa s e a t i n g i m o s a t o l e r a n i a
i f abs ( xxnm) < t o l then
return xnm

end

// Translada o ponto
x = xnm

end
// Se saimos do l o o p mas ainda nao a t i n g i m o s a t o l e r a n i a
i f abs ( xxnm)>= t o l then
d i s p ( " Nao f o i p o s s i v e l o b t e r a r a i z om a a u r a i a d e s e j a d a " )

end
end

return

xnm

284CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 44 Mtodo da Se ante.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

fun tion [ xm

S e a n t e (xm,xmm, t o l , nmax_iter )

// I t e r a ate o numero l i m i t e
x = 0
for i =0:n_max_iter

de

itera oes

// E s t i m a t i v a da r a i z
f s = f (xm) / f (xmm)
x = xm ( f s (xmxmm) ) / ( f s 1)
// Testa s e a t i n g i m o s a t o l e r a n i a
i f abs (xmxmm) < t o l then
return x

end

// Translada o ponto
xmm = xm
xm = x

end
// Se saimos do l o o p mas ainda nao a t i n g i m o s a t o l e r a n i a
i f abs ( xxmm)>= t o l then
d i s p ( " Nao f o i p o s s i v e l o b t e r a r a i z om a a u r a i a d e s e j a d a " )

end
end

return

285

Algoritmo 45 Soluo de um sistema linear de equaes utilizando o mtodo de Gauss.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

fun tion [ b

= Gauss (A, b , n )

// I n i i a l i z a o a l u l o do d e t e r m i n a n t e
dete = 1
// Loop p e l a s l i n h a s
for i =1:n
// Re upera a p o s i a o da d i a g o n a l
a i i = A( i , i )
// P r o d u t o r i o do d e t e r m i n a n t e
dete = dete a i i
// Es alonamento da l i n h a
b( i ) = b( i )/ a i i
for j =1:n
A( i , j ) = A( i , j ) / a i i

end

// Zera as p o s i o e s a b a i x o da o l u n a i
for k=i +1:n
a k i = A( k , i )
b ( k ) = b ( k ) a k i b ( i )
for j =1:n
A( k , j ) = A( k , j ) a k i A( i , j )

end

end

end

// R e t r o s u b s t i t u i a o
for i=n 1: 1:1
somat = 0
for k=n : 1: i +1
somat = somat + A( i , k ) b ( k )

end

end

b ( i ) = b ( i ) somat

endfun tion

286CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 46 De omposio LU de uma matriz.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

// De ompoe a m a t r i z A em LU

fun tion [A = LU(A, n )


for i =1:n
for j =1:n

i f j < i then
= j
else
= i

end

soma = A( i , j )
for k =1:( 1)
soma = soma A( i , k ) A( k , j )

end

i f j <= i then
A( i , j ) = soma
else
A( i , j ) = soma/A( i , i )

end

end

end
endfun tion

Algoritmo 47 Soluo de um sistema linear de equaes utilizando a de omposio LU.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

fun tion [ b

= Solu iona_por_LU (A, b , n )


A = LU(A, n )
y = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( i , k ) y ( k )

end

end
for

y ( i ) = ( b ( i ) soma ) /A( i , i )
i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( i , k ) b ( k )

end

b ( i ) = y ( i ) soma

end
endfun tion

287

Algoritmo 48 Inverso de uma matriz utilizando a de omposio LU.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

// I n v e r s a de uma m a t r i z u t i l i z a n d o LU
fun tion [ I = Inversa_por_LU(A, n )
A = LU(A, n )
I = eye ( n , n )
for h=1:n
y = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( i , k ) y ( k )

end

end
for

y ( i ) = ( I ( i , h) soma ) /A( i , i )

i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( i , k ) I ( k , h )

end
end

end
endfun tion

I ( i , h ) = y ( i ) soma

Algoritmo 49 De omposio de uma matriz pelo mtodo de Cholesky.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

// De ompoe a m a t r i z A em U'U

fun tion [A = Cholesky (A, n )


for i =1:n
for j=i : n

soma = A( i , j )
for k =1:( i 1)
soma = soma A( k , i ) A( k , j )

end

i f j == i then
A( i , j ) = s q r t ( soma )
else
A( i , j ) = soma/A( i , i )

end

end
endfun tion

end

288CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 50 Soluo de um sistema linear de equaes utilizando o mtodo de Cholesky.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

fun tion [ b

= Solu iona_por_Cholesky (A, b , n )


A = Cholesky (A, n )
y = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( k , i ) y ( k )

end

end
for

y ( i ) = ( b ( i ) soma ) /A( i , i )
i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( i , k ) b ( k )

end

b ( i ) = ( y ( i ) soma ) /A( i , i )

end
endfun tion

Algoritmo 51 Inversa de uma matriz utilizando o mtodo de Cholesky.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

// I n v e r s a de uma m a t r i z u t i l i z a n d o Cholesky
fun tion [ I = Inversa_por_Cholesky (A, n )
A = Cholesky (A, n )
I = eye ( n , n )
for h=1:n
y = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( k , i ) y ( k )

end

end
for

y ( i ) = ( I ( i , h) soma ) /A( i , i )

i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( i , k ) I ( k , h )

end
end

end
endfun tion

I ( i , h ) = ( y ( i ) soma ) /A( i , i )

289

Algoritmo 52 De omposio LDL de uma matriz.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

// De ompoe a m a t r i z A em LDL'

fun tion [A = LDL(A, n )


for j =1:n
for i=j : n

soma = A( i , j )
for k =1:( j 1)
soma = soma A( i , k ) A( j , k ) A( k , k )

end

i f j == i then
A( i , j ) = soma
else
A( i , j ) = soma/A( j , j )

end

end

end
endfun tion

Algoritmo 53 Soluo de um sistema linear de equaes utilizando a de omposio LDL.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

de

um s i s t e m a de e q u a o e s usando de omposi ao LDL'


= Solu iona_por_LDL(A, b , n )
A = LDL(A, n )
z = zeros (n , 1 )
y = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( i , k ) z ( k )

// S o l u a o

fun tion [ b

end

end
for

z ( i ) = b ( i ) soma
y ( i ) = z ( i ) /A( i , i )
i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( k , i ) b ( k )

end

b ( i ) = z ( i ) /A( i , i ) soma

end
endfun tion

290CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 54 Inversa de uma matriz utilizando de omposio LDL.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

// I n v e r s a de uma m a t r i z u t i l i z a n d o
fun tion [ I = Inversa_por_LDL (A, n )

LDL'

A = LDL(A, n )
I = eye ( n , n )
for h=1:n
z = zeros (n , 1 )
for i =1:n
soma = 0
for k =1:( i 1)
soma = soma + A( i , k ) z ( k )

end

end
for

z ( i ) = I ( i , h) soma
y ( i ) = z ( i ) /A( i , i )
i=n : 1:1
soma = 0
for k=( i +1):n
soma = soma + A( k , i ) I ( k , h )

end
end

end
endfun tion

I ( i , h ) = y ( i ) soma

Algoritmo 55 Solu iona um sistema linear de equaes utilizando o mtodo de Gauss-Ja obi.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

fun tion [ xp= Gauss_Ja obi (A, x , b , n , t o l , nmaxiter )

xp = z e r o s ( n , 1 )
for k=0: nmaxiter
norma = 0
for i =1:n
somatorio = 0
for j =1: i 1
s o m a t o r i o = s o m a t o r i o + A( i , j ) x ( j )

end
for
end

end

j=i +1:n
s o m a t o r i o = s o m a t o r i o + A( i , j ) x ( j )

xp ( i ) = ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
norma = norma + ( x ( i ) xp ( i ))^2

i f s q r t ( norma ) <= t o l then


d i s p ( "Norma f o i a t i n g i d a " , norma , k )
break

end

x = xp

end
endfun tion

291

Algoritmo 56 Solu iona um sistema linear de equaes utilizando o mtodo de Gauss-Seidel.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

fun tion [ xp= Gauss_Seidel (A, x , b , n , t o l , nmaxiter )

xp = z e r o s ( n , 1 )
for k=0: nmaxiter
norma = 0
for i =1:n
somatorio = 0
for j =1: i 1
s o m a t o r i o = s o m a t o r i o + A( i , j ) xp ( j )

end
for
end

end

j=i +1:n
s o m a t o r i o = s o m a t o r i o + A( i , j ) x ( j )

xp ( i ) = ( 1 /A( i , i ) ) ( b ( i ) s o m a t o r i o )
norma = norma + ( x ( i ) xp ( i ))^2

i f s q r t ( norma ) <= t o l then


d i s p ( "Norma f o i a t i n g i d a " , norma , k )
break

end

x = xp

end
endfun tion

Algoritmo 57 Mtodo da potn ia.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

fun tion

[ x , lambda = Metodo_Poten ia (A, n , t o l )


x = eye ( n , 1 )
lambda = 0
I = 1
while I > t o l
xk = A x
lambda_k = norm ( xk ) / norm ( x )
I = abs ( lambda_k lambda )
x = xk
nx = norm ( x )
x = ( 1 / nx ) x
lambda = lambda_k

end
endfun tion

292CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 58 Mtodo da potn ia inversa.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

fun tion

[ x , lambda = Metodo_Poten ia_Inversa (A, n , t o l )


x = eye ( n , 1 )
lambda = 0
I = 1
while I > t o l
xk = A\x
lambda_k = norm ( x ) / norm ( xk )
I = abs ( lambda_k lambda )
x = xk
nx = norm ( x )
x = ( 1 / nx ) x
lambda = lambda_k

end
endfun tion

Algoritmo 59 Mtodo de Gramm-S hmidt.


1
2
3
4
5
6
7
8
9
10
11
12
13
14

fun tion

[Q = Gram(A, n )
U = zeros (n , n)
Q = zeros (n , n)
U( : , 1 ) = A( : , 1 )
Q( : , 1 ) = U( : , 1 ) / norm (U( : , 1 ) , 2 )
for k=2:n
U( : , k ) = A( : , k )
for j =1:k1
U( : , k ) = U( : , k ) (Q( : , j ) ' A ( : , k ) ) Q( : , j )

end

Q( : , k ) = U( : , k ) / norm (U ( : , k ) , 2 )

end
endfun tion

Algoritmo 60 Mtodo QR.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

fun tion

[ Qt ,A = QR(A, n , t o l )
ontador = 1
Qt = eye ( n , n )
Q = Gram(A, n )
t r = t r a e ( abs (Q) )
w h i l e abs ( t r n ) > t o l
Q = Gram(A, n )
A = i n v (Q) AQ
Qt = Qt Q
t r = t r a e ( abs (Q) )
ontador = ontador + 1
i f o n t a d o r == nmax then
d i s p ( " T o l e r a n i a nao a l a n a d a " )
break

end
end
endfun tion

293

Algoritmo 61 Mtodo dos retngulos.


1
2
3
4
5
6
7
8

fun tion [ a r e a = Retangulo ( xl , xu , n )

h = ( xu x l ) / n
area = 0
for i =0:n
a r e a = a r e a + f ( x l+i h ) h

end
endfun tion

Algoritmo 62 Mtodo dos trapzios.


1
2
3
4
5
6
7
8
9
10
11
12

fun tion [ a r e a = T r a p e z i o ( xl , xu , n )

h = ( xu x l ) / n
area = 0
xat = x l
xpr = x l + h
for i =1:n
a r e a = a r e a + f ( xat ) h + 0 . 5 ( f ( xpr) f ( xat ) ) h
xat = xpr
xpr = xat + h

end
endfun tion

Algoritmo 63 Primeira regra de Simpson.


1
2
3
4
5
6
7
8
9
10
11
12
13
14

fun tion [ a r e a = Simpson1 ( xl , xu , n )

h = ( xu x l ) / n
area = 0
x0 = x l
x1 = x0 + h
x2 = x1 + h
for i = 1 : 2 : n
a r e a = a r e a + ( h / 3 ) ( f ( x0 ) + 4 f ( x1 ) + f ( x2 ) )
x0 = x2
x1 = x0 + h
x2 = x1 + h

end
endfun tion

294CAPTULO 31. EXEMPLOS DE IMPLEMENTA O DOS ALGORITMOS NO SCILAB

Algoritmo 64 Segunda regra de Simpson.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

fun tion [ a r e a = Simpson2 ( xl , xu , n )

h = ( xu x l ) / n
area = 0
x0 = x l
x1 = x0 + h
x2 = x1 + h
x3 = x2 + h
for i = 1 : 3 : n
a r e a = a r e a + ( 3 h / 8 ) ( f ( x0 ) + 3 f ( x1 ) + 3 f ( x2 ) + f ( x3 ) )
x0 = x3
x1 = x0 + h
x2 = x1 + h
x3 = x2 + h

end
endfun tion