ndice

Introduo ......................................................................................................................... 2 Objectivos ......................................................................................................................... 3 Metodologia ...................................................................................................................... 4 Teoria de Aproximaes ................................................................................................... 5 Aproximao de funes .............................................................................................. 6 Aproximao dos mnimos quadrados discretos .............................................................. 7 lgebra Linear e Autovalores........................................................................................... 9 Mtodo de Householder ................................................................................................. 11 Concluso ....................................................................................................................... 13 Bibliografia ..................................................................................................................... 14

Introduo

O presente trabalho tem como temas Teoria de Aproximaes, Mtodo de Householder e lgebra linear, desenvolve-se este trabalho com o intuito de explorar as caractersticas particulares dos recursos disponibilizados pela crescente evoluo das arquitecturas multiprocessadas e das tecnologias de comunicao de alto desempenho. Mais especificamente, foi desenvolvido uma soluo paralela do mtodo de householder a fim de minimizar o tempo de resoluo dos sistemas.

Objectivos

Este trabalho tem como objectivo principal verificar que ferramentas importantes para a analise teoria de aproximaes de soluo para problemas matemticos, sendo que essas aproximaes podem ser de valor ou de funo. Tambm na analise de aproximao dos mnimos quadrados discretos, analise de lgebra Linear e Autovalores e por ultimo verificao do mtodo de Householder

Metodologia

Em termos de mtodo, optamos por um trabalho cientfico. Primeiramente, feito um embalamento terico sobre a anlise da teoria de aproximao, discutindo-se principalmente a anlise de soluo para problemas matemticos, sendo que essas aproximaes podem ser de valor ou de funo

Teoria de Aproximaes

Teoria das Aproximaes possvel obter aproximaes de soluo para problemas matemticos, sendo que essas aproximaes podem ser de valor ou de funo. Tipos de arredondamento Arredondamento por truncamento - Se o valor excede a preciso n ento os dgitos que excedem a preciso so desconsiderados. Arredondamento por excesso - Se o valor excede a preciso n ento soma-se 1 ao valor do dgito dn da expanso. Arredondamento cientfico - Se valor excede a preciso n ento aplica-se o arredondamento por trucamento se o valor que corresponde ao dn+1 5; seno aplica-se o arredondamento por excesso.

Medidas de erro Medida de erro absoluto (EA): EA(x, x) = jx -xj, onde x o valor exacto e x o valor aproximado. Medida de erro relativo (ER): ER(x, x) = jx-xj jxj , onde x o valor exaro x o valor aproximado. Nmero de dgitos significativos xitos (disse): disse(x, x) = (0, 3+ log( + ER(x, x))), onde igual a ()b(1-n) quando utilizado o arredondamento cientfico e igual a b(1-n) caso contrrio.

Exemplos de aplicao Erro de arredondamento do valor valor exaro: x = valor aproximado: = 1, 41 em preciso 3

Aproximao de funes

A funo aproximante depende de constantes c1; c2; : : : ; ck g(x) = F(x; c1; c2; : : : ; ck ) O problema de aproximao consiste em determinar o vector de parmetros (c1; : : : ; ck ) tal que a funo g melhor aproxime os pontos dados. Critrios de aproximao Para determinar a funo que melhor aproxima os pontos dados necessrio definir um critrio que permita comparar funes aproximantes. Este critrio dever depender dos desvios di definidos por di = yi - F(xi ; c1; : : : ; ck ) i = 1; : : : ; n e dever garantir que a funo aproximante torne os desvios pequenos. Alguns dos critrios utilizados so: 1. minimizar 2. 3. minimizar | | | |

minimizar max| |

Em muitas situaes, F(x; c1; : : : ; ck ) escolhida como uma combinao

linear de funes ; ;k

F(x; c1; : : : ; ck ) = c11(x) + _ _ _ + ckk (x) MIEEC

Aproximao dos mnimos quadrados discretos

O mtodo dos mnimos quadrados uma maneira de se obter a melhor recta que pode ser ajustada aos dados experimentais. Basicamente, um procedimento que busca o mnimo de uma funo de duas variveis (os coeficientes linear e angular da recta) construda a partir da distncia entre os pontos experimentais e os pontos de uma recta

MTODO DOS MNIMOS QUADRADOS - Caso Discreto O mtodo dos mnimos quadrados assume que a linha (recta ou curva) que melhor aproxima um conjunto de pares ordenados conhecidos, aquela que possuir a soma mnima dos desvios ao quadrado. Suponha que os pontos so:( )( ) ( ) onde X a varivel

independente e Y a varivel dependente. A linha que melhor aproxima os dados possui o desvio d (erro) de cada ponto funo f(x). d1=y1-f(x1); d2=y2-f(x2),dn=yn-f(xn) De acordo com este mtodo, a melhor linha de aproximao dever conter a seguinte propriedade: = [ ( )] =mnimo

EXEMPLO Conhecendo os seguintes pontos (x,y) : (2,3), (3,5), (4,4), (5,4) e (6,7). Determinar a recta que melhor aproximao revelar. y = + x =20;

Calcular os somatrios necessrios para compor o sistema de 2 equaes: =23; =90; =99

y=

x Para determinar os valores de ao e a1 vamos calcular a soluo do seguinte

Sistema de equaes lineares.

Resolvendo o sistema = 1,8 + 0,7x

Resulta:

=1.8 e

=0.7y =

x, y

lgebra Linear e Autovalores

A lgebra linear1 o ramo da matemtica que estuda os espaos vectoriais, ou espaos lineares, alm de funes (ou aplicaes, ou transformaes) lineares que associam vectores entre dois espaos vitoriais. Autovalor: seja T:VV um operador linear e V um operador linear e V um espao vectorial. Um Victor v V, v 0 um autovetor (vetor prprio) do operador T se existe , denominado autovalor ( valor prprio) tal que: T(v) = v Operao Linear: quando numa transformao linear o contradomnio W o mesmo espao vectorial V. Seja V um espao vetorial de dimenso n sobre um corpo K, A uma matriz quadrada de ordem n e T:V V uma transformao linear, definida por: T(v) = Av Autovalor e Autovetor Seja A uma matriz quadrada de ordem n sobre um corpo K. Se existe um escalar K e um vetor v 0 tal que Av = v este escalar denominado um autovalor de A e v um autovetor associado a este escalar . Sinnimos para a palavra autovalor so: valor prprio e valor caracterstico. Exemplo 1: Seja uma matriz A e um vetor genrico v tal que:

A=

e V=

Observamos que: A v =

Procuramos escalares tal que Av= v, isto :

( Na verdade, deveremos resolver o sistema de equaes:( ( que v=(x,y,z) (0,0,0). Temos trs possibilidades para os autovalores:

) ) )

com a condio

1. Se x 0 ento = 1 e usando tais valores nas outras equaes, obtemos y=0 e z=0.

Um vetor simples com estas propriedades v1=(1,0,0) t.

2. Se y 0 obtemos = 2, o que implica que x=0 e z=0. Um vetor simples com estas

propriedades v2=(

.Se z 0 ento = 3, garantindo que x=0 e y=0. Um )

vetor simples com estas propriedades v3= (

Neste caso especfico, conclumos que para cada autovalor existe um nico autovetor associado.Exemplo Seja agora uma matriz A e um vetor genrico v tal que:

A=

e n=

Procuramos escalares tal que Av= v, isto ( Basta resolver o sistema de equaes :( ( com a condio que v=(x,y,z) (0,0,0). ) ) )

Aqui temos um nico autovalor = 2. Realmente, se x 0 ou y 0 ou z 0 ou xyz 0 ento = 2, garantindo que existem infinitas possibilidades para x, y e z, mas escolheremos trs simples: Com x=1, y=0 e z=0, teremos v1=(1,0,0) t. .Com x=0, y=1 e z=0, teremos v2=(0,1,0) t. .Com x=0, y=0 e z=1, teremos v3=(0,0,1) t.

observamos que o mesmo autovalor =2 gerou trs autovetores. Levando em considerao os trs exemplos, tem sentido definir o conceito de autoespao associado a cada autovalor
10

Autoespao associado ao autovalor- Se um autovalor de uma matriz A, definimos o autoespao associado a como o conjunto de todos os vetores obtidos pela combinao linear dos autovetores associados a . Denotamos este conjunto por: S = { v V : Av = v }

Proposio: O conjunto S um subespao vectorial de V gerado pelos autovetores associados a . Demonstrao: O vector nulo no um autovetor mas 0 S pois A 0 = 0. Se v S e w S, ento Av= v e Aw= w, logo A(v+w) = Av + Aw = v + w = (v+w) e conclumos que v+w S. Analogamente, se v S e k K, ento: A(kv) = (kv) e conclumos que kv S. Ao invs de trabalhar directamente com a resoluo de sistemas como nos exemplos, existe um processo mais simples para obter os autovalores de A.

Mtodo de Householder
Qualquer que seja uma matriz P, tal que P uma matriz n*1, onde PTP = 1, ento H(Householder)= I 2PPT

Exemplos

Dada uma matriz P =

PTP = 1

tal que:

PTP =

=1

11

A matriz de Householder :
H = I 2PPT

-2

-2

Propriedades
Se H matriz de Householder e I matriz identidade(Ver Matriz Identidade) de ordem n, ento:
a) H = HT e b)HTH = I

Demonstrao
a)HT = (I 2PPT)T = I 2PPT = H

b)HTH = I HTH = HH = (I 2PPT)(I 2PPTII 2PPT 2PPTI + 4PPTPPT = I 2PPT 2P) = PT + 4PPT = I

Onde, P uma matriz de ordem n*1 e PT a matriz transporta de P e tem ordem 1*n, e a multiplicao de PTP igual a 1 e a multiplicao PPT uma matriz ordem n*n

12

Concluso

Apresentou-se neste trabalho os resultados da paralelizao das transformaes de Householder para soluo de sistemas de equaes lineares algbricas usando PVM em cluster de PC. Foi mostrado que as aceleraes dos algoritmos paralelos tm pontos de mximo em funo do nmero de processadores, estes que dependem da ordem do sistema a ser resolvido. Implementou-se um modelo paralelo das transformaes de Householder que reduz o nmero de troca de mensagens alcanando-se assim um bom equilbrio de cargas entre os processos. Nesse modelo, os resultados parciais so mantidos em cada processador, ao passo que, no final, so repassados at chegarem no primeiro processador. Com este novo mtodo paralelo pode-se utilizar um nmero varivel de nodos da mquina virtual paralela e tambm explorar matrizes de grande porte, devido ao fato que apenas uma parte da matriz alocada na memria de cada nodo.

13

Bibliografia

Anton, H. & Rorres, C., lgebra Linear com Aplicaes, 8ed, Bookman, Porto Alegre: 2001 pp-73 Boldrini, J. L.; Costa, S.I.R.; Ribeiro, V. L.,Wetzler, H.G., lgebra Linear, Harper-Row, So Paulo,.

Claudio, D.M. e J.M. Marins, Clculo numrico computacional: teoria e prtica, 3 ed., Atlas, So Paulo, 2000. http://cee.uma.pt/edu/acn/programa.html (acesso no dia 2 de Maio de 2013) http://www2.uab.pt/guiainformativo/detailuc.php?uc=67 (acesso no dia 2 de Maio de 2013) http://pt.wikipedia.org/wiki/%C3%81lgebra_linear (acesso no dia 2 de Maio de 2013)

14