Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho 2: Sistemas
lineares
2019
1.
4 -1 0 0 0 -1 0 0 0 0 0 0 0 0 0
-1 4 -1 0 0 0 -1 0 0 0 0 0 0 0 0
0 -1 4 -1 0 0 0 -1 0 0 0 0 0 0 0
0 0 -1 4 -1 0 0 0 -1 0 0 0 0 0 0
0 0 0 -1 4 0 0 0 0 -1 0 0 0 0 0
-1 0 0 0 0 4 -1 0 0 0 -1 0 0 0 0
0 -1 0 0 0 -1 4 -1 0 0 0 -1 0 0 0
0 0 -1 0 0 0 -1 4 -1 0 0 0 -1 0 0
0 0 0 -1 0 0 0 -1 4 -1 0 0 0 -1 0
0 0 0 0 -1 0 0 0 -1 4 0 0 0 0 -1
0 0 0 0 0 -1 0 0 0 0 4 -1 0 0 0
0 0 0 0 0 0 -1 0 0 0 -1 4 -1 0 0
0 0 0 0 0 0 0 -1 0 0 0 -1 4 -1 0
0 0 0 0 0 0 0 0 -1 0 0 0 -1 4 -1
0 0 0 0 0 0 0 0 0 -1 0 0 0 -1 4
3.
100 100 100
43.19331498 53.15361465 43.19331498
0 0
19.61964526 26.22782865 19.61964526
0 0
9.05743741 12.51840943 9.05743741
0 0
4.09169495 5.73093424 4.09169495
0 0
1.57840814 2.22193763 1.57840814
0 0
0 0 0
A Tabela acima está com a mesma numeração adotada no pdf do trabalho 2, as
temperaturas dos nós está de acordo com o esperado, sendo os nós do meio os
mais quentes, já que estão mais longe dos nós fixos em 0.
Média Desvio Padrão
0.001219852 0.000311626
4.
100 100 100
50 73.53828237 81.59937888 82.67289775 75
50 62.5537506 70.1863354 74.09221214 75
50 56.49038462 62.5 68.50961538 75
50 50.90778786 54.8136646 62.4462494 75
50 42.32710225 43.40062112 51.46171763 75
25 25 25
5.
100 100 100 100 100 100 100 100 100
0 48.9400 67.5694 75.5604 79.0404 80.0358 79.0404 75.5604 67.5694 48.9400 0
0 28.1906 45.7772 55.6319 60.5654 62.0622 60.5654 55.6319 45.7772 28.1906 0
0 18.0453 31.7169 40.6247 45.5270 47.0825 45.5270 40.6247 31.7169 18.0453 0
0 12.2737 22.4204 29.6228 33.8353 35.2137 33.8353 29.6228 22.4204 12.2737 0
0 8.6292 16.0681 21.6110 24.9778 26.1018 24.9778 21.6110 16.0681 8.6292 0
0 6.1750 11.6118 15.7754 18.3629 19.2378 18.3629 15.7754 11.6118 6.1750 0
0 4.4590 8.4285 11.5158 13.4608 14.1235 13.4608 11.5158 8.4285 4.4590 0
0 3.2326 6.1274 8.3987 9.8410 10.3347 9.8410 8.3987 6.1274 3.2326 0
0 2.3441 4.4500 6.1104 7.1697 7.5333 7.1697 6.1104 4.4500 2.3441 0
0 1.6937 3.2180 4.4232 5.1941 5.4592 5.1941 4.4232 3.2180 1.6937 0
0 1.2126 2.3051 3.1702 3.7245 3.9152 3.7245 3.1702 2.3051 1.2126 0
0 0.8518 1.6195 2.2281 2.6183 2.7527 2.6183 2.2281 1.6195 0.8518 0
0 0.5749 1.0932 1.5043 1.7680 1.8588 1.7680 1.5043 1.0932 0.5749 0
0 0.3545 0.6742 0.9279 1.0906 1.1467 1.0906 0.9279 0.6742 0.3545 0
0 0.1690 0.3214 0.4423 0.5199 0.5466 0.5199 0.4423 0.3214 0.1690 0
0 0 0 0 0 0 0 0 0
Em relação ao problema com menos nós, que apresentava o valor da coluna do
meio em torno de 53º no nó mais próximo ao valor fixo superior, esta figura com
maior quantidade de nós apresenta no que seria o mesmo nó 80º, isso deixa
evidente o tamanho do erro que havia na figura com poucos nós.
O maior valor do vetor rg= 1.13686838e-13
Média desvio padrão
1.512450729 0.159296843
6.
rg Jacobi
35
30
25
20
15
10
0
0 100 200 300 400 500
Com o gráfico a seguir vemos que o método de Jacobi chega próximo ao resíduo
da eliminação gaussiana por volta da 450ª iteração.
rg Jacobi
2E-13
1,5E-13
1E-13
5E-14
0
440 442 444 446 448 450
30
25
20
15
10
0
0 100 200 300 400 500
rg GaussS
2E-13
1,5E-13
1E-13
5E-14
0
440 442 444 446 448 450
9.Supondo que a matriz seja composta de floats de 64 bits cada, tendo 105
números, a matriz A tem da ordem de n² entradas, precisaremos de (105)²*8=
80GB. Sendo que o computador que estou usando tem 8GB de ram.
Ao invés de n² números, seria necessário aproximadamente 4n+2 inteiros para
cada índice. Cada float tem 64bits=8bytes, os dois inteiros somam 1 byte, para
n=105 , temos 4*105 *(8+1)=3.6 MB.
10. Um computador típico levaria em torno de (105)³/108 =107 s(3,80 meses) para
resolver.
Porque cada linha tem aproximadamente 4 números não nulos + 2 inteiros para
cada índice. Para Gauss-Seidel que usa n², seriam necessárias 2,78 horas para
resolver o mesmo problema.
Mesmo se fosse levado em conta somente o tempo necessário, sem se importar
com o armazenamento, ainda assim seria muito mais vantajoso usar métodos
iterativos em vez de eliminação gaussiana, pois a diferença de tempo para
resolução é muito grande, eliminação gaussiana para o problema em questão
demoraria 1000 vezes mais.