Geometria de Algoritmos Numericos

Notas em Matemtica Aplicada 36
Editores
Clia A. Zorzo Barcelos
Universidade Federal de Uberlndia - UFU
Uberlndia, MG, Brasil
Eliana X.L. de Andrade

Universidade Estadual Paulista - UNESP
So Jos do Rio Preto, SP, Brasil
Maurlio Boaventura
Universidade Estadual Paulista - UNESP
So Jos do Rio Preto, SP, Brasil
A Sociedade Brasileira de Matemtica Aplicada e Computacional - SB-

MAC publica, desde as primeiras edies do evento, monograas dos cursos
que so ministrados nos CNMAC.
A partir do XXVI CNMAC, para a comemorao dos 25 anos da SB-
MAC, foi criada a srie Notas em Matemtica Aplicada para publicar
as monograas dos minicursos ministrados nos CNMAC.
O livro correspondente a cada minicurso deve ser preparado em latex, as
guras em eps e deve ter entre 60 e 100 pginas. O texto deve ser redigido
de forma clara, acompanhado de uma excelente reviso bibliogrca e de
exerccios de vericao de aprendizagem ao nal de cada captulo.
Alm do livro, cada responsvel por minicurso deve preparar transparn-
cias e outros materiais didticos que julgar convenientes. Todo o material
ser colocado disposiao dos interessados no site da SBMAC.
objetivo da srie publicar textos dos encontros regionais e de outros
eventos patrocinados pela SBMAC.
Sociedade Brasileira de Matemtica Aplicada e Computacional

2008
Notas em Matemtica Aplicada
Ttulos publicados para o XXXI CNMAC - 2008
33 Introduo Simulao Estocstica para Aturia e Finanas Usando

R
Hlio Crtes Vieira e Alejandro C. Frery
34 Modelos de Sustentabilidade nas Paisagens Amaznicas Alagveis
Maurcio Vieira Kritz, Jaqueline Maria da Silva e Cludia Mazza
35 Uma Introduo Dinmica Estocstica de Populaes
Leonardo Paulo Maia
36 Geometria de Algoritmos Numricos

Gregorio Malajovich
37 Equaes Diferenciais, Teorema do Resduo e as Transformadas
Integrais
Edmundo Capelas de Oliveira e Jayme Vaz Jnior
Veja outros ttulos da srie ao final deste livro.

Arquivos no formato pdf disponveis em
http://www.sbmac.org.br/notas.php
GEOMETRIA DE ALGORITMOS
NUMRICOS
Gregorio Malajovich
gregorio@ufrj.br
Departamento de Matemtica Aplicada,

Instituto de Matemtica,
Universidade Federal do Rio de Janeiro.
Sociedade Brasileira de Matemtica Aplicada e Computacional

So Carlos - SP, Brasil
2008
Coordenao Editorial: Sandra Mara Cardoso Malta
Coordenao Editorial da Srie: Eliana Xavier Linhares de Andrade
Editora: SBMAC
Impresso na Grca:
Capa: Matheus Botossi Trindade
Patrocnio: SBMAC
Copyright
c 2008 by Gregorio Malajovich
Direitos reservados, 2008 pela SBMAC. A publicao nesta srie no impede
o autor de publicar parte ou a totalidade da obra por outra editora, em
qualquer meio, desde que faa citao edio original.
Catalogao elaborada pela Biblioteca do IBILCE/UNESP

Bibiotecria: Maria Luiza Fernandes Jardim Froner
Malajovich, Gregorio
Geometria de Algoritmos Numricos - So Carlos, SP :
SBMAC, 2008, 76 p., 20.5 cm - (Notas em Matemtica Aplicada; v. 36)
ISBN ??
1. Algoritmos Numricos 2. Complexidade

I. Malajovich, Gregorio II. Ttulo. III. Srie
CDD - 51
Contedo
1 Condicionamento, e a Variedade Discriminante 9

1.1 O que no se ensina no curso de lgebra Linear . . . . . . . . 9
1.2 Arredondamento e condicionamento . . . . . . . . . . . . . . 11
1.3 O polinmio prdo . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Teoria geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Os problemas mal postos . . . . . . . . . . . . . . . . . . . . 20
1.6 A decomposio em valores singulares . . . . . . . . . . . . . 21
1.7 Os problemas mal condicionados . . . . . . . . . . . . . . . . 22
1.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 A iterao de Gre, Dandelin ou Lobachevskii 25

2.1 A iterao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Papel logartmico, renormalizao e Geometria Algbrica Tro-
pical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Perturbao ou Derivao . . . . . . . . . . . . . . . . . . . . 33
2.4 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 A procura na Web 37
3.1 Introduo teoria dos grafos . . . . . . . . . . . . . . . . . . 37
3.2 A Equao do Calor em grafos . . . . . . . . . . . . . . . . . 39
3.3 As Leis de Kirchho . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Digrafos e o Google . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Busca na rede e a svd . . . . . . . . . . . . . . . . . . . . . . 46
3.6 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 A compresso do som, o mp4 e a televiso digital 51

4.1 Sinais sonoros . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2 A transformada de Fourier . . . . . . . . . . . . . . . . . . . . 53
5
6
4.3 A base de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.4 O ouvido humano e a transformada de Wavelets. . . . . . . . 57
4.5 O padro MP3 e os CODECs . . . . . . . . . . . . . . . . . . 59
4.6 Compresso de imagem e de vdeo . . . . . . . . . . . . . . . 60
4.7 A televiso digital. . . . . . . . . . . . . . . . . . . . . . . . . 61
4.8 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
A Complementos de lgebra Linear 65

A.1 Bases e ortogonalidade . . . . . . . . . . . . . . . . . . . . . . 65
A.2 Bases ortogonais, matrizes ortonormais . . . . . . . . . . . . . 67
A.3 Obtendo bases ortonormais . . . . . . . . . . . . . . . . . . . 68
A.4 Normas de matrizes . . . . . . . . . . . . . . . . . . . . . . . 68
A.5 Matrizes de Mrkov . . . . . . . . . . . . . . . . . . . . . . . 69
A.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Prefcio
Estas so as notas de um curso oferecido durante o Congresso Nacional
de Matemtica Aplicada e Computacional, Belm do Par, de 8 a 11 de
setembro de 2008.
Vou comear com uma armao polmica. Matemtica Computacional
no (nem pode ser) utilizar mtodos computacionais para resolver um
modelo matemtico.
Meu argumento que esse procedimento pode satisfazer engenheiros ou
fsicos, mas nunca satisfaz a curiosidade de um matemtico. No produz
teoremas. Passa ao largo de problemas matemticos interessantes.
So objetos susceptveis de estudo matemtico no apenas o modelo,
mas ainda os algoritmos, a classe de todos os algoritmos resolvendo o mesmo
problema, e ainda classes de modelos semelhantes (dependendo por exemplo
de um ou mais parmetros).
Isso difere do ponto de vista do engenheiro, para quem um algoritmo
uma regra de bolo. Funciona ou no funciona, se no funcionar, troca-se. J
para um matemtico, algoritmos tm que ser provados corretos. Armaes
sobre a velocidade do algoritmo, ou a complexidade de um problema, exigem
provas.
Quando o algoritmo no funciona na prtica, ou quando funciona melhor
do que o previsto, isso precisa ser explicado. Essa explicao vem geralmente
em forma de teoremas.
Provar teoremas sobre algoritmos (e algoritmos numricos em particu-
lar) exige um ferramental matemtico de ponta. Em alguns casos, esse
ferramental precisa ainda ser construdo. Problemas de complexidade como
P 6= N P se transformaram em desaos para a comunidade matemtica em
geral.
Matemticos gostam de problemas difceis. Quanto mais conexes com
Gregorio Malajovich, Geometria de Algoritmos Numricos. Notas em Matemtica

Aplicada 37 (XXXI CNMAC), SBMAC, So Carlos, 2008.
c Gregorio Malajovich, 2008.
Copyright
7
8
reas de pesquisa atuais, maior a garantia de que os resultados atuais sero

no-triviais.
Nas duas primeiras aulas, ilustraremos algumas conexes entre a anlise
de algoritmos numricos e tpicos como geometria diferencial ou algbrica.
Nas duas aulas seguintes, mostraremos como matemtica de boa quali-
dade tem o poder de voltar, inuenciando a nossa vida cotidiana. Para isso,
vou mostrar quais so os fundamentos matemticos da procura na Internet
e da compresso de imagens e de som.
O nico pr-requisito para este curso ter conhecimentos bsicos de
lgebra Linear, no nvel de um curso de graduao. Alguns dos principais
conceitos e teoremas de lgebra Linear necessrios para a comprenso do
texto esto resumidos no Apndice.
Os exemplos numricos esto escritos em linguagem de programao C,
ou na linguagem do aplicativo Octave. Este aplicativo software livre, logo
todos os exemplos podem ser executados em um computador com GNU-
Linux bem congurado. Quem dispuser da verso em PDF destas notas
pode utilizar o mouse para copiar e executar os exemplos numricos.
Parte do material foi extrado do texto de lgebra Linear do autor,
em preparao (mas disponvel eletronicamente), em www.labma.ufrj.br/
~gregorio.
Agradeo a um revisor annimo e a Beatriz Malajovich por ajudarem a
depurar este texto.
A pesquisa do autor apoiada pelo CNPq (Conselho Nacional de De-
senvolvimento Cientco e Tecnolgico) e pela FAPERJ (Fundao Carlos
Chagas Filho de Amparo Pesquisa do Estado do Rio de Janeiro).
Aula 1
Condicionamento, e a
Variedade Discriminante
1.1 O que no se ensina no curso de lgebra
Linear
Nos cursos de lgebra Linear, ensinamos a resolver sistemas de equaes
ans, ou seja, sistemas da forma
Ax = b , (1.1.1)
onde A uma matriz n n, e b e x so vetores em Rn . Essa equao tem

soluo x nica se e somente se det(A) 6= 0.
Nos bons cursos de lgebra Linear, ensina-se a resolver o sistema (1.1.1)
por eliminao Gaussiana ou por fatorao PLU. Isso s vale para sistemas
com matriz inversvel (e as outras situaes so tratadas caso a caso).
Por exemplo, o sistema

0 0 1 b1
0 1 0 x = b2
0 1 1 b3
admite uma reta de solues se e somente se b3 = b1 + b2 .

Copyright
9
10 AULA 1. CONDICIONAMENTO, E A VARIEDADE DISCRIMINANTE
Teoricamente, o sistema

0 1 b1
0 1 x = b2 (1.1.2)
0 1 1 b3
tem sempre soluo para 6= 0.

Vamos escolher b = [1, 0, 1]T e resolver este ltimo sistema por elimina-
o: subtraindo a segunda linha da terceira, obtemos:

0 1 1
0 1 x = 0 .
0 0 1 1
Ou seja, x3 = 1/(1 ), x2 = x3 e x1 = (1 x3 )/ = 1/(1 ). No

limite,
lim x1 = 1.
0
Esses so resultados exatos e tericos, obtidos simbolicamente. Ao refa-

zer o mesmo exemplo numericamente, ca evidente que a teoria no descreve
de maneira adequada a realidade de um computador digital.
Vamos utilizar diversos valores de :
#include <stdio.h>
#include <math.h>
void resolve(float epsilon)

{
float x[4] ;
x[3] = 1.0 /(1.0-epsilon) ;

x[2] = -epsilon * x[3] ;
x[1] = (1.0 - x[3]) / epsilon ;
printf("x = [% 15.12e % 15.12e % 15.12e]\n", x[1],x[2],x[3]) ;

}
Podemos agora olhar para os resultados:
main()
{
1.2. ARREDONDAMENTO E CONDICIONAMENTO 11
resolve(pow(2.0, -21)) ;
}
gregorio@momentum:~/cnmac$ ./arredonda
x = [-1.000000000000e+00 -4.768373855768e-07 1.000000476837e+00]
x = [-1.000000000000e+00 -2.384186359450e-07 1.000000238419e+00]
x = [-1.000000000000e+00 -1.192093037616e-07 1.000000119209e+00]
x = [-2.000000000000e+00 -5.960465188082e-08 1.000000119209e+00]
x = [ 0.000000000000e+00 -2.980232238770e-08 1.000000000000e+00]
x = [ 0.000000000000e+00 -1.490116119385e-08 1.000000000000e+00]
Quando sucientemente pequeno, o resultado obtido para x1 zero !

Isso se deve maneira como os nmeros reais so representados. Computa-
dores trabalham com grandezas aproximadas, representadas como nmeros
de ponto utuante. O formato padro em uso nos computadores modernos
(guras 1.1 e 1.2) prev 23 bits de mantissa.
O modelo de aritmtica utilizado hoje em todos os computadores o
padro IEEE754/854 [4, Cap. 2.3]. Este modelo constitui uma denio
axiomtica rigorosa da aritmtica digital, embora permita diferentes imple-
mentaes. As regras ou axiomas do padro permitem provar teoremas sobre
algoritmos numricos.
Por outro lado, x1 = 0 est longe da soluo do sistema (1.1.2). Para
entender as implicaes de se utilizar aritmtica IEEE, preciso entender
no apenas o efeito do arredondamento no algoritmo, mas ainda o conceito
de condicionamento, que independente do algoritmo.
1.2 Arredondamento e condicionamento

Um estudo cuidadoso do algoritmo de eliminao Gaussiana sob a aritmtica
de ponto utuante [2, Seo 2.4.2] mostra que, se o computador produzir
uma soluo x para o problema Ax = b, ento x a soluo exata para
um problema aproximado,
(A + A) x = b .
Alm disso, prova-se que kAkF 3nkLkF kU kF , onde A = P LU a

fatorao PLU de A e k kF denota a norma de Frobenius (Ver Apndice,
seo A.4).
Subtraindo a equao Ax = b, obtemos:
Figura 1.1: Representao de nmeros de ponto utuante em preciso sim-

ples (padro IEEE 754). Nmeros de ponto utuante em preciso dupla so
representados de maneira anloga com 52 bits de mantissa, 11 de expoente
e um de sinal.
Formato Preciso simples Preciso dupla IEEE-854

dupla estendida
Linguagem C oat double long double
Bits de mantissa 23 52 64
Bits de expoente 8+1 11+1 15+1
Menor representvel >1 1 + 223 1 + 252 1 + 264
Menor arredondado a 1: 1 + 224 1 + 253 1 + 265
Figura 1.2: Padro IEEE 754. Dados tirados de /usr/include/ieee754.h

1.3. O POLINMIO PRFIDO 13
A x + A x = 0 .
Ou seja,
x = A1 Ax
e o erro relativo da soluo aproximada pode ser estimado por:
kxk kxk
kA1 k2 kAkF .
kx + xk kx + xk
Isso implica:
kxk kAkF kxk

kA1 k2 kAkF .
kx + xk kAkF kx + xk
Seja A = kAk2 kA1 kF . Nesse caso, obtemos:
kxk kAkF
A .
kx + xk kAkF
Em outras palavras: O processo numrico utilizado para computar x

produziu a soluo exata de um problema aproximado. O erro relativo na
soluo x pode ser estimado pelo produto do erro relativo no problema, vezes
o nmero A .
O nmero A no depende do algoritmo utilizado para resolver o sis-
tema de equaes. Ele um invariante que depende apenas dos coecientes
do sistema. chamado de nmero de condicionamento da matriz A, asso-
ciado ao problema de resolver Ax = b.
No exemplo numrico acima, A ' 21 .
1.3 O polinmio prdo

O polinmio prdo de grau d (tambm conhecido como polinmio de Poc-
hammer) denido por:
pd (x) = (x 1)(x 2) (x d) .
Por exemplo,
p10 (x) = x10 55x9 + 1320x8 18150x7 + 157773x6 902055x5 +

+ 3416930x4 8409500x3 + 12753576x2 10628640x1 + 3628800.
Uma maneira de se encontrar a razes de polinmios de grau baixo pro-

duzir a matriz companheira associada a eles. Se f (x) = xd + fd1 xd1 +
+ f1 x + f0 , ento a matriz companheira de f

0 1 0 0
.. .. .
.

. . .

Cf = .. .. . .
. . .

.

0 1
f0 f1 fd2 fd1
A matriz companheira foi construda de maneira que f fosse o seu po-

linmio caracterstico (a menos do sinal):
det Cf I = (1)d f ().
Assim, reduzimos o problema de resolver um polinmio de grau d a

outro problema, que o de achar os autovalores de uma matriz d d.
Existe excelente software numrico para achar autovalores. Vamos aplicar
essa idia ao polinmio prdo.
p=poly(1:10)
C=[ [zeros(9,1),eye(9)]; -p(11:-1:2)]
x=eig(C)
x =
10.00000
9.00000
8.00000
7.00000
6.00000
5.00000
4.00000
3.00000
2.00000
1.00000
A soluo parece correta. Mas conhecemos a soluo exata, e podemos
conferir:
x - [10:-1:1]
ans =
1.3. O POLINMIO PRFIDO 15
4.3965e-11
-2.1128e-10
4.4744e-10
-5.4329e-10
4.0626e-10
-1.8595e-10
4.9097e-11
-6.6769e-12
4.0634e-13
-1.5654e-14
Mais uma vez, a soluo parece correta. O fato do Octave usar aritmtica
de dupla preciso deveria no entanto levantar suspeitas. O erro relativo de
cada operao aritmtica em preciso dupla de no mximo 253 ' 1016 .
No est claro se o resultado acurado. O mesmo acontece se utilizamos o
comando roots.
Vamos agora repetir o experimento, com grau 20.
p=poly(1:20) 13.0553
C=[ [zeros(19,1),eye(19)]; -p(21:-1:2)] 11.9753
x=eig(C) 11.0092
9.9975
x = 9.0005
7.9999
19.9994 7.0000
19.0056 6.0000
17.9769 5.0000
17.0524 4.0000
15.9092 3.0000
15.1021 2.0000
13.9168 1.0000
O seguinte experimento mostra que a diculdade em se resolver polin-
mios prdos no bug do software ou decincia do algoritmo:
p=poly(1:10)
p(11)=p(11)*1.0001
C=[ [zeros(9,1),eye(9)]; -p(11:-1:2)]
x=eig(C)
x =
9.9990
9.0089
7.9624
7.0807
5.8673
5.1327
3.9193
3.0376
1.9911
1.0010
Uma perturbao de 0.01% em um dos coecientes provocou uma pertur-

bao de 2% nos valores das razes.
Para explicar o ocorrido, introduzimos o nmero de condicionamento
de Wilkinson para polinmios: se um zero isolado de f, dene-se o
condicionamento por
kf k
f () = .
|f 0 ()|
Se z for uma soluo exata do polinmio f + f , ento podemos denir
implicitamente:
(f + tf )(z(t)) = 0
com z(1) = z . Derivando em relao a t,
(f )(z(t)) + (f + f )0 (z(t))
=0
e logo

1

z(t)
1 z(t)2

kz(t)k
kf k .
|(f + f )0 (z(t))|

.
.

.

z(t)degf
Podemos concluir (com um pouco mais de trabalho) que o erro kzk

no mximo da ordem de
kf k p
f () degf max(1, ||)degf .
kf k
1.4. TEORIA GERAL 17
1.4 Teoria geral

Nmeros de condicionamento foram estudados e denidos para os mais di-
versos problemas, como por exemplo problemas de autovalores, soluo de
sistemas de polinmios, mnimos quadrados, etc... (Ver [1, 2]).
A teoria geral de nmeros de condicionamento utiliza conceitos de geo-
metria diferencial. Vamos introduzir abaixo alguns conceitos fundamentais
de Clculo em Variedades, essenciais para o bom entendimento do que segue.
Em primeiro lugar, uma funo diferencivel uma funo derivvel,
com derivada contnua. Se for uma funo vetorial, exigimos que todas as
derivadas parciais em relao a todas as variveis sejam diferenciveis, e
representamos a derivada pela matriz das derivadas parciais.
Denio 1.1. Seja

F : Rn Rm
x 7 F (x)
uma funo diferencivel, com n m. Um ponto crtico de F um x Rn
tal que DFx < m, ou seja, que as colunas de DFx no sejam
tenha posto
independentes, ou ainda que a aplicao linear DFx no seja sobrejetora.
Um ponto regular um x R que no crtico. Denimos ainda um
n
valor crtico de F como um y Rm que seja imagem por F de um ponto

dito valor regular se ele no imagem de nenhum
m
crtico. Um y R
ponto crtico.
Denio 1.2. Uma subvariedade diferencivel d-dimensional M implcita

em Rn um conjunto da forma F 1 (0), onde
F : Rn Rm
x 7 F (x)
uma funo diferencivel, e 0 valor regular de F.

Neste texto, uma variedade sempre uma subvariedade diferencivel d-
dimensional implcita de algum espao linear. Por exemplo, o conjunto das
matrizes n n de determinante zero uma variedade.
M = F 1 (0) uma variedade (no nosso sentido)
Se e x um ponto de
M , denimos o espao tangente a M em x como
Tx M = ker DFx .
Existe uma parametrizao de Tx M em uma vizinhana de x M.

Dessa maneira, podemos (localmente) introduzir sistemas de coordenadas
em M. Se F : R n Rm , ento Tx M tem dimenso nm e dizemos que
M tem dimenso m n.
Se M e N so variedades e : M N , ento denimos Dx : Tx

T(x) como a melhor aproximao linear de (se existir). Dessa maneira,
podemos fazer clculo em variedades.
Uma denio diferente de variedade utilizada em geometria algbrica.
Um fechado de Zariski o conjunto dos zeros de uma coleo de polinmios
(reais, complexos, etc...). Uma variedade algbrica um fechado de Zariski,
que no se escreve como unio trivial de fechados de Zariski. A variedade
das matrizes A tais que det A = 0, por exemplo, uma variedade algbrica.
Um problema numrico denido por um espao (ou variedade !) F de

entrada (por exemplo, as matrizes n n) e um espao X de solues (exem-
plo: autovalor C). Existe uma regra associando solues s entradas.
Essa regra no nem pode ser uma funo unvoca, pois certos problemas
(por exemplo, o problema de autovalores) admitem vrias solues.
No exemplo, um nmero complexo autovalor de A se e somente
se det(A I) = 0. Denimos portanto a seguinte variedade de F C,
chamada de variedade de incidncia (Figura 1.3):
V = {(A, ) F C : det(A I) = 0} (1.4.3)
(A prova de que V variedade um exerccio). 1 : V F e 2 : V C

denotam as projees cannicas.
Dado (M, ) V F X , podem acontecer duas situaes:
(A, ) ponto crtico da projeo 1 : V F . Nesse caso, a entrada

A chamada de mal-posta, ou degenerada. Por denio, o nmero
de condicionamento (A, ) em (A, ) innito.
(A, ) ponto regular da projeo V F . Nesse caso (Teorema da

Funo Implcita !) podemos estender como funo (2 11 )de A,
localmente, em uma certa vizinhana de A. O nmero de condiciona-
mento (A, ) em (A, ) a norma da derivada da funo implcita
(2 11 ) em A.
Em geral, o nmero de condicionamento proporcional norma da

derivada da soluo em funo da entrada, podendo ser innito. Se for
grande, a entrada dita mal condicionada. Se for innita, ela degenerada
ou mal posta. Se pudssemos impunemente brincar com a preciso de
nossos computadores,o nmero de bits necessrio para resolver um problema
com uma certa entrada seria proporcional ao logaritmo do condicionamento
desta.
1.4. TEORIA GERAL 19
Variedade de incidncia
Ponto regular
2 Pontos crticos
1
Valores crticos F
Valor regular
Figura 1.3: Formulao geral.

1.5 Os problemas mal postos

Os nmeros de condicionamento medem a diculdade de resolver um pro-
blema para determinada entrada. A esse ttulo, constituem a noo central
em anlise numrica, e nmeros de condicionamento altos so a principal
obstruo para algoritmos numricos.
Identicada a obstruo, cumpre entend-la, para depois tomar as devi-
das providncias (contornar? remover? explodir? conformar-se?).
Na maioria dos problemas numricos estudados em dimenso nita, o
conjunto das entradas mal-postas tem estrutura de variedade algbrica.
Essa variedade no , em geral, diferencivel. Por exemplo, no caso do
problema de resolver sistemas lineares, as entradas mal-postas so precisa-
mente:
{A : det A = 0} .
No caso de polinmios em uma varivel, a classe das entradas mal pos-

tas a variedade dos polinmios com uma raiz mltipla. Em funo dos
coecientes, isso equivale a escrever:
f0 f1

.. . ..
.

f1 . . .

.. ..
.
f0 (d 1)fd1 .

det ... ..
=0.

f1 dfd . f1

. .. .. .
. .

fd . . . .

.. . ..
.
. . . (d 1)fd1
fd dfd
A variedade das entradas mal postas um objeto extremamente compli-

cado, mas tem sempre codimenso 1 (i.e. dimenso N 1 em um espao
de dimenso N ).
Podemos deduzir que
A probabilidade de uma entrada aleatria ser mal posta zero.
A variedade das entradas mal postas no desconecta a variedade de

todas as entradas... desde que se trate de variedades complexas.
Superfcie e rea de vizinhana tubular podem ser estimadas.
1.6. A DECOMPOSIO EM VALORES SINGULARES 21
1.6 A decomposio em valores singulares

Precisamos agora de alguns teoremas de lgebra Linear. O principal deles
o teorema da decomposio em valores singulares, e vamos deduzi-lo do
Teorema Espectral.
Teorema 1.3 (T. Espectral para matrizes simtricas). Seja S uma matriz
simtrica real n n. Ento todos os autovalores de S so reais, e S admite
uma base ortonormal de autovetores.
A prova foi deixada para os exerccios. Admitindo esse resultado, pode-
mos passar ao Teorema seguinte.
Seja A : Rn Rm uma aplicao linear. Os espaos Rn e Rm so
munidos do produto interno cannico.
Vamos mostrar que existe uma base ortonormal (v1 , . . . , vn ) de Rn , e
m
uma base ortonormal (u1 , . . . , un ) de R , tais que a matriz associada A
relativa a essas duas bases diagonal.
Uma matriz de tamanho m n diagonal positiva se e somente se
para todo i, ii 0, e para i 6= j , ij = 0.
Teorema 1.4. Seja A uma matriz real de tamanho m n. Ento existem

U O(m), V O(n) e diagonal positiva de tamanho m n, tais que
A = U V T .
Demonstrao: Para xar as idias, vamos assumir que m n. (No caso

T
m < n, basta substituir A por A ).
A matriz AT A real e simtrica. Pelo Teorema Espectral, ela admite
uma base ortonormal (v1 , . . . , vn ) de autovetores. Denotamos por i os
autovalores de AT A. Para todo i = 1, . . . , n, denimos
i = kAvi k
e assumimos que a base vi est ordenada de maneira que 1 2

n . Seja r o posto de A, ento 1 , . . . , r 6= 0 e para todo i {1, 2, . . . , r},
podemos denir
ui = i1 Avi .
Por construo, kui k = 1. (Note que isso implica que i2 = i ). Como
para todo 6 j , vi (AT A)vj = j viT vj = 0, teremos que hui , uj i = 0 e os
i=
ui formam um conjunto ortonormal.
Existe uma base (u1 , . . . , ur , wr+1 , . . . , wm ) Rn . Aplicando
de Gram-
Schmidt a essa base, obtemos um base ortonormal (u1 , . . . , um ). Como
todo vetor ortogonal imagem de A pertence ao ncleo de AT ,

1 0 0 0
0
2 0 0
0 0 3

.. .
. ..
. . . T
A=U
0
V .
0 r

0 0 0

. . .
.. .
.
.
.
0 0 0
Os i 's so chamados de valores singulares de A, e os ui 's e vi 's de

vetores singulares.
Uma interpretao geomtrica a seguinte. Assuma que A de tamanho
m n, com mn e posto n). Seja
E = {Ax : kxk 1} .
O conjunto E o elipside de centro zero, e semieixos i ui .
1.7 Os problemas mal condicionados

Lembremos que o nmero de condicionamento de uma matriz A dado por
A = kAk2 kA1 kF .
Seja = {A : det A = 0} a variedade das entradas mal postas.
Teorema 1.5 (Eckart-Young).

1
A =
d(, A)/kAkF
onde d(, A) = min(A+A) kAkF .

Prova: Vamos utilizar a decomposio em valores singulares de A. Pelo
Teorema 1.4, toda matriz A se escreve como:
A = U V
1.7. OS PROBLEMAS MAL CONDICIONADOS 23
onde U e V so matrizes ortogonais, e uma matriz diagonal real no-

negativa. Seja

1
2
=

..
.
n
com 1 2 n > 0. Ento, podemos escrever explicitamente:
qX
kAkF = i2
e qX
A = i2 /n .
A menor perturbao que torna A singular :

0
..
. T
A = U V

0
n
que tem norma n . Logo, d(A, )/kAkF = n /kAkF = 1/A , q.e.d.
Resultados anlogos foram descobertos para problemas como o problema
de autovalores, problema de mnimos quadrados, soluo de polinmios, de
sistemas de polinmios.
Esses resultados sugerem o seguinte paradigma: O nmero de condicio-
namento pode ser interpretado como o inverso da distncia variedade das
entradas mal postas.
Como todo paradigma, deve ser tomado com um certo cuidado. No caso
de polinmios e sistemas de polinmios, a igualdade um pouco mais sutil:
o nmero de condicionamento (f, ) a inversa da distncia medida dentro
da bra das entradas f com soluo em ([1, Cap.12]).
No caso do problema de autovalores no-simtrico, a distncia menor

ou igual a 1/ c2 1 ' 1/c, onde c o nmero de condicionamento ([2,
Teorema 4.6]).
No entanto, o paradigma acima permite atacar a perguntas como a se-

guinte: qual a probabilidade de uma matriz ter nmero de condio menor
do que um certo 1 ? Para isso precisamos denir uma medida de probabi-
lidade sobre as matrizes. Por exemplo, se as coordenadas so variveis ale-
atrias Gaussianas, identicamente e independentemente distribudas, Alan
Edelman mostrou [3, Cor. 7.1] que
2 2
lim Prob[ < 1 ] = e2n2n
.
n
Pelo Teorema de Eckart-Young, estamos calculando o volume (proba-

bilidade total) de uma vizinhana tubular de raio da variedade algbrica
det A = 0.
1.8 Exerccios
Exerccio 1.1. Explique os resultados obtidos pelo programa da pgina 10
Exerccio 1.2. Mostre que se S uma matriz real simtrica, ento seus
autovalores e autovetores so reais.
Exerccio 1.3. Mostre que se u autovalor de S, e se v u, ento Sv u.

Exerccio 1.4. Prove o Teorema Espectral.
Exerccio 1.5. Mostre que a variedade algbrica {A : det(A) = 0}, onde A

uma matriz nn e n 2, no uma variedade diferencivel implcita.
Exerccio 1.6 . Mostre que toda matriz complexa quadrada A se escreve

como A = QRQ , onde R triangular superior e QQ = I .
Exerccio 1.7. Mostre que o conjunto V da equao (1.4.3) uma variedade.
Exerccio 1.8. Ache uma expresso para o nmero de condicionamento do
problema de autovalores.
Referncias
[1] Lenore Blum, Felipe Cucker, Michael Shub, and Steve Smale, Complexity and real
computation, Springer-Verlag, New York, 1998.
[2] James W. Demmel, Applied numerical linear algebra, Society for Industrial and Ap-
plied Mathematics (SIAM), Philadelphia, PA, 1997.
[3] Alan Edelman, Eigenvalues and condition numbers of random matrices, Ph.D. Thesis,
Department of Mathematics, Massachusetts Institute of Technology, Cambridge, MA,
1989.
[4] Nicholas J. Higham, Accuracy and stability of numerical algorithms, 2nd ed., Society
for Industrial and Applied Mathematics (SIAM), Philadelphia, PA, 2002.
Aula 2
A iterao de Gre,
Dandelin ou Lobachevskii
Na dcada de 1830, a Academia de Cincias de Berlim ofereceu um prmio
para o melhor mtodo de se achar zeros de polinmios.
O agraciado foi Karl Heinrich Gre (1799-1873) cujo trabalho (publi-
cado em 1837) prope elevar as razes ao quadrado, por meio da iterao

f (x) 7 f ( x)f ( x). Aps um pequeno nmero k de iteraes, pos-
k
svel recuperar as razes 2 -simas das razes de f.
O mtodo j havia sido esboado em 1826 por Germinal Pierre Dandelin
(1794-1847) (Fig.2.1), matemtico, engenheiro militar e futuro revolucion-

Copyright
Figura 2.1: Germinal Dandelin (1794-1847) e Nicolai Ivnovich Lobachevskii

(1792-1856).
25
26 AULA 2. A ITERAO DE GRFFE, DANDELIN OU LOBACHEVSKII
rio Belga. Esse mtodo passou a ser conhecido no ocidente como mtodo
de Dandelin-Gre.
Foi descoberto independentemente por Nicolai Ivnovich Lobachevskii
(1792-1856) (Fig.2.1), hoje mais conhecido pela inveno da geometria no
Euclidiana. O Tratado de lgebra de Lobachevskii foi entregue ao censor
em 1832, mas s foi publicado em 1834. Pesou contra ele o fato de estar
em Kazan, longe dos centros intelectuais da Europa. Nos textos Soviticos,
falava-se do algoritmo de Lobachevskii.
Cada um deles apresentou contribuies importantes para o mtodo,
que foi tornado mais rigoroso e eciente ao longo de dois sculos.
Nesta aula, pretendo apresentar uma viso moderna da iterao de
Gre-Dandelin-Lobachevskii. Quero mostrar que apesar de quase bicente-
nrio, o algoritmo ilustra vrios tipos de conexes de problemas numricos
com reas correntes da matemtica.
A principal referncia para a verso moderna do algoritmo o artigo [3],
escrito em parceria com Jorge P. Zubelli. A referncia histrica [1].
2.1 A iterao
Seja
d
X
f (x) = fj xj (2.1.1)
j=0
um polinmio de grau d, com coecientes reais ou complexos. Para simpli-

car as contas, vamos assumir que fd = 1 (f mnico).
Do Teorema Fundamental da lgebra, sabemos que f admite d razes
complexas, contadas com multiplicidade. Sejam 1 , . . . , d essas razes, e
assumimos que esto ordenadas de modo que
|1 | |2 | |d | .
O polinmio f (x) tambm se escreve
f (x) = (x 1 )(x 2 ) (x d ) . (2.1.2)
Igualando (2.1.1) a (2.1.2), deduzimos que os coecientes do polinmio

f so (a menos de um sinal) as funes simtricas das razes:
fj = (1)dj dj (1 , . . . , d ) . (2.1.3)
2.1. A ITERAO 27
com
0 (1 , . . . , d ) = 1
1 (1 , . . . , d ) = 1 + 2 + + d
2 (1 , . . . , d ) = 1 2 + 1 3 + + d1 d
.
.
.
d (1 , . . . , d ) = 1 2 d
A iterao de Gre leva o polinmio f (x) no polinmio (Gf )(x) =

(1)d f ( x)f ( x). Dados os coecientes de f (x), podemos calcular os
coecientes de (Gf )(x) pelo algoritmo da multiplicao ou convoluo:
min(j,dj)
X
(Gf )j = (1)ji fj+i fji .
i= min(j,dj)
Essa conta pode ser feita de maneira extremamente rpida utilizando a

transformada rpida de Fourier.
Por outro lado,
p p
Gf (x) = ( x 1 )( (x) + 1 ) ( x d )( (x) + d )
p
= ( x 12 ) ( (x) + d2 )
Vamos agora iterar esse processo. Escrevemos

g(x) = GN f (x) = (G
| G {z
G})(f ) (x) .
N vezes
Vamos denotar por gi os coecientes de g(x) = GN f (x). Como

N N N
g(x) = (x 12 )(x 22 ) (x d2 ) ,
teremos:
gd = 1
N N N

gd1 = 12 + 22 + + d2
N N N N N N
gd2 = 12 22 + 12 32 + + d1
2
d2
.
.
.
N N N
g0 = (1)d 12 22 d2
Vamos introduzir agora uma hiptese simplicadora: assumimos tem-

porariamente que
|1 | < |2 | < < |d | . (2.1.4)
j
Seja R = min j1 . Ento R > 1. Temos agora:
gd = 1
N
gd1 = d2 (1 + d1 )
N N
2
gd2 = d1 d2 (1 + d2 )
.
.
.
N N N
g1 = (1)d1 22 32 d2 (1 + 1 )
N N N
g0 = (1)d 12 22 d2
onde os j so pequenos (quando R xo e k grande): uma estimativa

bvia
2N d
|j | < R .
j
At a primeira metade do sculo XX, era usual representar os gi em papel

N
logartmico (com a escala certa) e aproximar log |i |2 pelo coeciente da
reta contendo (j, log |gj |) e (j + 1, log gj+1 ). Esse grco era conhecido
como diagrama de Newton (Fig 2.2).
Sobraram dois problemas:
1. Como lidar com razes com o mesmo mdulo ? Por exemplo, f1 (x) =
x2 2x + 1 ?
2. Como recuperar os argumentos ? Se f2 (x) = x2 1, ento Gf1 (x) =

Gf2 (x) = f2 (x), e perdemos informao !
A soluo histrica era iterar f (x + ) e f (x ), obtendo assim |i |

e |i + |.
2.2 Papel logartmico, renormalizao e Geo-

metria Algbrica Tropical
Vimos que no natural assumir que as razes de um polinmio tm mdulo
diferente. De fato, existe uma probabilidade positiva de um polinmio real
2.2. PAPEL LOGARTMICO, RENORMALIZAO E GEOMETRIA ALGBRICA
TROPICAL 29
Figura 2.2: Diagrama de Newton, polinmio complexo aleatrio de grau 20,

aps 11 iteraes.
aleatrio ter razes complexas conjugadas. Vamos portanto substituir a

hiptese (2.1.4) por uma hiptese muito mais fraca:
Hiptese: Se duas razes de f tm mesmo mdulo, por uma das
seguintes razes: elas so iguais, ou f real e as razes so conjugadas.
Nesse caso, dizemos que f livre de crculos.
Essa uma hiptese genrica e de probabilidade um. Se f no for livre
de crculos, sempre podemos aplicar uma transformao conforme aleatria
e obter (com probabilidade 1) um polinmio livre de crculos. De agora em
diante, assumimos que f livre de crculos.
A cada etapa de iterao, representamos os coecientes da N -sima ite-
rada g(x) = GN f (x) em coordenadas logartmicas renormalizadas:
N i (N )
1i
gk = e2 rk (N )
e .
Ou ainda:
(N )
rk = 2N log |gk |
(N )
i = arg gk
Isso era feito implicitamente no incio do sculo XX, utilizando papel

logartmico. A mudana de escala era feita, mas no escrita.
Se valesse a hiptese (2.1.4), teramos o seguinte fato: embora a seqn-
cia dos (GN f (x))N N seja divergente, a seqncia dos (r(N ) )N N converge
para um limite que nos fornece informao relevante.
Esse um exemplo de renormalizao, tcnica utilizada em autmatos
celulares e sistemas dinmicos. (Renormalizao em fsica pode ser um
pouco diferente).
(N )
Por outro lado, a dinmica dos argumentos k tipicamente catica,
(N ) (N 1)
no limite k ' 2k mod 2 . importante entender que esse fato
(N )
trivial e absolutamente irrelevante. A informao guardada nos k
perdida, e aqui entender sistemas dinmicos caticos no ajuda em nada.
A convergncia da seqncia (r(N ) )N N depende da hiptese (2.1.4). O
que acontece com polinmios livres de crculos mais complicado. Esse
fenmeno foi descrito por Ostrowskii [4, 5], mas o fato de renormalizarmos
os r(N ) permite um entendimento melhor:
(N )
Seja r(N ) a maior funo convexa em [0, d] tal que r(N ) (k) rk ,
k = 0, . . . , d.
(N )
Se f livre de crculos, ento r convergente (Figura 2.3). A veloci-
dade de convergncia pode ser estimada em funo de R.
2.2. PAPEL LOGARTMICO, RENORMALIZAO E GEOMETRIA ALGBRICA
TROPICAL 31
Figura 2.3: Diagrama de Newton renormalizado, polinmio aleatrio real

de grau 10.
At a inveno do computador digital, a iterao de Gre-Dandelin-

Lobachevskii e suas variantes eram o algoritmo escolhido para resolver po-
linmios.
Isso mudou radicalmente com o advento do computador digital. Aps
as primeiras experincias numricas, cou claro que o expoente estourava
rapidamente (Fig 1.1).
Por exemplo, se comeamos com coecientes da ordem de 2, em 10
1
iteraes apenas teremos coecientes da ordem de 22 0
, que precisam de 21 0
bits em representao inteira exata, e de em torno de 10 bits de expoente
em representao mantissa-potncia de dois. Hoje utilizamos em torno de
10 bits de expoente.
Como apareceram algoritmos mais simples de implementar (ou imple-
mentados por outras razes), o algoritmo cou esquecido.
Utilizando a idia de renormalizao, no ocorre estouro do expoente,
e a cada passo podemos fazer contas renormalizadas da maneira seguinte:
Representao usual: Renormalizao de ordem N:
2N r+i
x=e (r, )
N
y = e2 s+i (s, )
N
x + y = e2 t+i (t, ) = (r, ) + k (s, )
N
xy = e2 u+i (u, ) = (r, ) + (s, )
Onde (assumindo r s:)
N N

t = 2N log e2 r+i + e2 s+i

N

= r log 1 + e2 (sr)+i()

Note que
N ei()
e2 (sr)+i()
= .
1 + 2N (r s) + 12 22N (r s)2 +
A soma renormalizada pode ser calculada de maneira estvel. Quando
2N |r s|, pode-se at aproximar (r, ) + k (s, ) pelo limite,

(r, ) Se r > s
(r, ) + (s, ) = (s, ) Se s < r .
(r, Indenido) Se r = s

A primeira coordenada desse limite conhecida hoje como soma tropical

de r e s.
Denio 2.1. O semianel tropical o anel R munido das operaes
de soma tropical r + s = max(r, s) e produto tropical r s = r + s.
2.3. PERTURBAO OU DERIVAO 33
Existe tambm uma conexo com geometria simpltica. Podemos re-

lacionar o sistema de coordenadas renormalizado (r, ) ao espao R S1
munido da mtrica induzida pelo pull-back da mtrica de Fubini pela imer-
so de Veronese
v : R S1 Pd
(r, ) 7 c0 1 : c1 er+i : : cd edr+di
onde ci so constantes reais positivas. O fecho de RS 1 a variedade trica

associada aos polinmios a uma varivel densos de grau d. O nmero de
solues proporcional ao volume dessa variedade. Esse fato se generaliza
a dimenso qualquer (Mais informaes em [2]).
2.3 Perturbao ou Derivao

Como mencionei acima, um dos mtodos para se recuperar tambm o m-
dulo das razes era perturbativo: aplicar o algoritmo em f (x + ) e em
f (x ). Em anlise numrica, esse tipo de algoritmos costumam ser uma
pssima idia por conta dos arredondamentos.
muito melhor utilizar clculo diferencial. Algoritmos numricos podem
ser derivados.
Vamos considerar inicialmente uma curva de polinmios,
f (x ) = (x 1 ) (x d ) .
S iremos derivar o algoritmo uma vez e para ' 0. Por isso, escrevemos:
f (x ) = f (x) + f(x) + O(2 )
onde podemos calcular

f(x) = f 0 (x) .
Agora podemos aproximar cada iterao por uma funo am em :
f (x) 7 Gf (x) = (1)d f (x)f (x)

f (x) + f(x) 7 Gf (x) + (1)d f (x)f(x) + f(x)f (x)
A aplicao f +f 7 Gf +DG|f f chamada em Clculo em Variedades

de aplicao tangente.
Iterando a aplicao tangente, obtemos uma linha de polinmios g(x)+
g(x)
, de razes
N N
Zj + Z j = (j + )2 + O(2 ) = j2 (1 + 2N j1 ) + O(2 ) .
Assim,
Z j = 2N Zj j1
e podemos recuperar
Z j
j = 2N .
Zj
(Ainda necessrio reescrever essa frmula em termos de coordenadas
renormalizadas. Isso feito no artigo [3]).
2.4 Concluses
Um dos principais objetivos desta aula era convencer a audincia de que
algoritmos numricos so um objeto cujo estudo demanda ferramental ma-
temtico clssico:
1. Clculo Diferencial: algoritmos podem e devem ser diferenciados.

2. Geometria Diferencial: algoritmos existem naturalmente em varieda-
des.
3. Geometria Simpltica (dessa falei pouco).
Uma outra lio importante: A Matemtica do sculo XIX est cheia de

resultados brilhantes, muitos dos quais fora de moda. Ao estudar problemas
computacionais, nunca se deve desprezar a sabedoria de quem era obrigado
a fazer as contas na mo.
2.5 Exerccios
Exerccio 2.1 . Dena uma variao da iterada de Gre, que eleve ao cubo
cada soluo de um polinmio f.
Exerccio 2.2 . Mostre que com probabilidade um, todo polinmio livre
de crculos.
Exerccio 2.3 . Uma reta tropical de equao a r + b s + c o

2
conjunto de (R ) dos pontos (r, s) onde o mximo de a r, b s
e c atingido pelo menos duas vezes. Caracterize todas as retas tropicais.
Exerccio 2.4 . Mostre que duas retas tropicais tm sempre pelo menos um
ponto de interseco.
2.5. EXERCCIOS 35
Exerccio .
PS k k
2.5 f (x, y) =
Seja k=1 fk x y um polinmio em duas va-
riveis, fk 6= 0. Seja V o conjunto dos zeros de f em C . A ameba A
2
associada a f o conjunto A = {( log |x|, log |y|) : (x, y) V }. Mostre

que lim 2
k
A est contido na curva tropical dos {(r, s) (R )2 tais
que
k k
max r s
k
atingido pelo menos duas vezes.
Referncias
[1] Alston S. Householder, Dandelin, Lobaevski, or Graee?, Amer. Math. Monthly 66
(1959), 464466.
[2] Gregorio Malajovich and J. Maurice Rojas, High probability analysis of the condition
number of sparse polynomial systems, Theoret. Comput. Sci. 315 (2004), no. 2-3,
524555.
[3] Gregorio Malajovich and Jorge P. Zubelli, Tangent Graee iteration, Numer. Math.
89 (2001), no. 4, 749782.
[4] Alexandre Ostrowski, Recherches sur la mthode de Graee et les zros des polynomes
et des sries de Laurent, Acta Math. 72 (1940), 99155 (French).
[5] , Recherches sur la mthode de Graee et les zros des polynomes et des sries
de Laurent. Chapitres III et IV, Acta Math. 72 (1940), 157257 (French).
Esta lista no completa. Uma bibliograa mais extensa pode ser en-
contrada em [3].
Aula 3
A procura na Web
3.1 Introduo teoria dos grafos
Talvez uma das aplicaes mais importantes e menos entendidas da lge-
bra Linear sejam os algoritmos de de busca na internet. Os conceitos fun-
damentais so o Teorema Espectral (Teorema 1.3) e a decomposio SVD
(Teorema 1.4).
Denio 3.1. Um grafo simples um par G = (V, E) onde V um conjunto

nito (seus elementos so chamados de vrtice e E um conjunto de pares
no ordenados de vrtices diferentes (chamados de arestas ).
Um caminho uma lista nita de vrtices, tais que cada dois vrtices
consecutivos formam uma aresta. Tambm podemos representar um cami-
nho pela lista de arestas correspondentes. Um ciclo um caminho onde o
ltimo vrtice idntico ao primeiro vrtice.
Exemplo 3.2 . A internet (Fig. 3.1) pode ser modelada por um conjunto
(gigantesco mas nito) de computadores (vrtices), cada um conectado a
um nmero pequeno de outros computadores. Cada ligao uma aresta.
Um modelo mais realista associaria tambm a cada aresta, a sua velocidade
ou largura de banda.
Exemplo 3.3 . A malha rodoviria nacional tambm pode ser descrita como
um conjunto de vrtices (localidades), e as arestas correspondem s estradas
diretas entre essas localidades.

Copyright
37
38 AULA 3. A PROCURA NA WEB
Figura 3.1: Mapa parcial da internet. Imagem publicada por Matt Britt,
http.wikimidia.org, sob o ttulo Internet map 1024.jpg. Copyright
c Crea-
tive Commons Attribution 2.5 License.
3.2. A EQUAO DO CALOR EM GRAFOS 39
Exemplo 3.4. Matemticos costumam escrever artigos em parceria. O grafo

de colaborao o grafo cujos vrtices correspondem a cada Matemtico
com artigos publicados, e as arestas existncia de uma colaborao pu-
blicada entre eles. A distncia de colaborao entre dois Matemticos
a distncia entre eles no grafo, e pode ser calculada . O
1
nmero de Erds
de um Matemtico a distncia de colaborao entre ele e Paul Erds
(1913-1996), que foi aparentemente o mais colaborador e prolco dentre os
grandes matemticos do sculo passado. O grau de um vrtice o nmero
de arestas contendo esse vrtice. No grafo de colaborao, Paul Erds tem
grau 507.
Propriedades mtricas e de conexidade de grafos so extremamente im-

portantes. Em uma rede de comunicaes, importante que existam mlti-
plos caminhos entre dois pontos mas tambm crucial que a distncia entre
dois pontos quaisquer seja pequena.
Isso uma caracterstica importante de redes de comunicaes ou de
redes sociais, conhecida como propriedade do mundo pequeno.
A internet tem essa propriedade (vocs podem listar o caminho en-
tre o seu computador e outro computador qualquer usando o comando
traceroute. Uma distncia de 30 incomum. Entre Matemticos, a dis-
tncia de colaborao costuma ser bem menor (4 razovel).
Uma maneira de estudar grafos introduzir a matriz de adjacncia.
Denio 3.5 . A matriz de Adjacncia AG associada a um grafo simples

G = (V, E) a matriz de tamanho #V #V denida por

1 Se {a, b} E
(AG )a,b =
0 Em todos os outros casos.
3.2 A Equao do Calor em grafos

Para se estudar as propriedades de conexidade de grafos do mundo real (em
geral com milhares ou milhes de vrtices, talvez bilhes) necessrio re-
correr a invariantes estatsticos. Por exemplo, possvel estudar caminhos
aleatrios em grafos. Como veremos a seguir, isso est relacionado com a
equao do calor.
Seja G um grafo simples. A matriz Laplaciana associada a G denida
por:
G = AG DG
1 Ver em: ams.impa.br
grau
P
onde a matriz DG diagonal, e (DG )vv = w Avw o do vrtice v
(nmero de arestas incidentes). A transmisso do calor entre dois compar-
timentos proporcional diferena de temperatura. A equao diferencial
do calor em uma barra de metal pode ser obtida discretizando o espao e o
2
u(x,t)
tempo e passando ao limite: =
t
u(x,t)
x2 . Em uma placa ou barra de
u(x,t)
metal, a equao
t = x u(x, t).
A equao do calor em grafos

u(t) = H u(t) .
Essa equao modela um processo de difuso em grafos. Se H for conexo,

limt u(t) existe, e constante entre vrtices conectados por caminhos.
Quanto mais rpida (em geral) a convergncia, mais bem-conexo o grafo.
Podemos tambm considerar o anlogo discreto:
u(t + 1) = I + H u(t) .
Note que para < 1/(max(DG )vv ), a matriz I + H uma matriz

de Mrkov! De fato uma matriz duplamente estocstica, e a distribuio
estacionria uv = 1.
A matriz H simtrica, e pode portanto ser diagonalizada. Seus auto-
valores so portanto nmeros reais. Como I + H estocstica, os auto-
valores de H so menores ou iguais a zero. Sendo H conexo, o autovalor
zero ter multiplicidade 1.
Denio 3.6 . O espectro de um grafo H a lista 0 = 1 2 #V

dos autovalores de H .
Pelo Teorema Espectral, a matriz H admite uma base ortonormal de

autovetores. Isso permite estimar a velocidade de convergncia de u(t) por:
ku(t) u k e2 t ku(0)k .
Quanto mais negativo for 2 , mais robusta e eciente uma rede de comu-
nicaes.
3.3 As Leis de Kirchho

As Leis de Kirchho (Fig.3.2) permitem resolver circuitos eltricos com
resistncias conectadas de maneira arbitrria. Para isso, precisamos repre-
sentar circuitos eltricos de alguma maneira. Poderamos utilizar um grafo,
mas precisamos ainda de mais informao:
3.3. AS LEIS DE KIRCHHOFF 41
Figura 3.2: Leis de Kirchho e de Ohm.
1. Precisamos convencionar uma orientao para cada aresta.
2. Alm disso, precisamos conhecer cada uma das resistncias.
Um grafo simples onde se especica uma orientao para cada aresta

chamado de grafo orientado . Agora, o conjunto de arestas um subconjunto
E V V . onde, se (v, w) E , (w, v) 6 E . Em particular, no existe aresta
da forma (v, v).
Denio 3.7 . A matriz de Incidncia IG associada a G a matriz de

tamanho #E #V , onde

1 Se b=c
(IG )(a,b),c = 1 Se c=a

G portanto o grafo orientado de uma malha eltrica, onde a cada

Seja
aresta (a, b) associamos uma resistncia R(a,b) . Seja R R#E R R#E
#E
a matriz diagonal das resistncias, i R o vetor da corrente em cada
#V
aresta e q R o vetor de potencial eltrico.
Assumimos que o circuito est em equilbrio.
Lei de Kirchho para a corrente: A corrente eltrica entrando em
um vrtice igual corrente saindo.
Do ponto de vista matricial,
IGT i = 0 .
Lei de Kirchho para a voltagem A soma de diferenas de potencial

entre arestas correspondendo a um ciclo fechado zero.
O vetor das diferenas de potencial u = IG q R#E .
Os caminhos fechados pertencem todos ao ncleo de IGT . O que a Se-
T
gunda Lei arma que u ortogonal ao ncleo de IG . Isso segue do Teorema
do Posto.
Agora aplicamos a Lei de Ohm: u = iR.
No nosso caso, temos a igualdade matricial u = Ri. Podemos resolver o

circuito:
IGT R1 IG q = 0 .
A dimenso do espao das solues dim ker IG , que o nmero de
componentes conexos do grafo. Isso razovel se o nosso circuito est no
equilbrio.
Agora suponhamos que prescrevemos entrada ou sada de corrente em
alguns dos vrtices. Teremos agora:
IGT R1 IG q = j ,
onde j corresponde ao intercmbio de corrente. A matriz IGT R1 IG si-

mtrica e pode ser assimilada a um Laplaciano. A Lei de Ohm diz que a
derivada da carga em um vrtice igual soma das diferenas de poten-
cial, ponderadas pela condutncia (inversa da resistncia). Nesse sentido, a
equao acima corresponde tambm a um processo de difuso. A maneira
correta de se denir a matriz de adjacncia para um circuito de resistncias
como a matriz das condutncias:
1

Ra,b Se (a, b) ou (b, a) E
(AG )a,b =
Nesse caso, denimos o grau de a como a soma das condutncias das

arestas incidindo em a. Recuperamos portanto que:
IGT R1 IG = AG DG = G .
3.4 Digrafos e o Google

Denio 3.8. Um digrafo simples ou directed simple graph) G um par
(V, E) onde V um conjunto nito (seus elementos so chamados de vrtices
) e E V V . Os elementos de E so chamados de arestas . Arestas de um
vrtice nele mesmo so permitidas.
Exemplo 3.9 .
World Wide Web modelada por um conjunto de pginas
A
(associadas a um endereo http ou uniform ressource locator ) (vrtices) e
um conjunto de ligaes orientadas (links) entre os vrtices.
Exemplo 3.10 . O crebro humano composto de mais de 100 bilhes de

neurnios. Cada neurnio uma clula com dois prolongamentos (xil e
dendrtico). Cada um desses prolongamentos se ramica em possivelmente
3.4. DIGRAFOS E O GOOGLE 43
Figura 3.3: Domnio ctcio de Web.
milhares ou dezenas de milhares de extremidades. Potencial eltrico no

centro da clula (soma) transmitido ao prolongamento xil. Isso afeta o
terminal dendrtico de outros neurnios em contato (sinapse), transmitindo
assim a informao. A transmisso unidirecional. Neurnios podem ser
ativadores ou inibidores. De qualquer maneira, podemos modelar o uxo de
informao por um digrafo, onde os neurnios so os vrtices e as sinapses
so as arestas. Um neurnio pode ter mil ou dez mil arestas.
O invariante natural de um digrafo a matriz de transferncia, verso

orientada da matriz de adjacncia:

1 Se (b, a) E
(TG )a,b =
Essa matriz no simtrica.

Vamos supor que um programa rastejador (que vamos chamar de bot)
percorre um grafo orientado G = (V, E) escolhendo, a cada vrtice, uma
aresta aleatria. Para xar as idias, vamos considerar apenas o domnio
da Figura 3.3. O bot se desloca de maneira aleatria, escolhendo arestas ao
acaso.
Quatro domnios disputam a ateno do bot, e todos tm uma bot trap
: uma vez que o bot entrou em uma pgina, ele no consegue mais sair do
sub-domnio.
Se o bot chega em um vrtice sem sada, ele pula para um vrtice alea-
trio. Ainda, poderia car preso em um ciclo.
Uma soluo possvel a seguinte: a cada passo, o bot tem uma pro-
babilidade de pular para uma pgina escolhida de maneira totalmente
aleatria.
Larry Page, Sergey Brin e coautores[3] , ento estudantes em Stanford,
modelaram a relevncia de uma pgina como o tempo mdio que um desses
bots caria nessa pgina. Obviamente impossvel simular isso com um
trilho de bots. Mas o algoritmo que Page desenvolveu, em conjunto com
Serguei Brin, permite estimar esse tempo de maneira conveniente.
Para isso, ele modelou o passeio aleatrio do bot por um processo de
Mrkov. Dado um vetor de probabilidade pt (que mede a probabilidade do
bot se encontrar em cada pgina, no tempo t), pode-se escrever o vetor pt+1
como pt+1 = M pt , onde:

1
.
1 + (1 )T D1 ,

M= . 1 ...
N .
1
N o nmero de vrtices e D a matriz diagonal contendo o nmero de

arestas saindo de cada vrtice.
A Matriz M uma matriz de Mrkov, e portanto (pt ) converge para um
estado estacionrio p . O ndice de relevncia da pgina v pv .
Os algoritmos que Page e Brin utilizaram se mostraram muito mais
ecientes do que os disponveis para a concorrncia (que funcionava como
as pginas amarelas, cobrando dos anunciantes). Google , o sistema de busca
deles, ganhou imediatamente o favor dos usurios da internet.
Vamos digitar a matriz de transferncia do domnio ctcio da Fig. 3.3:
T = zeros( 15, 15) ;
T( 1, 2) = 1; T( 2, 4) = 1; T( 3, 4) = 1; T( 2, 3) = 1; T( 1, 5) = 1;
T( 5, 1) = 1; T( 5, 6) = 1; T( 6, 8) = 1; T( 8, 7) = 1; T( 6, 7) = 1;
T( 5, 7) = 1; T( 5, 9) = 1; T( 9, 5) = 1; T( 1, 9) = 1; T( 9, 1) = 1;
T( 9,10) = 1; T(10,11) = 1; T( 9,12) = 1; T( 1,12) = 1; T(15,12) = 1;
T(12,15) = 1; T(14,15) = 1; T(15,14) = 1; T(13,14) = 1; T(14,13) = 1;
T(12,13) = 1; T(13,12) = 1; T(12,14) = 1; T(14,12) = 1; T(15,13) = 1;
T(13,15) = 1;
T = T'
Agora produzimos a matriz M, e iteramos.
delta = 0.15 ;
D = sum(T) ;
3.4. DIGRAFOS E O GOOGLE 45
for j=1:15
if (D(j) == 0) T(:,j) = ones(15,1) ;
end ;
end ;
D = sum(T) ;
M = delta * ones(15,1) * ones(1,15) / 15 + (

(1-delta) * T * diag(D.^(-1))) ;
p = ones(15,1)/15 ;
for k=1:100
p = M * p ;
end ;
p'
eps = norm(p - M*p)
Obtemos:
octave:58> p'
ans =
Columns 1 through 8:
0.033144 0.026101 0.030151 0.055779 0.033144 0.026101 0.062822 0.030151
Columns 9 through 15:
0.033144 0.026101 0.041244 0.158762 0.147785 0.147785 0.147785
octave:59> eps = norm(p - M*p)

eps = 2.2153e-16
Note que Egosta.org foi quem apresentou os melhores ndices de rele-

vncia ! O domnio Egosta.org montou uma fazenda de links , que aumenta
o nmero de arestas apontando para cada uma das suas pginas.
Uma maneira de evitar essas manipulaes escolher a priori um nmero

pequeno de pginas conveis e s permitir o salto para essas pginas.
Outra utilizar mais matemtica.
O algoritmo atualmente utilizado pelo Google no pblico. O autor

destas linhas est convencido de que se trata de uma variante do algoritmos
abaixo.
3.5 Busca na rede e a svd

A matriz de transferncia T foi denida assim: Tvu = 1 se existe uma
aresta orientada (u, v), seno Tvu = 0. Jon M. Kleinberg [2] observou o
seguinte: (T T T )u1 u2 conta o nmero de vezes que u1 e u2 apontam para
a mesma pgina. Isso mede quanto u1 e u2 concordam enquanto fontes de
referncias.
Vamos supor que um engenho de busca atribui peso au para a pgina u
enquanto fonte de referncia. Quo bom o vetor de pesos a? Do ponto
de vista da pgina u1 , (T T T a)u1 . Uma medida de quo
uma boa medida
T
consensual o vetor a a norma kT T ak. Kleinberg sugere utilizar o
T T
autovetor principal de T T , que maximiza kT T ak, como peso para as
pginas enquanto fonte de referncia.
J(T T T )v2 v1 conta o nmero de referncias que apontam simultanea-
mente para v1 e v2 . Kleinberg tambm propes utilizar o autovetor principal
b de T T T como peso para as pginas enquanto contedo. (Ver exerccio 3.3
para vericar que podemos escolher b de tal maneira que bu 0).
Esse algoritmo pode ser interpretado em termos da decomposio em
valores singulares (Teorema 1.4). Os vetores a e b podem ser escolhidos
de tal maneira que kak = kbk = 1. Nesse caso, eles so o vetor singular
principal direita (resp. vetor singular principal esquerda) de T, e so
relacionados por
1 b = T a
onde 1 = kT k2 o valor singular principal.
Os ndices de Kleinberg so manipulveis. Uma pgina pode obter um

alto ndice de relevncia enquanto fonte apontando para toda a internet.
Para evitar esse tipo de manipulao, podemos substituir a matriz de
transferncia T pela matriz estocstica M.
Vamos voltar ao nosso exemplo. Uma maneira pouco eciente de se
calcular os vetores singulares :
octave:28> [u,sigma,v]=svd(M)
octave:29> p=u(:,1); q=v(:,1); p=p/sum(p); q=q/sum(q) ; [p,q]
ans =
0.040813 0.041361
0.027973 0.072657
0.050063 0.102729
0.137383 0.054022
0.036762 0.060426
0.032024 0.093969
3.5. BUSCA NA REDE E A SVD 47
0.190207 0.054022
0.059120 0.139113
0.040813 0.041361
0.027973 0.051422
0.062892 0.054022
0.087595 0.055486
0.068793 0.059803
0.068793 0.059803
0.068793 0.059803
Note que a fazenda de links da Egosta.com perdeu a liderana nas
buscas !
O algoritmo mais eciente para se achar autovetores principais (ou ve-

tores singulares principais) a iterao: Escolher p1 ao acaso, depois iterar
(M T M )pi
pi+1 = .
k(M T M )pi k
A velocidade de convergncia estimada facilmente utilizando o fato de que
MT M simtrica, e portanto (Teorema 1.3) admite uma base ortonormal
de autovetores.
Seja q o autovetor principal de MT M. Vamos escrever:
pi = xi q + ri ,
com ri q. Ento, a velocidade de convergncia pode ser estimada por:
kri+1 k 2 kri k

xi + 1 1 xi
onde 1 2 . . . so os autovalores de MT M (e j = j2 ).
A indstria de engenhos de busca na internet altamente competitiva,
e precisa se atualizar constantemente para combater Web spam , prticas
desonestas para obter (e vender) mais visibilidade. O combate ao Web
spam pode exigir interveno humana acoplada aos algoritmos [1] , ou re-
programao dos programas rastejadores que podem ser instrudos a no
freqentar certos domnios.
A maioria dos algoritmos so segredos industriais ou foram patentea-
2
dos .
Este captulo foi escrito com base na informao disponvel publica-
mente, mas omiti aspectos computacionais importantes.
2 Algoritmos so objetos matemticos e portanto no so patenteveis. No entanto,

o departamento de patentes de alguns pases aceita objetos matemticos como parte de
um processo industrial.
Figura 3.4: Ponte de resistncias.
3.6 Concluses
Alguns problemas em grafos grandes podem ser modelados utilizando idias
de processos de difuso, que levam a uma matemtica similar da equa-
o do calor. A partir desse momento, os modelos podem ser resolvidos
utilizando idias de lgebra Linear.
Uma das idias principais utilizar, sempre que possvel, bases ortonor-
mais. No exemplo acima, s precisamos calcular um dos vetores da base
ortonormal (o autovetor principal).
Transformaes ortogonais (ou seja, matrizes cujas colunas so ortonor-
mais) tm nmero de condicionamento 1. Isso implica que mudanas de
coordenadas ortonormais so numericamente estveis, e que os autoveto-
res de MT M, no nosso exemplo, no vo ser muito afetados por mudanas
pequenas na matriz M ou por erros de arredondamento.
Trabalhar com matrizes grandes difcil por outra razo, alm de even-
tual instabilidade numrica: as matrizes no entram na memria de um
nico computador. preciso Matrizes do tamanho da World Wide Web
exigem algoritmos distribudos computacionalmente ecientes, que explo-
ram a estrutura do grafo.
3.7 Exerccios
Exerccio 3.1. A gura 3.4 mostra uma ponte de resistncias. Assuma que
o valor de cada resistncia de 1. Sabemos que passa uma corrente de 1A
entre os pontos a e b. Qual a diferena de tenso ?
3.7. EXERCCIOS 49
Exerccio 3.2 . O grafo perfeito Kd de ordem d o grafo com d vrtices,

conectados todos com todos. Quais so os autovalores de Kd ?
Exerccio 3.3 . Seja T a matriz de transferncia de um grafo orientado, e

assuma que de todo vrtice sai ao menos uma aresta. Mostre que o au-
tovetor principal de TTT pode ser escolhido com coordenadas positivas.
Dica: mostre que o ortante positivo mapeado nele mesmo pela iterao
x 7 T T T x.
Exerccio 3.4 . Considere agora o grafo com d vrtices 1 a d, onde j e j+1
esto conectados e d est conectado a 1. Calcule numericamente os autova-
lores de seu Laplaciano.
Exerccio 3.5 . Considere a seguinte variante para o modelo de Kleinman:

substitua a matriz T, no pela matriz estocstica M mas pela matriz
M
obtida normalizando as colunas da matriz estocstica. Dessa maneira, in-
terprete a recorrncia pi+1 = M pi
TM como a verso discreta do processo
continuo
TM
I)p(t) .
p(t) = (M
t
Mostre que essa variante daria peso igual para cada uma das pginas.
Dica: interprete esse processo como a equao do calor em um certo grafo.
Referncias
[1] Zoltn Gyngi, Hector Garcia-Molina, and Jan Pedersen, Combating Web Spam with
TrustRank, Proceedings of the International Conference on Very Large Data Bases
30, 576. http://www.vldb.org/conf/2004/RS15P3.PDF.
[2] Jon Michael Kleinberg, US Patent 6112202: Method and system for identifying autho-
ritative information resources in an environment with content-based links between
information resources., 1997, 2000.
[3] Lawrence Page, Sergey Brin, Rajeev Motwani, and Terry Winograd, The PageRank
citation ranking: Bringing order to the Web, Preprint, Stanford University, 1999.
http://dbpubs.stanford.edu:8090/pub/1999-66.
Aula 4
A compresso do som, o
mp4 e a televiso digital
4.1 Sinais sonoros
O som que ouvimos corresponde a variaes de presso nos nossos tmpanos,
que so capturadas e transformadas em um sinal nervoso no nosso ouvido
interno.
Podemos capturar um sinal sonoro com um microfone, e o sinal eltrico
analgico pode ser gravado, transmitido, reproduzido e retransformado em
sinal sonoro.
Hoje em dia preferimos armazenar som sob forma digital. Para isso,
o sinal eltrico produzido por um microfone pode ser digitalizado por um
conversor analgico-digital. O circuito de udio dos computadores modernos
tem um conversor embutido.
Se o computador estiver rodando GNU-linux ou similar, existe um dis-
positivo de udio /dev/dsp que funciona como um arquivo (pode ser lido
e escrito) e permite capturar o sinal do microfone. Mas vamos fazer o ex-
perimento no Octave:
f = record (1) ;
plot(f) ;
playaudio(f)

Copyright
51
52 AULA 4. A COMPRESSO DO SOM, O MP4 E A TELEVISO DIGITAL
(a) (b)
(c) (d)
Figura 4.1: Sinal sonoro (a) original, (b) transformada de Fourier, (c) trans-
formada de Fourier comprimida, (d) comprimido.
O primeiro comando captura o sinal do microfone durante 1 segundo, o

segundo mostra o grco do sinal (Figura 4.1a) e o terceiro toca o sinal de
volta. O sinal foi armazenado em um vetor de R8000 (So 8000 leituras do
sinal por segundo). O grco est desenhado na gura 4.1a.
Para gravar msica em qualidade de CD, precisamos de 44,100 leitu-
ras por segundo, vezes dois canais. Para armazenar uma hora de msica,
6
precisaramos armazenar um vetor de R31810 . Guardando dois bytes por
coordenada, precisaremos de aproximadamente 600 MB, que o tamanho
dos atuais CDs.
Um mtodo de compresso possvel (utilizado em redes de telefonia)
aplicar uma escala logartmica intensidade do sinal, e armazenar utili-
zando menos bits (por exemplo, 8). Por exemplo, de x um sinal sonoro, a
codicao de x pela chamada law ou u law denida por:

sinal(|xi |) |xi |
yi = ln 1 +
ln(1 + ) max(|xj |)
onde = 255.
Esse mtodo (apenas) razovel para comunicaes telefnicas.
4.2. A TRANSFORMADA DE FOURIER 53
4.2 A transformada de Fourier

Vamos denotar por L2 ([0, 1]) o espao de todas as funes a valores com-
plexos, denidas para t [0, 1], integrveis e com quadrado integrvel. Se
temos um sinal (funo real) f denido no intervalo de tempo [0, 1], pode-
mos considerar ele como um elemento de L ([0, 1]). O produto interno de
2
2
duas funes f e g em L ([0, 1])
Z 1
hf, gi = f(t)g(t) dt.
0
Note que esse produto est bem denido em L2 ([0, 1]).

A transformada de Fourier de f denida por:
Z 1
f(s) = f (t)e2ist dt
0
para s Z. Uma denio equivalente
f(s) = ht 7 e2ist , t 7 f (t)i .
A transformada de Fourier pode ser interpretada como uma aplicao

linear de L2 ([0, 1]) no espao l2 (Z), que o espao de todas as biseqncias
qP
(fs )sZ a valores complexos com norma Euclidiana kfk = sZ |fs |2
nita. Esse espao admite o produto interno
X
hfs , gs i = f gs .
s
sZ
Prova-se ainda que vale a seguinte frmula de reconstruo:
X
f (t) = e2its f(s) .
sZ
Nesse sentido, diz-se que o conjunto das funes t 7 e2its uma base
2
do espao L ([0, 1]).
Observao 4.1 . A denio usual de combinao linear, nos textos de l-
gebra, costuma ser a da combinao linear nita. Em anlise de Fourier ou
processamento de sinais, assume-se que uma combinao linear qualquer
soma ou integral, com norma Euclidiana dos coecientes (ou integral do
valor absoluto do mdulo da funo-coeciente) limitada.
Note tambm que
Z 1
kt 7 e2its k2 = 1 dt = 1
0
e que, para s1 6= s2 inteiros,
Z 1
ht 7 e2its1 , t 7 e2its2 i = e2it(s2 s1 ) dt = 0.
0
Assim, (t 7 e2its )sZ uma base ortonormal do espao L2 ([0, 1]).

Observao 4.2 . Uma maneira clssica de resolver a equao do calor e a
2
equao da onde escrever o operador f (x) 7 2 f (x) nessa base ortonor-
x
mal. Obtemos o operador
fs 7 4 2 s2 fs .
Note que esse operador tem norma innita, e que ele innitamente mal
condicionado. (Em geral, a derivao mal condicionada e por isso algorit-
mos de diferenciao numrica so sempre problemticos).
Vamos utilizar a base de Fourier como primeira aproximao para pro-

cessamento de sinais. O comando fft do Octave aproxima a transformada
de Fourier. Se temos um vetor f deRN ou CN , o comando produz um vetor
f = F(f ) de CN onde
F : CN CN
PN 1 .
f 7
f = F(f ) onde fj = k=0 fk e2ijk/N
A transformao F conhecida como transformada de Fourier discreta , ou

DFT.
Se o vetor f discretizao de um sinal de durao T , a j -sima coor-
min(j,N j)
denada de fj corresponde freqncia
T . (Ver exerccio 4.6).
1
O comando ifft calcula a transformada discreta inversa de Fourier F .
Podemos gerar a nota L a 440 Hz fazendo:
y=zeros(8000,1); % 1s corresponde a 8000 leituras.

y(440-1)=1e+6;
playaudio(real(ifft(y))) ;
(Compare com o sinal telefnico). Do ponto de vista matemtico, essa
transformada corresponde a uma projeo ortogonal do sinal original.
Agora vamos utilizar isso para comprimir o sinal de voz que havamos
gravado. O ouvido humano consegue perceber freqncias entre 20Hz e
4.2. A TRANSFORMADA DE FOURIER 55
20kHz. Se gravamos uma mensagem de 1 segundo com 8000 leituras, ento

perdemos totalmente as freqncias mais altas (Acima de 4kHz). Isso
perceptvel na qualidade do sinal, mas no prejudica a sua compreenso.
Vamos olhar para o espectro das freqncias do sinal:
Ff = fft(f) ;
plot(abs(Ff)) ;
Vemos na gura 4.1b que o sinal parece concentrado em umas poucas
freqncias.
As seguintes linhas mostram um processo rudimentar de compresso.
Vamos primeiro ordenar as coordenadas de f = Ff por valor absoluto de-
crescente. O ndice I armazena a ordem das coordenadas. Vamos depois
medir quanto do sinal est concentrado nas 25% das freqncias com maior
amplitude.
[ES,I]=sort(abs(Ff),'descend');
plot(ES) ;
norm(ES(1:2000))/norm(ES)
ans = 0.95853
Vemos que, se zeramos as 75% das freqncias restantes, perdemos me-
nos de 5% do sinal. Vamos fazer isso:
Ff(I(2001:8000))=zeros(6000,1);
plot(abs(Ff))
g=real(ifft(Ff));
plot(g)
playaudio (g)
(Veja a gura 4.1cd). O sinal comprimido g quase indistinguvel do
original f. Ao armazenar apenas um quarto das amplitudes, podemos obter
uma compresso signicativa. Ao executar o programa acima, vocs esto
ouvindo o efeito de uma projeo ortogonal.
Aplicando esse procedimento a pequenos intervalos de sinais mais longos,
possvel tambm equalizar, eliminar freqncias indesejadas ou remaste-
rizar gravaes antigas.
Uma maneira de cortar um sinal f (t) em pedaos de tamanho T
substituir, para cada k, a funo f (t) por

0 Se < T k/2
fk ( ) = f (t)sen2 ( T ( T k/2)) Se T k/2 T (k/2 + 1)
0 Se > T (k/2 + 1).

P
Teremos ento f (t) = k fk (t + T k/2). Se depois aplicamos a Trans-
formada de Fourier Discreta em cada fk , obtemos a chamada transformada
de Fourier discreta de curto prazo ou STDFT.
Um procedimento de remasterizao usual calcular a STDFT e reti-
rar as freqncias que aparecem em menor intensidade (exatamente como
zemos no exemplo do sinal sonoro).
Outra transformada usual a transformada do cosseno, que pode subs-
tituir a transformada discreta de Fourier (Ver exerccio 4.4). Para um sinal
de tamanho T, ela denida por:
T 1
X k 1
Fk = ft cos t+ .
t=0
T 2
4.3 A base de Haar

A transformada de Fourier no a nica maneira razovel de se representar
um sinal. Uma das grandes desvantagens da transformada de Fourier
que ela representa mal transientes ou picos de um sinal. Isso quer dizer
que um transiente, transformado pela transformada de Fourier, no pode
facilmente ser comprimido.
Mesmo quando se utiliza a transformada de Fourier de curto prazo, o
tamanho da janela xo, e transientes com durao muito inferior a esse
tamanhos sero mal representados. A transformada de Haar uma maneira
razovel de representar sinais com transientes.
A funo de Haar denida por:
H: R R

0 Se x<0
1 Se 0 x < 1/2

x 7 H(x) =

1 Se 1/2 x < 1
0 Se x > 1.

A base de Haar que utilizaremos para representar funes em L2 ([0, 1])

ser composta de dilaes e translaes de H. Denimos
Hm,n (t) = 2m/2 H(2m t n)
onde m N n = 0, . . . , 2m 1. O fator multiplicativo 2m/2 garante

e
2
que o conjunto das Hm,n seja ortonormal. Para geral o espao L ([0, 1])
inteiro, denimos ainda H0,0 (t) 1. Mostra-se que os Hmn formam uma
2
base ortonormal de L ([0, 1]).
4.4. O OUVIDO HUMANO E A TRANSFORMADA DE WAVELETS. 57
Figura 4.2: Cclea e rgo de Corti. [4]
A transformada de Haar ou transformada de Wavelets de uma funo

real f denida por:
Z 1
THaar f (m, n) = Hm,n (t)f (t) dt.
0
No caso de uma mensagem discreta, conveniente assumir que o nmero

de leituras potncia de dois. Por exemplo, se temos 8 leituras, a mensagem
um vetor de R8 e a base de Haar dada pelas colunas da matriz
2
2 1

2

4 4 2 0 2 0 0 0
2 2 1
0 22 0 0 0
4 4 2
2 2 2
12 0 0 0 0

4 4 2

2 2
12 22

4 4 0 0 0

0
H3 = 2
.
4 42 0 1
2 0 0 2
2 0

2
42 0 1
0 0 22 0

4 2

2

4
42 0 21 0 0 0 2
2

2
4 42 0 21 0 0 0 22
As matrizes Hn (ou matrizes de Haar assim construdas so ortogonais.
4.4 O ouvido humano e a transformada de Wa-

velets.
A cclea o rgo responsvel pela audio humana. O sinal sonoro
amplicado mecanicamente no tmpano, e se propaga em meio lquido no
interior da cclea (Ver gura 4.2).
Figura 4.3: Acima: funo de Haar e sua transformada de Fourier. Embaixo:

funo chapu Mexicano e detalhe da sua transformada de Fourier
O rgo de Corti, dentro da cclea, est recoberto de clulas ciliares, que

fazem a transio para o nervo auditivo. H dois tipos de clulas ciliares.
As curtas, ou estereoclios, ao se deslocar por fora do sinal sonoro,

abrem canais inicos pelos quais estimulam (ou desestimulam) os terminais
do nervo auditivo. Por conta desse mecanismo, o sinal nervoso gerado por
cada estereoclio localizado no tempo.
As clulas ciliares longas ou quineclios entram em ressonncia com o

sinal sonoro, amplicando-o. A freqncia de vibrao dos quineclios afe-
tada por sinais nervosos. Assim, o ouvido sintoniza as principais freqn-
cias recebidas em determinado momento.
Cada seo da cclea corresponde a uma certa faixa de freqncias.

Dessa forma, a cclea j decompe o sinal em freqncias, e os quineclios
fazem a sintonia na.
As bases de Wavelets tentam imitar o processo acima. A compresso

por transformada de Wavelets trunca exatamente a parte do sinal sonoro
4.5. O PADRO MP3 E OS CODECS 59
que ns no ouvimos.
Um exemplo de Wavelets gerada pela funo do chapu Mexicano,

2 3 1/4 2
(x) = (1 x2 )ex /2 .
3
(Ver gura 4.3). A base de Wavelets gerada da mesma maneira do que
a base de Haar:
m,n (t) = 2m/2 (2m t n) .
Existe hoje uma quantidade absurda de bases de Wavelets disponveis.
Em processamento de sinais, utiliza-se inclusive pacotes de Wavelets, que
so conjuntos geradores do espao das funes (os vetores da base no
precisam ser linearmente independentes).
4.5 O padro MP3 e os CODECs

O padro MP3 ou MPEG-1 Audio Layer 3 est baseado em um modelo
psicoacstico. Vimos na seo anterior que os quineclios no rgo de Corti
sintonizam as principais freqncias do sinal sonoro.
Se o ouvido est sintonizado em uma certa gama de freqncias (por
exemplo, as utilizadas em uma composio musical), sinais relativamente
fracos em freqncias vizinhas no encontram ressonncia, pois os quinec-
lios correspondentes esto nas freqncias principais. Por isso, deixamos de
perceber essa parte do sinal.
A compresso MP3 utiliza esse fato. O sinal primeiro dividido em
pequenos intervalos de tempo, cada um correspondendo a 1152 leituras para
cada canal de udio.
A primeira etapa da codicao feita pelo chamado ltro de quadratura
polifase . O som em cada intervalo dividido por freqncias em 32 bandas.
Simultaneamente, o som sofre uma transformada de Fourier discreta e
analisado pelo modelo psicoacstico. Esse modelo permite eliminar as
freqncias no audveis (escondidas por sinais de maior intensidade em
freqncias na mesma banda) e realar sinais que exigem maior resoluo
no domnio do tempo.
Mais uma transformada de Fourier (de fato, transformada do cosseno)
aplicada a cada uma das 32 bandas, dividindo cada banda em 18 freqn-
cias. Os parmetros dessa ltima transformada so fornecidos pelo modelo
psicoacstico.
Depois disso, o sinal discretizado (ainda sob controle do modelo psi-
coacstico) e os valores discretos so comprimidos pelo cdigo de Human
(Ver exerccios 4.74.9).
Os detalhes da codicao so extremamente complicados, e no so

denidos pelo padro MP3. O que o padro dene a decodicao.
Mais detalhes podem ser encontrados em [2]. Em particular, sugiro o

artigo de Rassol Raissi, The theory behind MP3, Dezembro de 2002.
Existe uma quantidade enorme de padres de udio e vdeo disponveis.

Como impossvel escrever um programa capaz de ler todos os padres
existentes, os codicadores/decodicadores (os codec infames) podem ser
distribudos a parte. Por exemplo, MP3 e Vorbis so padres denidos por
codec.
O padro MP3 hoje um padro industrial dominante. Tem a desvan-
tagem de ser protegido por patentes.
O padro Vorbis tem a vantagem de ser software livre. O algoritmo

aparentemente mais simples, e inclui uma transformada discreta do cosseno
e a codicao em separado do piso e do resduo. O piso uma funo
linear por partes que aproxima o espectro do sinal em um dado intervalo de
tempo. O resduo a diferena entre o espectro e o piso. Resduo e espectro
so depois truncados e armazenados via cdigo de Human (Ex. 4.74.9).
4.6 Compresso de imagem e de vdeo

A compresso de imagens e de vdeos potencialmente muito mais compli-
cada do que a compresso de udio.
Por exemplo, a compresso no padro JPEG segue os seguintes passos:

em primeiro lugar, as cores so codicadas em um sistema conhecido como
YCbCr (usado por exemplo no padro PAL-M de televiso). O olho humano
mais sensvel ao brilho Y do que cor (representada por Cr e Cb). Assim,
a cor truncada. A partir deste momento, cada sinal (Y, Cr e Cb) tratado
separadamente.
Cada um dos canais Y, Cr e Cb dividido em blocos de 88 pxeis.

Cada bloco ento objeto de uma transformada discreta do cosseno bidi-
mensional.
O resultado uma descrio de cada bloco por 88 bifreqncias.

Nossos olhos so mais sensveis s baixas do que s altas freqncias. Por
isso, a preciso utilizada para as baixas freqncias muito maior do que a
das altas freqncias, que so truncadas.
Depois disso, o sinal discretizado e codicado com cdigo de Human.

4.7. A TELEVISO DIGITAL. 61
4.7 A televiso digital.

O padro MP4 (alis MPEG-4 Parte 14) na verdade um meta-padro, com
vrioscodec de udio e vdeo disponveis. Por exemplo, o H.264 (tambm
conhecido como MPEG-4 Parte 10, ou ainda AVC) o codec mais popular
para a compresso de vdeo, e aparentemente ser o padro de alta resoluo
utilizado pela TV digital Brasileira[1].
No padro H.264, cada quadro de vdeo (imagem) dividida em blocos
(4 4, 8 8 ou 16 16 pixeis). O algoritmo bsico de codicao a
aplicao de uma transformada discreta do cosseno bidimensional (mesma
estratgia do que no JPEG), e os resultados so truncados.
Para se obter uma compresso signicativamente melhor do que a do
JPEG, o padro H.264 permite codicar cada bloco nos modos intra e inter.
No modo intra, cada bloco comprimido comparado com outros blocos
j codicados. Apenas a diferena precisa ser armazenada.
No modo inter, o bloco armazenado como combinao de blocos de
quadros j armazenados. Um vetor de deslocamento pode ser utilizado
para comprimir objetos em movimento[3].
4.8 Concluses
Assim, vemos que uma das peas fundamentais em processamento de sinais
a aplicao de transformaes ortogonais ao espao de sinais. Transfor-
maes ortogonais preservam o produto interno do espao de sinais ( um
grupo de transformaes que preserva a geometria desse espao). Elas no
amplicam rudos no sinal.
Existem algoritmos extremamente rpidos para calcular as transforma-
es mais usuais ( t e assemelhadas, e transformada de Wavelets) em tempo
real. Esses algoritmos funcionam como uma decomposio da transformada
em transformadas mais simples.
Se escolhemos a base certa, podemos obter uma boa compresso (ou uma
boa ltragem) do sinal por meio de uma projeo ortogonal (que tambm
no amplica rudos).
Aqui descrevemos alguma peas fundamentais. Mas a escolha da base
depende de uma boa modelagem do processo acstico ou visual, que no-
linear.
4.9 Exerccios
Exerccio 4.1 . Escreva a matriz de F.
Exerccio 4.2 . Mostre que

1
N
F unitria.
Exerccio 4.3. Mostre que F 2 = N I .

Exerccio 4.4. Mostre que a transformada discreta do cosseno do sinal f
proporcional transformada discreta de Fourier do sinal
g = [0 f1 0 f2 0 fT 0 fT 0 f2 0 f1 0] .
Exerccio 4.5 . Dado um sinal f de 2m leituras, mostre que a sua transfor-

mada de Haar pode ser calculada em tempo O(n). Dica: em uma primeira
passagem, separe as altas freqncias THaar f (m, n) das baixas freqn-
m1
cias, representadas por um vetor de R2 . Continue recursivamente.
Exerccio 4.6 . No topo da Figura 4.3, explique por qu aparecem freqn-

cias acima de 500, e por que motivo essa transformada de Fourier parece
simtrica.
Exerccio 4.7 . Uma rvore binria um grafo sem ciclos, com um vrtice
privilegiado chamado de raiz, e tal que todo vrtice tem grau 1 (e nesse caso
chamado de folha) ou grau 3.
Desenhe todas as rvores binrias com 4 folhas
p Rn
P
Seja um vetor de probabilidade: pi 0 e pi = 0. Mostre
que existe uma rvore binria contendo folhas numeradas 1 a n, e
tal que o comprimento do caminho entre a raiz e a i-sima folha seja
menor ou igual do que log2 pi .
Exerccio 4.8 . Nas hipteses do exerccio anterior, mostre como associar

a todo caminho de comprimento c (saindo da raiz e chegando em uma
folha i) uma seqncia binria nica s(i) de c(i) dgitos, e com a seguinte
propriedade:
Se x uma varivel aleatria discreta assumindo o valor
P i com proba-
bilidade pi , mostre que E(c(x)) pi log2 pi . O nmero da direita
chamado de entropia do vetor de probabilidade p.
Exerccio 4.9. Mostre como codicar um sinal discreto aleatrio x {1, . . . ,

n}N como uma seqncia binria, tal que se pi = Prob[x = i], ento o valor
esperado do tamanho da seqncia codicada menor ou igual do que a
entropia de p, vezes o comprimento N da mensagem original. (Assuma o
vetor p conhecido do codicador e do decodicador). O cdigo construdo
acima o cdigo de Human utilizado para compresso de mensagens
discretas.
4.9. EXERCCIOS 63
Referncias
[1] Brasil, Ministrio das Comunicaes, Sistema Brasileiro de Televiso Digital, Especi-
cao tcnica de referncia. http://sbtvd.cpqd.com.br/.
[2] Gabriel Bouvigne, MP3'TECH (pgina internet). http://www.mp3-tech.org.
[3] Iain Richardson, Vcodex (pgina internet). http://www.vcodex.com.
[4] Wikemedia Commons, Gray923.png. digitalizao da Gray's Anatomy of the Human
Body, domnio pblico. (1918).
Apndice A
Complementos de lgebra
Linear
Aqui listamos, por convenincia, alguns resultados importantes de lgebra
Linear, mencionados no corpo do texto. A prova desses resultados pode ser
achada em qualquer bom livro de lgebra Linear.
A.1 Bases e ortogonalidade

Seja E um subespao de Rn . Uma base de E uma lista ordenada de vetores
(u1 , . . . , un ) tal que:
1. Qualquer vetor x de Rn se escreve como combinao linear:
x = x1 u1 + x2 u2 + + xd ud
onde x1 , . . . , xd R.
2. Qualquer combinao linear
x = x1 u1 + x2 u2 + + xd ud ,
onde x1 , . . . , xd R, um elemento de E.

Copyright
65
66 APNDICE A. COMPLEMENTOS DE LGEBRA LINEAR
O nmero d no depende da escolha da base (isto um Teorema), e

chamado de dimenso. Os nmeros x1 , . . . , xd so chamados de coordenadas
de x.
A denio de base para subespaos de Cn a mesma, mas as coorde-
nadas (coecientes da combinao linear) so nmeros complexos. Dessa
maneira, Cn tem dimenso (complexa) n.
A base cannica de Rn ( e1 , . . . ,
en ) onde

1 0 0
0 1 0

e1 = 0 , e2 = 0 , , en = ... .

.. ..
. . 0
0 0 1
A base cannica de Cn , tambm denotada por (e1 , . . . , en ), denida

da mesma maneira.
Se x um vetor real ou complexo, ento denotamos por xk a sua
Pk -sima
coordenada na base cannica. Temos portanto, por denio: x= k xk ek .
O produto interno cannico em Rn denido por:
n
X
hu, vi = ui vi .
k=1
J o produto interno cannico em Cn :
n
X
hu, vi = u
i vi .
k=1
p
Em ambos casos, denimos kuk = hu, ui e dizemos que u e v so
ortogonais se e somente se hu, vi = 0. Se E um subespao vetorial de Rn
ou Cn , ento E o espao de todos os vetores perpendiculares a todos os
vetores de E. (E ) ) = E .
Prova-se que
A seguir, vamos utilizar a letra K para enunciar denies e resultados
que valem para K = R ou K = C:
n m
Seja A : K K uma transformao linear (que associamos a uma
matriz mn). A adjunta de A a nica transformao linear A : K
m
Kn
tal que, para todos x, y:
hAx, yi = hx, A yi.
Quando K = R, A associada transposta AT de A. Quando K = C , A

associada conjugada transposta A H T
= A de A.
A.2. BASES ORTOGONAIS, MATRIZES ORTONORMAIS 67
Denimos o ncleo e a imagem de A por
ker(A) = {x Kn : Ax = 0} kn
e
im(A) = {Ax : x Kn } km .
Teorema A.1 (do posto) . Seja A : kn km uma transformao linear.
Ento
1.
ker(A) = im(A ) ,
2.
ker(A ) = im(A) , e
3.
dim im(A) = dim im(A ) = n dim(ker(A)) = m dim(ker A ) .
O nmero dim im(A) chamado de posto de A.
A.2 Bases ortogonais, matrizes ortonormais

Uma base (u1 , . . . , ud ) de um subespao E dita ortonormal se e somente
se
1 Se i=j
hui , uj i =
0 Se i 6= j .
Uma matriz real Q dita ortogonal quando as suas colunas formam uma
base ortonormal de im(Q). Isso equivalente a:
QT Q = I.
No caso de matrizes complexas, utilizamos uma palavra diferente (a

matriz dita unitria) para a mesma denio. Uma matriz complexa Q
unitria se e somente se
Q Q = I.
O produto de duas matrizes ortogonais nn uma matriz ortogonal
n n. O conjunto das matrizes n n, munido da operao de produto
satisfaz aos axiomas de grupo (ver qualquer texto de lgebra). Esse grupo
denotado por O(n) (grupo ortogonal de ordem n).
O mesmo vale para matrizes unitrias n n, e o grupo (denotado por
U (n) chamado de grupo unitrio de ordem n.
Alm da estrutura de grupo, O(n) e U (n) so variedades diferenciveis.

Objetos combinando essas duas propriedades so chamados de grupos de
Lie. Do ponto de vista geomtrico, O(n) e U (n) so as transformaes
lineares que preservam ngulos e distncias.
A.3 Obtendo bases ortonormais

Seja u1 , . . . , ud E Kn . O processo de Gram-Schmidt
base de permite
0
produzir uma base ortonormal de E a partir dos ui s.
u1
No primeiro passo, fazemos v1 =
ku1 k .
Indutivamente, fazemos
X
wi = ui vj hvj , ui i
1j<i
e
wi
vi = .
kwi k
Desse modo, wi ortogonal a v1 , . . . , vi1 , etc...
Na prtica numrica, o processo de Gram-Schmidt substitudo por um
algoritmos sosticado, a fatorao QR.
A.4 Normas de matrizes

Denimos a norma de operador de uma matriz por:
kAk2 = max kAxk .
kxk=1
Essa denio depende da norma de vetores que foi utilizada. Neste

texto, a norma cannica. Em textos de anlise numrica, conveniente
utilizar outras normas mais fceis de calcular.
Outra norma interessante a norma de Frobenius :
sX
kAkF = |Aij |2 .
i,j
A relao entre elas :

kAk2 kAkF nkAk2 .
Uma interpretao, utilizando o Teorema 1.4 , :
qX
kAk2 = 1 , kAkF = j2 .
A.5. MATRIZES DE MRKOV 69
Agora podemos explicar a popularidade das matrizes ortogonais em an-

lise numrica. Se A uma matriz (real, complexa) nn, e queremos calcular
Ax, mas conhecemos x com preciso relativa , ento vamos conhecer Ax
com preciso relativa
kAk2 kxk
kAk2 kA1 k2 .
kAxk
Se A O(n), ento teremos kAk2 = kA1 k2 = 1. Multiplicar por A

benigno em relao ao erro acumulado.
A.5 Matrizes de Mrkov

As matrizes de Mrkov ou matrizes estocsticas modelam um sistema com
n estados, e probabilidades Mij de passar de um estado i a um estado j.
Denio A.2 . Uma Matriz de Mrkov ou Matriz Estocstica uma ma-

triz quadrada M de tamanho n n, com Mij 0 e, para toda coluna j ,
positiva
P
i Mij = 1. Ela se e somente se Mij > 0 para todos i e j .
Observao A.3 . Em parte da literatura, matrizes de Mrkov so denidas

como matrizes com coordenadas no-negativas e onde a soma das coordena-
das de cada linha 1. Assim, estamos transpondo a denio, para poder
trabalhar com um vetor coluna de probabilidades.
O principal resultado sobre matrizes de Mrkov garante (sob certas cir-

cunstncias) a existncia de um estado estacionrio, que representa a pro-
babilidade do sistema se encontrar em cada estado aps tempo innito.
Teorema A.4 (Perron-Frobenius, caso Markoviano). Seja M uma matriz de

Mrkov. Ento,
1. Se autovalor de M , ento || 1
2. 1 autovalor de M .
3. Todo autovalor de M diferente de 1 verica || < 1.
4. Existe um autovetor direita, associado ao autovalor 1, cujas coorde-
nadas so todas no-negativas.
5. Se M for positiva, ento o espao dos auto-espaos com autovalor
associado 1 tem dimenso 1.
A.6 Exerccios
Exerccio A.1 . Mostre que um subespao vetorial complexo de Cn de di-
menso d pode ser interpretado como um subespao vetorial 2d-dimensional
real de R2n , mas que a recproca no verdadeira.
Exerccio A.2. Prove o Teorema de Perron-Frobenius
Referncias
[1] Gilbert Strang, Introduction to Linear Algebra, Wellesley Cambridge Press,
2003,2005. 3rd edition.
[2] Gregorio Malajovich, lgebra Linear, 2007. Em preparao. http://www.labma.ufrj.
br/~gregorio/.
ndice
algoritmo funo
de Page e Brin, 44 de Haar, 56
para achar autovetor principal,
47 geometria
aritmtica simpltica, 33
IEEE(g), 12 tropical, 34
Google, 44
base, 53 Gre, Karl Heinrich, 25
de Haar, 56 grafo, 37
de Wavelets, 58 aresta, 37
ortonormal, 21, 54 de um digrafo, 42
bot caminho em, 37
trap, 43 ciclo em, 37
de colaborao, 39
cclea, 57
digrafo simples, 42
codec, 60 espectro de, 40
cdigo
orientado, 41
de Human, 62 perfeito, 49
vrtice, 37
Dandelin, Germinal Pierre, 26
distncia de colaborao, 39 de um digrafo, 42
grau de um, 39, 40
entropia, 62
equao H.264, 61
do calor, 40
estado JPEG, 60
estacionrio, 44
lei
fatorao de Kirchho
PLU, 9 para a corrente, 41
fazenda de links, 45 para a voltagem, 41
ltro de Ohm, 41
de quadratura, 59 Lobachevskii, Nicolai Ivnovich, 26
71
72 NDICE
matriz de Eckart e Young, 22

companheira, 14 de Perron-Frobenius, 69
de adjacncia, 39 espectral, 21
de Haar, 57 transformada
de Mrkov, 40, 44, 69 de Fourier, 53
69
positiva, discreta, 54, 59
estocstica, 69 de Fourier discreta
incidncia, 41 de curto prazo, 56
Laplaciana, 39 do cosseno, 56, 59
modelo rpida de Fourier, 54
para passeio na Web, 44
psicoacstico, 59 url ou uniform ressource locator, 42
MP3, 59
MP4, 61 valor
MPEG, 59, 61 crtico, 17

regular, 17
nmero de Erds, 39 variedade
norma algbrica, 18
de Frobenius, 11, 68 diferencivel implcita, 17
nmero
de condicionamento, 16 Web spam, 47
World Wide Web, 42
Octave, 15, 51, 54
rgo de Corti, 59
PageRank, 44
polinmio
prdo, 13
ponto
crtico, 17
regular, 17
processo
de Gram e Schmidt, 21
programa
rastejador, 43, 47
renormalizao, 30
semianel tropical, 32
teorema
da decomposio em valores sin-
gulares, 21, 46
Notas em Matemtica Aplicada
Arquivos em pdf disponveis em http://www.sbmac.org.br/notas.php
1. Restaurao de Imagens com Aplicaes em Biologia e Engenharia
Geraldo Cidade, Antnio Silva Neto e Nilson Costa Roberty
2. Fundamentos, Potencialidades e Aplicaes de Algoritmos Evolutivos
Leandro dos Santos Coelho
3. Modelos Matemticos e Mtodos Numricos em guas Subterrneas
Edson Wendlander
4. Mtodos Numricos para Equaes Diferenciais Parciais
Maria Cristina de Castro Cunha e Maria Amlia Novais Schleicher
5. Modelagem em Biomatemtica
Joyce da Silva Bevilacqua, Marat Rakov e Cludia de Lello
Courtouke Guedes
6. Mtodos de Otimizao Randmica: algoritmos genticos e simulated

annealing
Sezimria F. Pereira Saramago
7. Matemtica Aplicada Fisiologia e Epidemiologia
H.M. Yang, R. Sampaio e A. Sri Ranga
8. Uma Introduo Computao Quntica
Renato Portugal, Carlile Campos Lavor, Luiz Mariano Carvalho
e Nelson Maculan
9. Aplicaes de Anlise Fatorial de Correspondncias para Anlise de

Dados
Homero Chaib Filho
73
74
10. Modelos Matemticos baseados em autmatos celulares para Geopro-

cessamento
Marilton Sanchotene de Aguiar, Fbia Amorim da Costa,
Graaliz Pereira Dimuro e Antnio Carlos da Rocha Costa
11. Computabilidade: os limites da Computao
Regivan H. N. Santiago e Benjamn R. C. Bedregal
12. Modelagem Multiescala em Materiais e Estruturas
Fernando Rochinha e Alexandre Madureira
13. Modelagem em Biomatemtica (Coraci Malta ed.)
1 - Modelagem matemtica do comportamento eltrico de neurnios

e algumas aplicaes
Reynaldo D. Pinto
2 - Redes complexas e aplicaes nas Cincias
Jos Carlos M. Mombach
3 - Possveis nveis de complexidade na modelagem de sistemas bi-

olgicos
Henrique L. Lenzi, Waldemiro de Souza Romanha e Marcelo
Pelajo- Machado
14. A lgica na construo dos argumentos
Angela Cruz e Jos Eduardo de Almeida Moura
15. Modelagem Matemtica e Simulao Numrica em Dinmica dos Flui-

dos
Valdemir G. Ferreira, Hlio A. Navarro, Magda K. Kaibara
16. Introduo ao Tratamento da Informao nos Ensinos Fundamental e

Mdio
Marcilia Andrade Campos, Paulo Figueiredo Lima
17. Teoria dos Conjuntos Fuzzy com Aplicaes
Rosana Sueli da Motta Jafelice, Larcio Carvalho de Barros,
Rodney Carlos Bassanezi
18. Introduo Construo de Modelos de Otimizao Linear e Inteira
Socorro Rangel
75
19. Observar e Pensar, antes de Modelar
Flavio Shigeo Yamamoto, Srgio Alves, Edson P. Marques Filho,
Amauri P. de Oliveira
20. Fraes Contnuas: Propriedades e Aplicaes
Eliana Xavier Linhares de Andrade, Cleonice Ftima Bracciali
21. Uma Introduo Teoria de Cdigos
Carlile Campos Lavor, Marcelo Muniz Silva Alves, Rogrio
Monteiro de Siqueira, Sueli Irene Rodrigues Costa
22. Anlise e Processamento de Sinais
Rubens Sampaio, Edson Cataldo, Alexandre de Souza Brando
23. Introduo aos Mtodos Discretos de Anlise Numrica de EDO e

EDP
David Soares Pinto Jnior
24. Representaes Computacionais de Grafos
Llian Markenzon, Oswaldo Vernet
25. Ondas Ocenicas de Superfcie
Leandro Farina
26. Tcnicas de Modelagem de Processos Epidmicos e Evolucionrios
Domingos Alves, Henrique Fabrcio Gagliardi
27. Introduo teoria espectral de grafos com aplicaes
Nair Maria Maia de Abreu, Renata Raposo Del-Vecchio, Cybele
Tavares Maia Vinagre e Dragan Stevanovi
28. Modelagem e convexidade
Eduardo Cursi e Rubens Sampaio
29. Modelagem matemtica em nanas quantitativas em tempo discreto
Max Oliveira de Souza e Jorge Zubelli
30. Programao no linear em dois nveis: aplicao em Engenharia Me-

cnica
Ana Friedlander e Eduardo Fancello

76
31. Funes simtricas e aplicaes em Combinatria
Jos Plinio de Oliveira Santos e Robson da Silva
32. Semigrupos aplicados a sistemas dissipativos em EDP
Carlos Raposo da Cunha

Geometria de Algoritmos Numericos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Geometria de Algoritmos Numericos

Enviado por

Direitos autorais:

Formatos disponíveis

Notas em Matemtica Aplicada 36

Uberlndia, MG, Brasil

Eliana X.L. de Andrade

So Jos do Rio Preto, SP, Brasil

So Jos do Rio Preto, SP, Brasil

A Sociedade Brasileira de Matemtica Aplicada e Computacional - SB-

Sociedade Brasileira de Matemtica Aplicada e Computacional

Ttulos publicados para o XXXI CNMAC - 2008

33 Introduo Simulao Estocstica para Aturia e Finanas Usando

Hlio Crtes Vieira e Alejandro C. Frery

34 Modelos de Sustentabilidade nas Paisagens Amaznicas Alagveis

Maurcio Vieira Kritz, Jaqueline Maria da Silva e Cludia Mazza

35 Uma Introduo Dinmica Estocstica de Populaes

Leonardo Paulo Maia

36 Geometria de Algoritmos Numricos

Edmundo Capelas de Oliveira e Jayme Vaz Jnior

Veja outros ttulos da srie ao final deste livro.

Departamento de Matemtica Aplicada,

Sociedade Brasileira de Matemtica Aplicada e Computacional

Coordenao Editorial da Srie: Eliana Xavier Linhares de Andrade

Capa: Matheus Botossi Trindade

Catalogao elaborada pela Biblioteca do IBILCE/UNESP

1. Algoritmos Numricos 2. Complexidade

1 Condicionamento, e a Variedade Discriminante 9

2 A iterao de Gre, Dandelin ou Lobachevskii 25

4 A compresso do som, o mp4 e a televiso digital 51

4.3 A base de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . 56

A Complementos de lgebra Linear 65

Gregorio Malajovich, Geometria de Algoritmos Numricos. Notas em Matemtica

reas de pesquisa atuais, maior a garantia de que os resultados atuais sero

onde A uma matriz n n, e b e x so vetores em Rn . Essa equao tem

Por exemplo, o sistema

admite uma reta de solues se e somente se b3 = b1 + b2 .

tem sempre soluo para  6= 0.

Ou seja, x3 = 1/(1 ), x2 = x3 e x1 = (1 x3 )/ = 1/(1 ). No

Esses so resultados exatos e tericos, obtidos simbolicamente. Ao refa-

void resolve(float epsilon)

x[3] = 1.0 /(1.0-epsilon) ;

printf("x = [% 15.12e % 15.12e % 15.12e]\n", x[1],x[2],x[3]) ;

Podemos agora olhar para os resultados:

Quando  sucientemente pequeno, o resultado obtido para x1 zero !

1.2 Arredondamento e condicionamento

Alm disso, prova-se que kAkF 3nkLkF kU kF , onde A = P LU a

Figura 1.1: Representao de nmeros de ponto utuante em preciso sim-

Formato Preciso simples Preciso dupla IEEE-854

Figura 1.2: Padro IEEE 754. Dados tirados de /usr/include/ieee754.h

kxk kAkF kxk

Seja A = kAk2 kA1 kF . Nesse caso, obtemos:

Em outras palavras: O processo numrico utilizado para computar x

1.3 O polinmio prdo

p10 (x) = x10 55x9 + 1320x8 18150x7 + 157773x6 902055x5 +

Uma maneira de se encontrar a razes de polinmios de grau baixo pro-

A matriz companheira foi construda de maneira que f fosse o seu po-

det Cf I = (1)d f ().

Assim, reduzimos o problema de resolver um polinmio de grau d a

Uma perturbao de 0.01% em um dos coecientes provocou uma pertur-

Podemos concluir (com um pouco mais de trabalho) que o erro kzk

1.4 Teoria geral

Denio 1.1. Seja

valor crtico de F como um y Rm que seja imagem por F de um ponto

Denio 1.2. Uma subvariedade diferencivel d-dimensional M implcita

uma funo diferencivel, e 0 valor regular de F.

Existe uma parametrizao de Tx M em uma vizinhana de x M.

Se M e N so variedades e : M N , ento denimos Dx : Tx

2 A iterao de Gre, Dandelin ou Lobachevskii 25

tem sempre soluo para 6= 0.

Ou seja, x3 = 1/(1 ), x2 = x3 e x1 = (1 x3 )/ = 1/(1 ). No

Quando sucientemente pequeno, o resultado obtido para x1 zero !

Alm disso, prova-se que kAkF 3nkLkF kU kF , onde A = P LU a

Figura 1.1: Representao de nmeros de ponto utuante em preciso sim-

1.3 O polinmio prdo

Uma perturbao de 0.01% em um dos coecientes provocou uma pertur-

Denio 1.1. Seja

Denio 1.2. Uma subvariedade diferencivel d-dimensional M implcita

Se M e N so variedades e : M N , ento denimos Dx : Tx

Um problema numrico denido por um espao (ou variedade !) F de

Demonstrao: Para xar as idias, vamos assumir que m n. (No caso

um polinmio de grau d, com coecientes reais ou complexos. Para simpli-

Igualando (2.1.1) a (2.1.2), deduzimos que os coecientes do polinmio

A iterao de Gre leva o polinmio f (x) no polinmio (Gf )(x) =

Vamos denotar por gi os coecientes de g(x) = GN f (x). Como

Vamos introduzir agora uma hiptese simplicadora: assumimos tem-

onde os j so pequenos (quando R xo e k grande): uma estimativa

A soluo histrica era iterar f (x + ) e f (x ), obtendo assim |i |

At a inveno do computador digital, a iterao de Gre-Dandelin-

f (x ) = f (x) + f(x) + O(2 )

A aplicao f +f 7 Gf +DG|f f chamada em Clculo em Variedades

Denio 3.1. Um grafo simples um par G = (V, E) onde V um conjunto

Denio 3.5 . A matriz de Adjacncia AG associada a um grafo simples