Escolar Documentos
Profissional Documentos
Cultura Documentos
Editores
Clia A. Zorzo Barcelos
Universidade Federal de Uberlndia - UFU
Maurlio Boaventura
Universidade Estadual Paulista - UNESP
Gregorio Malajovich
gregorio@ufrj.br
Editora: SBMAC
Impresso na Grca:
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.
ISBN ??
CDD - 51
Contedo
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
5
6
7
8
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)
0 0 1 b1
0 1 0 x = b2
0 1 1 b3
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
0 1 1
0 1 x = 0 .
0 0 1 1
#include <stdio.h>
#include <math.h>
main()
{
1.2. ARREDONDAMENTO E CONDICIONAMENTO 11
resolve(pow(2.0, -21)) ;
resolve(pow(2.0, -22)) ;
resolve(pow(2.0, -23)) ;
resolve(pow(2.0, -24)) ;
resolve(pow(2.0, -25)) ;
resolve(pow(2.0, -26)) ;
}
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]
(A + A) x = b .
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
A .
kx + xk kAkF
pd (x) = (x 1)(x 2) (x d) .
Por exemplo,
0 1 0 0
.. .. .
.
. . .
Cf = .. .. . .
. . .
.
0 1
f0 f1 fd2 fd1
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
16 AULA 1. CONDICIONAMENTO, E A VARIEDADE DISCRIMINANTE
9.0089
7.9624
7.0807
5.8673
5.1327
3.9193
3.0376
1.9911
1.0010
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
kf k p
f () degf max(1, ||)degf .
kf k
1.4. TEORIA GERAL 17
F : Rn Rm
x 7 F (x)
Tx M = ker DFx .
Variedade de incidncia
Ponto regular
2 Pontos crticos
1
Valores crticos F
Valor regular
{A : det A = 0} .
f0 f1
.. . ..
.
f1 . . .
.. ..
.
f0 (d 1)fd1 .
det ... ..
=0.
f1 dfd . f1
. .. .. .
. .
fd . . . .
.. . ..
.
. . . (d 1)fd1
fd dfd
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.
i = kAvi k
E = {Ax : kxk 1} .
A = kAk2 kA1 kF .
A = U V
1.7. OS PROBLEMAS MAL CONDICIONADOS 23
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.
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-
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
|1 | |2 | |d | .
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
min(j,dj)
X
(Gf )j = (1)ji fj+i fji .
i= min(j,dj)
g(x) = GN f (x) = (G
| G {z
G})(f ) (x) .
N vezes
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
28 AULA 2. A ITERAO DE GRFFE, DANDELIN OU LOBACHEVSKII
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
1. Como lidar com razes com o mesmo mdulo ? Por exemplo, f1 (x) =
x2 2x + 1 ?
Ou ainda:
(N )
rk = 2N log |gk |
(N )
i = arg gk
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
v : R S1 Pd
(r, ) 7 c0 1 : c1 er+i : : cd edr+di
S iremos derivar o algoritmo uma vez e para ' 0. Por isso, escrevemos:
N N
Zj + Z j = (j + )2 + O(2 ) = j2 (1 + 2N j1 ) + O(2 ) .
34 AULA 2. A ITERAO DE GRFFE, DANDELIN OU LOBACHEVSKII
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:
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 2.4 . 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
k k
max r s
k
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].
36 AULA 2. A ITERAO DE GRFFE, DANDELIN OU LOBACHEVSKII
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).
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.
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
1 Se {a, b} E
(AG )a,b =
0 Em todos os outros casos.
G = AG DG
1 Ver em: ams.impa.br
40 AULA 3. A PROCURA NA WEB
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) .
u(t + 1) = I + H u(t) .
ku(t) u k e2 t ku(0)k .
Quanto mais negativo for 2 , mais robusta e eciente uma rede de comu-
nicaes.
IGT i = 0 .
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 ,
1
Ra,b Se (a, b) ou (b, a) E
(AG )a,b =
0 Em todos os outros casos.
IGT R1 IG = AG DG = G .
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.
1 Se (b, a) E
(TG )a,b =
0 Em todos os outros casos.
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
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'
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) ;
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:
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 !
(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.
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
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.
50 AULA 3. A PROCURA NA WEB
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)
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.
Z 1
hf, gi = f(t)g(t) dt.
0
Z 1
f(s) = f (t)e2ist dt
0
X
hfs , gs i = f gs .
s
sZ
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.
54 AULA 4. A COMPRESSO DO SOM, O MP4 E A TELEVISO DIGITAL
Z 1
kt 7 e2its k2 = 1 dt = 1
0
Z 1
ht 7 e2its1 , t 7 e2its2 i = e2it(s2 s1 ) dt = 0.
0
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).
f = F(f ) de CN onde
F : CN CN
PN 1 .
f 7
f = F(f ) onde fj = k=0 fk e2ijk/N
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).
56 AULA 4. A COMPRESSO DO SOM, O MP4 E A TELEVISO DIGITAL
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
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.
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).
4.8 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.
62 AULA 4. A COMPRESSO DO SOM, O MP4 E A TELEVISO DIGITAL
g = [0 f1 0 f2 0 fT 0 fT 0 f2 0 f1 0] .
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 .
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).
64 AULA 4. A COMPRESSO DO SOM, O MP4 E A TELEVISO DIGITAL
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.
x = x1 u1 + x2 u2 + + xd ud
onde x1 , . . . , xd R.
x = x1 u1 + x2 u2 + + xd ud ,
onde x1 , . . . , xd R, um elemento de E.
65
66 APNDICE A. COMPLEMENTOS DE LGEBRA LINEAR
n
X
hu, vi = ui vi .
k=1
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:
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 ) .
QT Q = 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.
kAk2 kxk
kAk2 kA1 k2 .
kAxk
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
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
Edson Wendlander
5. Modelagem em Biomatemtica
Courtouke Guedes
e Nelson Maculan
73
74
Reynaldo D. Pinto
Pelajo- Machado
Socorro Rangel
75
Amauri P. de Oliveira
Leandro Farina