propriedades - fenixedu · 2017-12-30 · matemática computacional, memec, lean, meaer método de...
TRANSCRIPT
Matemática Computacional, MEMec, LEAN, MEAer
Propriedades
11 12 13 14 11 12 13 14
31 32 33 34 31 32 33 34
41 4
21 22 23 24 21 22 23 24
21 22 23
2 43 44 41 42
24
43 44
0 0 00 0 00 00 0 0
11
11
a a a a a a a a
a a a a a a a aa a a a a a a
a a a a a a a aa a a am m m m
am
=
+ + + +
( ) 1 1 1AB B A− − −=
Exemplo: Adicionar à linha 3, a linha 2 multiplicada por um factor multiplicativo m
2) Inversa do produto
1) Combinação linear de linhas duma matriz – soma de uma linha com outra linhamultiplicada por um factor multiplicativo
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss(1) 1 1 1
1 1 22 1 1
A A= = −
(1) (1) (2)M A A=
21
31
12
1 1 1 1 1 1 1 1 1 1 11 1 1 2 1 1 1 2 2 10 1 2 1 1 0 1 2 1 1 1
0 0 0 00 00
10mm
⇔ = = − − −
− −
−−
−−
(2) (2) (3)M A A=
3212
00
1 1 1 11 1 1 1 1 1 10 1 2 10 1 2 1 2 1
30 1 1 1 1 10 1
0 00 00 0
0 0 00
20m
⇔ = = − − − − − − − − − −
ou seja (1)
(1) (1) (2) (2) (1) (3)
(2) (2) (3) M
A AM A A M M A AM A A
== ==
(3)M A A =
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss
M A U=
( )
32
1(2) 110 10 1
0 1
0 00
2
001
0
10m
M− =
A(3) é triangular superior, i.e., (3)
0
0 0
1 1 12 1
32
A U = = −
−
Então 1A M U− =
( ) 11 (2) (1)M M M−− = ( ) ( )1 1(1) (2)M M
− −=
( )21
( )
1
1
3
11 1
1 10 1
0 01
0 00 0
0 12mm
M−
= =
( ) ( )1 11 (1) (2)M M M− −− =
21 21
31 32 31 32
0 00 0 0 0 0 11 1 11
12
2
11 0 1 10 1 0 1 1 1
000 0 0m m
m m m m
= = =
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss
Então 1A M U A L U−= ⇔ =
21
31 32
1 1111
1
0 00 0
11
1
2
00
2
mm
L
m
M− = = =
Ou seja, através do método de Gauss podemos obter uma factorização A=LU.
Depois de se obter uma factorização A=LU (que requer um número de operações da ordemde n3) o sistema de equações é resolvido mediante uma substituição descendente seguidaduma substituição ascendente (que requerem um número de operações da ordem de n2)
M –1 é triangular inferior i.e.,
↑ ↑
⇔ = − − −
Matriz dos factores Matriz do final damultiplicativos factorização de Gauss
1 1 1 11 1 11 1 2 11 1 2
1 32 1 1 2 12
0 00 0
02
0
Matemática Computacional, MEMec, LEAN, MEAer
Factorização A=LU – Resolução do sistema
i) L y = b – substituição descendente
( ) ( )y
Ax b LU x b L Ux b= ⇔ = ⇔ =
1
2
3
1 1 1 41 1 2 42 1 1 5
xAx b x
x
= ⇔ − =
1 1 1 11 1 11 1 2 11 1 2
1 32 1 1 2 12
0
2
00 0
0 0A LU
− = ⇔ − = −
L y bU x y
= =
1
2
3
0 00
1 41 1 4
1 52 12
yL y b y
y
= ⇔ =
1
1 2 2 1
1 2 3 3 1 2
44 4 0
1 12 5 5 2 3
2 2
yy y y y
y y y y y y
=+ = = − =
+ + = = − − = −
{ }4 0 3 Ty = −
Matemática Computacional, MEMec, LEAN, MEAer
Factorização A=LU – Resolução do sistema
ii) U x = y – substituição ascendente
1
2
3
1 1 1 420
0
1 0
20
3 3
xU x y x
x
− = ⇔ = −−
3 3
32 3 2
1 2 3 1 2 3
33 2
2
2 0 12
4 4 1
x x
xx x x
x x x x x x
− = − =
−− + = = =−
+ + = = − − =
1Solução final, 1
2x
=
Matemática Computacional, MEMec, LEAN, MEAer
i) Factorização A = LDU, com L e U de diagonal unitária
iii) Por definição, uma matriz [A] diz-se definida positiva se { } { } { } [ ]{ }0 , 0Tx x A x∀ ≠ >
iv) Na factorização A = LDU, se a matriz A for simétrica definida positiva, prova-se que as entradas da diagonal de D são positivas, ou seja dii > 0
v) Neste caso, duma matriz simétrica definida positiva,
( ) ( )( ) ( )1/2 1/2 1/2 1/2 * * TT T TA L D L L D D L L D D L L L= = = =
onde L* é uma matriz de diagonal NÃO unitária
Nota: Para o caso duma matriz diagonal (mas apenas para este caso)
11
22
nn
ddD
d
=
11
1/2 22
nn
ddD
d
=
Factorização de Choleski – matrizes simétricas definidas positivas
ii) Se a matriz A for simétrica, então U=LT (ou L=UT), pelo que A = LDLT (ou A=UT DU)
Matemática Computacional, MEMec, LEAN, MEAer
vi) As entradas da matriz L* podem ser obtidas através das condições
( )11/2
2
1
1
1,
jj
j ij ij im jm jjjj jm
j mm
l a l l ll a l i j−
=
−
=
= − >
= −
( )11 11 11 21 31 41
21 22 21 22 22 32 42* *
31 32 33 31 32 33 33 43
14 42 43 44 41 42 43 44 44
0 0 00 0 0
0 0 00 0 0
T
a l l l l la a l l l l l
A L La a a l l l l la a a a l l l l l
= ⇔ =
( )( ) ( )
( ) ( ) ( )( ) ( ) ( ) ( )
=
= = +
= = + = + +
= = + = + + = + + +
211 11
2 221 21 11 22 21 22
2 2 231 31 11 32 31 21 32 22 33 31 32 33
22 2 241 41 11 42 41 21 42 22 43 41 31 42 32 43 33 44 41 42 43 44
a l
a l l a l l
a l l a l l l l a l l l
a l l a l l l l a l l l l l l a l l l l
ou seja
( )( )
[ ] ( ) ( )( )[ ] ( ) ( ) ( ) ( )( )
1/211 11
1/2221 21 11 22 22 21
1/22 231 31 11 32 32 31 21 22 33 33 31 32
1/222 241 41 11 42 42 41 21 22 43 43 41 31 42 32 33 44 44 41 42 43
l a
l a l l a l
l a l l a l l l l a l l
l a l l a l l l l a l l l l l l a l l l
=
= = −
= = − = − +
= = − = − + = − + +
Factorização de Choleski – matrizes simétricas definidas positivas
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss – escolha de Pivot
− − =
1
2
3
4
4 1 3 0 20 0 1 1 00 2 2 4 40 1 0 1 0
xxxx
Resolva pelo método de Gauss o sistema de equações
⏐ = ⏐ = −
=
=
−
(1) (1) (2) (2)
32
42
40 1 1 02 2 4 41 0
2 01 0
1 3 0 20001 0
A A
m
b
m
b
??
i) Condensação
Troca de linhas (ou seja de equações)
para que o pivot não seja nulo
⏐ = −
−
(2) (2)
2 2 4 40 1
4 1 3 0 2000
1 01 0 1 0
A b
=
⏐ =
−
−
(2) (2)
42
2 2 4 40 1 1 01 0 1 0
4 1 3 0 2
1
0002
A
m
b ⏐ = − − − −
−
(3) (3)
2 2 4 40 1
4 1 3 0 2000
1 00 1 1 2
A b
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss – escolha de Pivot
− ⏐ = − − − − = −43
(3) (3) 4 1 3 0 20 2 2 4 4
10 0 1 01 1 20 01 1
A
m
b − ⏐ = − − −
(4) (4) 4 1 3 0 20 2 2 4 40 0 1 1 00 0 0 2 2
A b
− ⋅ = − =4 42 2 1x x
ii) Substituição ascendente
−
= − − −
1
2
3
4
00 00 0
4 1 3 0 22 2 4 4
10
1 02 2
xxxx
− = = =3 4 3 40 1x x x x− ⋅ + ⋅⋅ + ⋅ + ⋅ = = = −3 4
2 3 4 24 (2 4 )
2 2 4 4 12
x xx x x x
− − ⋅⋅ + − ⋅ = = =2 31 2 3 1
2 ( 3 ) 34 3 2
4 2x xx x x x
Em aritmética em ponto flutuante, devido aos arredondamentos, em geral a escolha de pivot é vantajosa mesmo quando o pivot não é nulo
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss – importância da escolha de Pivot
b) Resolva agora efectuando escolha de pivot (na mesma com uma mantissa com 4 dígitos)
a) Resolva o sistema pelo método de Gauss utilizando uma mantissa com 4 dígitos, ou seja, simulando os cálculos em FP(10,4,2,A)
= −
1
2
0.0003 1.246 1.2490.4370 2.402 1.968
xx
⏐ = − 2
) (
1
(1 1) 0.0003 1.246 1.2490.4370 2.402 1.968
Am
b
Considere o sistema de equações
⏐ =
(2) (2)
(2) (2)
22 2
0.0003 1.246 1.2490 a b
A b
= − × = − − ×(2) (1) (1)22 22 21 12 2.402 1457 1.246a a m a = − −2.402 1815. 422 = −1817. 402
= − × = − ×(2) (1) (1)2 2 21 1 1.968 1457 1.249b b m b = −1.968 1819.793 = −1818. 032= −1.968 1820
= − −2.402 1815
Nota:solução exacta,x1=10, x2=1
i) Condensaçãoa)
= = → =21 210.4370
1456.6(6) 14570.0003
m m
Matemática Computacional, MEMec, LEAN, MEAer
⏐ = − −
(2) (2) 0.0003 1.246 1.2490 1817 1818
A b
−= = → =−2 2
18171.00065 1.001
1818x x
ii) Substituição ascendente
= − −
1
2
0.0003 1.246 1.2490 1817 1818
xx
− ⋅⋅ + ⋅ = = 21 2 1
1.249 1.2460.0003 1.246 1.249
0.0003xx x x − ×= 1.249 1.246 1.001
0.0003
−=11.249 1.247 246x
0.0003 = 0.020.0003
= 6.666(6)
A solução obtida é x1=6.667, x2=1.001, enquanto a solução exacta é x1=10, x2=1.
Comparando com a solução exacta verifica-se que o valor obtido para x1 possui 33% de erro.
= 6.667
Método de Gauss – importância da escolha de Pivot
Matemática Computacional, MEMec, LEAN, MEAer
Método de Gauss – importância da escolha de Pivot
− ⏐ = 2
) )
1
(1 (1 0.4370 2.402 1.9680.0003 1.246 1.249
Am
b − ⏐ =
(2) (2)2
(2) (2)
2 2
0.4370 2.402 1.9680 a b
A b
− −= = × → = ×4 421 21
0.00036.8649886 10 6.865 10
0.4370m m
−= − × = − × × −(2) (1) (1) 422 22 21 12 1.246 6.865 10 2.402a a m a = +1.246 0.001648973
= 1.248
−= − × = − × ×(2) (1) (1) 42 2 21 1 1.249 6.865 10 1.968b b m b = −1.249 0.001351 032
= +1.246 0.001649
b) Uma forma de minimizar os problemas numéricos é efectuar escolha de pivot
⏐ = −
(1) (1) 0.0003 1.246 1.2490.4370 2.402 1.968
A b
i) Condensação
− ⏐ =
(1) (1) 0.4370 2.402 1.9680.0003 1.246 1.249
A b
Troca de linhas (ou seja de equações)
= 1.247649
= −1.249 0.001351
= 1.247649 = 1.248
para que o pivot tenha maior
valor absoluto
Matemática Computacional, MEMec, LEAN, MEAer
− ⏐ =
(2) (2) 0.4370 2.402 1.9680 1.248 1.248
A b
= = → =2 21.248
1 1.0001.248
x x
ii) Substituição ascendente
− =
1
2
0.4370 2.402 1.9680 1.248 1.248
xx
+ ⋅⋅ − ⋅ = = 21 2 1
1.968 2.4020.4370 2.402 1.968
0.4370xx x x + ×= 1.968 2.402 1.000
0.4370
+=11.968 2.402
0.4370x = 4.370
0.4370= 10
A solução obtida é x1=10, x2=1, igual à solução exacta
Método de Gauss – importância da escolha de Pivot
Matemática Computacional, MEMec, LEAN, MEAer
Tipos de Pivot
−
− − − − − −
=
( ) ( ) ( ) ( ) ( ) ( )( ) 1, 1 1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ) ( )1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ), , , ,
( ) ( ) ( ) ( ), , , ,
,
0
0 0
0 0
0 0
k k k k k kk k k p q n
k k k k kk k k k k p k q k n
k k k kk k k p k q k n
k k k kp k p p p q p n
q k
a a a a a aA
a a a a a
a a a a
a a a a
a
( ) ( ) ( ) ( ), , ,
( ) ( ) ( ) ( ), , , ,0 0
k k k kq p q q q n
k k k kn k n p n q n n
a a a
a a a a
Tipos de pivot: - pivot parcial- pivot total- pivot diagonal
- pivot parcial com patamar
submatrizactiva
Os candidatos a pivot encontram-se na submatriz activa
Matemática Computacional, MEMec, LEAN, MEAer
Pivot parcial( ) ( ) ( ) ( ) ( ) ( )( ) 1,1 1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ) ( )1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ), , , ,
( ) ( ) ( ) ( ), , , ,
,
0
0 0
0 0
0 0
k k k k k kk k k p q n
k k k k kk k k k k p k q k n
k k k kk k k p k q k n
k k k kp k p p p q p n
q k
a a a a a aA
a a a a a
a a a a
a a a a
a
−
− − − − − −
=
( ) ( ) ( ) ( ), , ,
( ) ( ) ( ) ( ), , , ,0 0
k k k kq p q q q n
k k k kn k n p n q n n
a a a
a a a a
pivot parcial – os candidatos a pivot são os elementos da coluna k da submatriz activa
( ) ( )Escolher: max k kik pki k
a a≥
→ =
Trocar linha com linha p k→
linha p
linha k
coluna k
Matemática Computacional, MEMec, LEAN, MEAer
Algoritmo pivot parcial
# inicialização# linha pi
para # para to
vot
# escolha do elemento pivot# para todos as entradas aba
1 até
ixo de
das as colunas a conde 1
para 1 até s
nsar
kk
kk
k n
p kpivot a
k
k n ai
=
= −
==
= +
# 1. escolher pivot
# linha pivot
# troca de linhas# se , então trocar linha com a
e então
se entãopara até
linha # para todas as entradas não nulas das linhas a trocar
ik
ik
a pivotp ipivot a
p
k
p k p kkj k n
>
= =
=
≠=
≠
# para todas as linhas abaixo da linha # factor multiplicativo
# pa
para 1 até /
para 1 a ra todos as entradas nté ão nulas dessa
kj
kj pj
pj
ik ik kk
aux aa aa aux
i k nm a a
j k n
k
= = =
= +=
= +
# 2. condensação
linha
ij ij ik kja a m a
= −
Matemática Computacional, MEMec, LEAN, MEAer
Pivot total( ) ( ) ( ) ( ) ( ) ( )( ) 1,1 1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ) ( )1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ), , , ,
( ) ( ) ( ) ( ), , , ,
,
0
0 0
0 0
0 0
k k k k k kk k k p q n
k k k k kk k k k k p k q k n
k k k kk k k p k q k n
k k k kp k p p p q p n
q k
a a a a a aA
a a a a a
a a a a
a a a a
a
−
− − − − − −
=
( ) ( ) ( ) ( ), , ,
( ) ( ) ( ) ( ), , , ,0 0
k k k kq p q q q n
k k k kn k n p n q n n
a a a
a a a a
pivot total – os candidatos a pivot são todos os elementos da submatriz activa
( ) ( )
,Escolher: max k k
ik pqi j ka a
≥→ =
Trocar linha com linha e trocar coluna com coluna p k q k→
linha p
linha k
coluna qcoluna k
Matemática Computacional, MEMec, LEAN, MEAer
Pivot diagonal( ) ( ) ( ) ( ) ( ) ( )( ) 1,1 1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ) ( )1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ), , , ,
( ) ( ) ( ) ( ), , , ,
,
0
0 0
0 0
0 0
k k k k k kk k k p q n
k k k k kk k k k k p k q k n
k k k kk k k p k q k n
k k k kp k p p p q p n
q k
a a a a a aA
a a a a a
a a a a
a a a a
a
−
− − − − − −
=
( ) ( ) ( ) ( ), , ,
( ) ( ) ( ) ( ), , , ,0 0
k k k kq p q q q n
k k k kn k n p n q n n
a a a
a a a a
pivot diagonal – os candidatos a pivot são os elementos da diagonal da submatriz activa
( ) ( )Escolher: max k kii qqi k
a a≥
→ =
Trocar linha com linha e trocar coluna com coluna q k q k→
linha q
linha k
coluna qcoluna k
Com pivot diagonal, a simetria duma matriz
simétrica é mantida
Matemática Computacional, MEMec, LEAN, MEAer
Pivot parcial com patamar( ) ( ) ( ) ( ) ( ) ( )( ) 1,1 1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ) ( )1, 1 1, 1, 1, 1,
( ) ( ) ( ) ( ), , , ,
( ) ( ) ( ) ( ), , , ,
,
0
0 0
0 0
0 0
k k k k k kk k k p q n
k k k k kk k k k k p k q k n
k k k kk k k p k q k n
k k k kp k p p p q p n
q k
a a a a a aA
a a a a a
a a a a
a a a a
a
−
− − − − − −
=
( ) ( ) ( ) ( ), , ,
( ) ( ) ( ) ( ), , , ,0 0
k k k kq p q q q n
k k k kn k n p n q n n
a a a
a a a a
pivot parcial – os candidatos a pivot são os elementos da coluna k da submatriz activa
( ) ( )Escolher: max k kik pki k
a a≥
→ =( ) ( )Trocar linha com linha se: , 0 1k kpk kkp k a aτ τ→ > ≤ ≤
linha p
linha k
coluna k
Com patamar, a troca só é efectuada
se “valer a pena”, i.e., se apk for francamente superior a akk
τ é o valor do patamar
Matemática Computacional, MEMec, LEAN, MEAer
Propriedades
1 0 0 00 1 0 00 0 1 00 0 0 1
I
=
(1) A troca de 2 linhas duma matriz A pode ser traduzida pela pré-multiplicação duma matriz de permutação elementar P(e)
(2) A matriz de permutação elementar P(e) pode ser obtida a partir da matriz identidade à qual é efectuada as correspondentes trocas de linhas
Ex: matriz 4x4, matriz elementar de troca das linhas 1 e 3
( )
0 0 00 1 0 0
0 0 01
1
1
0 0 0
eP
=
Linhas1234
3214
Ex: troca das linhas 1 e 3 duma matriz A (4x4)
11 12 13 14 31 32
21 22 23 24 21 22 23 24( )
31 32 33 34
41 42 43 44 41 42 43 44
11 12 1
3 34
3 1
3
4
0 0 00 1 0 0
0 0 00 0 0 11
1
P e
a a a aa a a a a a a a
A P Aa a a aa a a
a a aa
a a a
a
a
a a a a
= = =
Matemática Computacional, MEMec, LEAN, MEAer
Propriedades
(4) As matrizes de permutação elementar P(e) possuem as seguintes propriedades:
( ) ( )) e ei P P I⋅ = ( )( ) ( ))Te eii P P=
(3) A troca de 2 colunas duma matriz A pode ser traduzida pela pós-multiplicação duma matriz de permutação elementar P(e)
Ex: troca das colunas 2 e 3 duma matriz A (4x4)
11 12 13 14 11 14
21 22 23 24 21 24( )
31 3
13
23
2 33 34 31 34
41 42 43
12
22
3
44 41 44
33
43
2
42
1 0 0 00 0 00 0 0
0 11
1
0 0
P e
aa
a a a a a aa a a a a a
A A Pa a a a a
aa
aa a a a
aaaa aa
= = =
1 0 0 00 1 0 00 0 1 00 0 0 1
I
=
Ex: matriz 4x4, matriz elementar de troca das colunas 2 e 3
( )
1 0 0 00 0 00 0 0
1
11
0 0 0
eP
=
Colunas1 2 3 4
1 3 2 4
Matemática Computacional, MEMec, LEAN, MEAer
Propriedades
− = = − − −
−
−
21
3121( ) (1)
31
41 41
1 0 0 0 1 0 0 0 1 0 0 00 0 0 1 0 0 0
1 10
)0 0 0 0 1 0 0
1 10
0 0 0 1 0 0 1 0 0 1
e
mm
Mm
m
mi P
m
(5) Troca de 2 linhas duma matriz de factores multiplicativos
21(1)
31
41
1 0 0 01 0 00 1 00 0 1
mM
mm
− = − −
Ex: Seja
e considere-se a troca das linhas 2 e 3
Linhas1234
1324
=
( )
1 0 0 00 0 00 0 00 0 0 1
11
eP
Matemática Computacional, MEMec, LEAN, MEAer
Propriedades
− = −
−( ) (1) ( )
41
3
21
1
1 0 0 01 0 00 1 00 0 1
e e
mP
m
mM Pou seja
pelo que P(e)M(1)P(e) corresponde a trocar os factores multiplicativos das linhas 2 e 3
− = − −
21( ) (1) ( )
31
41
1 0 0 0 1 0 0 0 1 0 0 00 0 0 1 0 0
10 0 0
)0 0 0 0 1 0 0 0 00 0 0 1 0 0 1
11
0
1
0 0 1
e e mii P M P
mm
41
3
21 21
1 3
41
1
1 0 0 0 1 0 0 0 1 0 0 00 0 0 0 0 0 0
0 0 0 0 0 0 00 0 1 0 0 0
11
1 0 01
1
1 11m
mm
m
m
m
−
=
− −=
− −
−
Matemática Computacional, MEMec, LEAN, MEAer
Condensação de Gauss com pivot parcial
(1)
(1 ) (1) (1)
(2) (1) (1 ) (1) (1) (1)
P
P
A A
A P A
A M A M P A
=
=
= =
(1)
0 0 1 00 1 0 01 0 0 00 0 0 1
P =
Ex: Seja A uma matriz (4x4) e considere-se o processo decondensação de Gauss com troca das linhas 1 e 3 na primeirafase da condensação, troca das linhas 2 e 3 na segunda fase etroca das linhas 3 e 4 na terceira fase da condensação
Fase 1 – troca das linhas 1 e 3 seguida de condensação
Fase 2 – troca das linhas 2 e 3 seguida de condensação
(2) (1) (1) (1)
(2 ) (2) (2) (2) (1) (1) (1)
(3) (2) (2 ) (2) (2) (1) (1) (1)
P
P
A M P A
A P A P M P A
A M A M P M P A
=
= =
= =
(1) 21
31
41
1 0 0 01 0 00 1 00 0 1
mM mm
− = − −
(2)
1 0 0 00 0 1 00 1 0 00 0 0 1
P =
(2)
32
42
1 0 0 00 1 0 00 1 00 0 1
M mm
= − −
11 12 13 14
21 22 23 24
31 32 33 34
41 42 43 44
a a a aa a a aA a a a aa a a a
=
Matemática Computacional, MEMec, LEAN, MEAer
Condensação de Gauss com pivot parcialAtendendo a que P(2)P(2) = I, podemos reescrever A(3) na forma
(1) (2)
(21)Corresponde atrocar os factoresmultiplicativos de
devido a ,ou seja, a trocar os
coeficientes
(3) (2) (2) (1) (1) (1)
(
das linhas 2 e 3
3) (2) (2) (1) (1(2) (2) ) (1)
M P
P
A M P M P A
A M P M P PP A
==
Linhas1234
3214
3124
(21) (2) (1)
0 0 1 01 0 0 00 1 0 00 0 0 1
P P P = =
Fase 3 – troca das linhas 3 e 4 seguida de condensação
(3) (2) (2) (1) (2) (2) (1) (1)
(3 ) (3) (3) (3) (2) (2) (1) (2) (2) (1) (1)
(4) (3) (3 ) (3) (3) (2) (2) (1) (2) (2) (1) (1)
P
P
A M P M P P P A
A P A P M P M P P P A
A M A M P M P M P P P A
=
= =
= =
(3)
1 0 0 00 1 0 00 0 0 10 0 1 0
P =
(3)
43
1 0 0 00 1 0 00 0 1 00 0 1
Mm
= −
Matemática Computacional, MEMec, LEAN, MEAer
Condensação de Gauss com pivot parcialAtendendo a que P(3)P(3) = I, podemos reescrever A(4) na forma
Linhas1234
3214
3124
(321) (3) (2) (1)
0 0 1 01 0 0 00 0 0 10 1 0 0
P P P P = =
Ou seja, a partir do método de Gauss com pivot parcial, podemos obter uma factorizaçãoPA = LU, onde P é a matriz que considera todas as permutações efectuadas e L é a matrizdos factores multiplicativos tendo em consideração as trocas de linhas efectuadas àposteriori
(2) (3)
Corresponde atrocar os factoresmultiplicativos de
devido a ,ou sej
(4) (3) (3) (2) (2) (1) (2) (2) (
a, a trocar oscoeficientes das
linhas 3 e
1) (1)
(4) (3 (3)) (3) (2) (2) (1) (2)
4
(3
M P
A M P M P M P P P A
A M P P P M PPM
==
(1) (3)
(321)Corresponde atrocar os factoresmultiplicativos de
devido a ,ou seja, a trocar os
coeficientes das linhas
) (2(3) ) (1( ) (3
e 4
1) )
3
P
M P
P PP AP
3142
( )( ) ( )(321)
(4) (3) (3) (2) (3) (3) (2) (1) (2) (3) (3) (2) (1) (1)
P PM
A M P M P P P M P P P P P A
=
=
(4)A M P A =
1 (4)M A P A− = L U P A =
Matemática Computacional, MEMec, LEAN, MEAer
Normas de matrizesNormas de vectores
= + + +1 21 nx x x x
( )= + + +1
2 2 2 21 22 nx x x x norma Euclideana
∞ ==
1, ,max ii n
x x
norma 1
norma do máximo (ou do infinito)
Normas de matrizes (mxn)
≤ ≤=
= 1 11
maxm
i jj ni
A a
∞ ≤ ≤=
= 11
maxn
i ji mj
A a
( )= =
=
12
2
1 1
m n
i jF
i j
A a norma de Frobenius
Matemática Computacional, MEMec, LEAN, MEAer
Número de condição (de matrizes)Admitindo que existem perturbações nos valores da matriz A e do vector b, então resultam perturbações na solução do sistema x
[ ] { } { }⋅ = → ⋅ =A x b A x b ( ) ( )δ δ δ⋅ = ⇔ + ⋅ + = + A x b A A x x b b
(i) Admitir que apenas existem perturbações no 2º membro (e consequentemente na solução)
( )δ δ⋅ + = +A x x b b δ δ ⋅ + ⋅ = +A x A x b bδ δ⋅ =
⋅ =
A x bA x b
⋅ =A x b = ⋅ ≤ ⋅b A x A x ≤b
xA
(*)
δ δ δ δ−⋅ = = ⋅1A x b x A b δ δ δ− − = ⋅ ≤ ⋅1 1x A b A bδ δ− ≤ ⋅1x b
Ax x
Matemática Computacional, MEMec, LEAN, MEAer
Número de condição (de matrizes)
Tendo em atenção (*),
(ii) Perturbações na matriz A (e consequentemente na solução)
δ δ δ− −≤ ⋅ ≤ ⋅1 1x b bA A
bx xA
≤b
xA
δ δ− ≤ ⋅ ⋅
con
1
d A
x bA A
x bδ δ
≤ ⋅cond x b
Ax b
−= ⋅ 1cond A A AO número de condição duma matriz traduz, em termos relativos,a relação entre as perturbações na solução x e as perturbaçõesno segundo membro b.
Analogamente se demonstra que a relação entre as perturbações na solução x e asperturbações da matriz A também dependem do número de condição da matriz
Um número de condição elevado indica que as perturbações do segundo membro sãoampliadas sobre a solução do sistema
Matemática Computacional, MEMec, LEAN, MEAer
Efeito dos erros de arredondamento
(i) Pivot parcial – em certos casos patológicos γ pode ser muito elevado podendo atingir ovalor máximo de 2n – 1. Contudo, estes casos patológicos são raros e na prática a factorizaçãocom pivot parcial é em geral numericamente estável
Na resolução dum sistema (de dimensão n) em ponto flutuante, devido aosarredondamentos, a factorização obtida não é exactamente igual à matriz original
Pode demonstrar-se que os elementos da matriz erro são majorados por:
matrizdos
erros
L U A E↑
⋅ = +
1ije n u γ α≤ ⋅ ⋅ ⋅1
- constante da ordem da unidade de arredondamento - maior elemento (em módulo) de
- factor de crescimento dos coef. de durante factorizaçãoij
uAA
αγ
(ii) Pivot total – o majorante de γ cresce lentamente (com o aumento da dimensão dosistema) não se conhecendo casos para os quais seja superior a n. Logo a utilização de pivottotal é numericamente estável.
Matemática Computacional, MEMec, LEAN, MEAer
Efeito dos erros de arredondamentoIntroduzindo o conceito de resíduo,
Atendendo a que
r b A x= − ⋅
onde o número de condição surge novamentecomo factor de ampliação
( )r b A x A x A x A x x A xδ= − ⋅ = ⋅ − ⋅ = ⋅ − = ⋅
1r A x x A rδ δ −= ⋅ = ⋅ δ − = ⋅1x A r 1x A rδ − ≤ ⋅
(de fácil cálculo após se obter )x
1x rA
x xδ − ≤ ⋅
bA x b A x b x
A⋅ = ⋅ ≥ ≥
Então 1 1x r x rA A
bx x xA
δ δ− −≤ ⋅ ≤ ⋅δ − ≤ ⋅ ⋅
con
1
d A
x rA A
x b
δ≤ ⋅cond
x rA
x bOu seja
Resumindo, o número de condição da matriz desempenha um papel fundamental nos errosexistente na solução do sistema de equações
Matemática Computacional, MEMec, LEAN, MEAer
Matriz em banda0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 00 0 0 0 0
0 0 0 0 0 0 00 0 0 00 0 0 0 0
0 00 0 0 0 0 0 00 0 0 00 0 0 0 0 0 00 0 0 0 0 00 0 0 0 0 0 0
XX X
X XX X XX X X
X X X X XX X
X X X XXX X X X
X XX X X X
X X XX X X X
XX X X X X
X XX
XX
XX
XX
XX
XX
X
XX XX
X X XX
A
XXXX X X
=
largura de banda superior: número de diagonais não nulas, acima da diagonal principal
largura de banda inferior: número de diagonais não nulas, abaixo da diagonal principal
largura de banda = largura de banda superior + largura de banda inferior + 1ou seja, largura de banda é o numero total de diagonais não nulas