Métodos Numéricos 1

Métodos Numéricos 1
CAP-INPE
Haroldo Fraga de Campos Velho

E-mail: haroldo@lac.inpe.br
Web-page: www.lac.inpe.br/~haroldo
Curso de Métodos Numéricos 1 / CAP-INPE, 2013

ÁLGEBRA NÃO LINEAR: SOLUÇÃO DE EQUAÇÕES
 Dada uma função f(x) (rela ou complexa), deseja-se

calcular a raiz:
 HISTÓRICO:
 É uma longa tradição: os árabes se destacaram.
 Bhaskara tornou conhecida a fórmula da solução da
equação: f(x) = ax2 + bx + c.
 HISTÓRICO:
 Mais tarde, Nicolo Fontana e Jerônimo Cardano
desenvolveram métodos de solução de polinômios de
3º e 4º graus.
 Niels Abel provou que polinômios de grau 5 (ou maior)
as raízes não são mais calculadas por radiciação.
 Teorema Fundamental da Álgebra (enunciado por
D’Alembert, 1746): “toda a equação polinomial de grau
n possui exatamente n raízes” (demonstrado por por
Gauss, 1799).
 HISTÓRICO:
 Atualmente, os métodos de cálculo das n raízes de
um polinômio de grau n são empregados métodos
iterativos.
 Principais métodos iterativos:
1. Métodos de partição
2. Métodos de ponto fixo
3. Métodos de múltiplos passos
 Equações não lineares podem ter qualquer número

de soluções:
 Equações não lineares podem ter qualquer número

de soluções:
 Identificando as raizes graficamente:

 As raizes podem ter multiplicidade de alta ordem:

ÁLGEBRA NÃO LINEAR: MÉTODO DA BISSECÇÃO
 Este é um método de partição em que o intervalo de

busca da solução é dividido ao meio.
 Se existe uma raiz x* no intervalo [a, b], então:
ÁLGEBRA NÃO LINEAR: MÉTODO DA BISSECÇÃO
 ALGORÍTMO DA BISSECÇÃO
ÁLGEBRA NÃO LINEAR: MÉTODO REGULA FALSI
 Este é um método de partição em que o ponto de

intersecção entre a reta que contémos pontos
(a,f(a)) e (b,f(b)) e a reta horizontal, é indicado como
um aproximante da raiz.
 Iterações do método regula falsi.

 ALGORÍTMO REGULA FALSI (FALSA POSIÇÃO)

ÁLGEBRA NÃO LINEAR: MÉTODO DA SECANTE
 Este é um método de partição. Agora a reta secante

e a reta (0, f(b)/2k), onde k é o número de iterações.
ÁLGEBRA NÃO LINEAR: MÉTODO DA SECANTE
 ALGORÍTMO DO MÉTODO DA SECANTE

ÁLGEBRA NÃO LINEAR: MÉTODO DO PONTO FIXO
 O ponto fixo de uma função é o valor x tal que:
 Muitos métodos iterativos usam iteração de ponto

fixo:
 ALGORÍTMO DE PONTO FIXO

 Convergência monótona
 Convergência alternada
 Convergência alternada e monótona:

 Divergência
ÁLGEBRA NÃO LINEAR: MÉTODO DE NEWTON
 É um método de ponto fixo, baseado em expansão

em série de Taylor:
 Se f(x) ≈ 0, então:
ÁLGEBRA NÃO LINEAR: MÉTODO DE NEWTON
 ALGORÍTMO DO MÉTODO DE NEWTON

ÁLGEBRA NÃO LINEAR: RAÍZES DE POLINÔMIOS
 RAÍZES REAIS:
 O número de raízes positivas de um polinômio é

menor ou igual ao número de variações de sinal dos
coeficientes desse polinômio.
 Além disso, a diferença entre o número de variações
de sinal e o número de raízes positivas é par.
 Teorema-1:
 O polinômio p(x) tem ao menos um zero dentro do
círculo de raio {ρ1, ρ2}, onde:
 Teorema-2:
 Os polinômios p(x) e q(x) definidos como:
 Os polinômios p(x) e q(x) tem, pela regra de

Descartes, exatamente um zero positivo cada, p(ξ)
=0 e q(η) = 0. Todos os zeros de p(x) estão na
região anular:
 Teorema-3:
 Todos os zeros de p(x) estão no círculo |x|< r, onde:
 MÉTODO DE MÜLLER:
 O método de Müller pode ser empredago tanto para
o cálculo de raízes reais, quanto raízes complexas.
 É uma generalização do método da secante.
 Partindo de 3 estimativas para uma raiz (xi, f(xi)), (xi-
1, f(xi-1)), (xi-2, f(xi-2)), uma parábola interpolante é
construida.
 Uma raiz α da parábola p(x) satisfaz:
 O denominador na 1a. Expressão é escolhido para

ser o maior valor
 Tomando raiz da parábola α ≈ xi+1 e fazendo o lado
direito da expressão (α – xi+1) como hi+1 , próxima
aproximação para a raiz será:
 A iteração segue até satisfazer um dos critérios:

 RAÍZES COMPLEXAS:
 O método de Müller funciona bem (é estável e

preciso), mas as abordagens anteriores podem ser
empregadas.
 Uma função complexa de um número complexo,
pode ser vista como um par de funções reais de
argumentos reais.
ÁLGEBRA NÃO LINEAR MULTI-DIMENSIONAL
 5.2 – MÉTODO DE NEWTON:
 Foi visto que para o caso escalar:
 Em que f(x) = 0, então constroi-se a equação de

iteração:
 MÉTODO DE NEWTON:
 Para o caso vetorial (multi-dimensional):

 Para o caso vetorial (multi-dimensional):
 Onde a matriz Jacobiana é dada for:

 ALG–5.3: MÉTODO DE NEWTON:
 O objetivo é identificar x tal que f(x) = 0, sistema

não linear de n equações com n variáveis.
 Problemas:
I. Perda de convergência
II. Cálculo da matriz Jacobiana
 MÉTODO DE NEWTON: Problema (I)

 Se:
 Usa-se a estratégia de método de Newton

amortecido. Isto é:
 Escolhe-se s tal que:

 Problema (II): A matriz Jacobiana pode ser estimada
por diferenças finitas:
 Porque pode ser difícil calcular a matriz Jacobiana?
 Veja o caso de estimativa de propriedades óticas em

oceano.
Introduction Background Results Conclusions
Hydrologic Optics
azimuthal
Light beam angle
Boundary Conditions
Polar
angle
Scattering
angle Absorption Internal
coefficient sources
Scattering medium
coefficient
Optical
Scattering
depth phase
function
Boundary Conditions
Radiative Transfer Equation (RTE)

Expresses balance between inward and outward energy and
includes attenuated and emitted energy terms.
Radiance :a measure of amount of light beam energy
where Internal
source

Attenuation coefficient :
Scattering
coefficient

Scattering
Phase function angles
Hydrological Optics – Optical properties estimation
For all analized cases in situ radiometric experimental data were considered, measured
for differents depths.
p is a vector of unknown properties (set of parameters: absoption and scattering coefficients (a,
b), or phase function)
Preliminar results were obtained with estimation of source terms, where the LTS N method the
modified ant colony system is applied.
 Resolver o problema de estimação das propriedades

óticas é simples.
 Basta achar o mínimo do funcional J(p).
 Como se calcula o mínimo de J(p)?
 Ora, o mínimo de J(p) é calculado como (porque?):
 Definindo-se:
 Nota-se que J(p) é uma quantidade escalar, mas g(p)

é uma função vetorial.
 O problema de estimação em ótica hidrológica,

passou a ser: resolver a equação abaixo:
 J(p) é quantidade escalar, mas g(p) é vetorial.

 Método de Newton: como calcular o gradiente de
g(p)?
 Quem é g(p):
 Quem é o gradiente de g(p):

 Aplicando o método de Newton:
 O objetivo é identificar p tal que g(p) = 0:

 Gradiente de J(p):
 Gradiente de g(p):
 5.3 – ITERAÇÃO DE PONTO FIXO E RELAXAÇÃO:
 Escrevendo f(x) como f(x) = x – g(x), então pode-se

trabalhar com o processo iterativo:
 O método de Newton é uma iteração de ponto fixo:

 5.3 – ITERAÇÃO DE PONTO FIXO E RELAXAÇÃO:
 Métodos quasi-Newton usam uma função de

iteração da forma:
 Onde C = C(x) é uma matriz.

 Teorema 5.1:
 Suponha que uma função de iteração g mapeia
algum conjunto fechado S nele mesmo, ou seja,
 E supondo que g é uma contração, isto é:

 Teorema 5.1:
1. g tem um ponto fixo em S.

2. Se x* é um ponto fixo de g em S, então a
iteração de ponto fixo, partindo de qualquer
x(0) de S converge para x*, isto é:
 Mais explicitamente:
 Consequentemente:
 Para estimar (5.13), e também (5.14), observe que:
 Pela desigualdade do triangulo:

 Ou:
 Combinando a desigualdade acima com (5.15)

obtém-se (5.13).
 Como ilustração, vamos considerar a solução de:
 Por iteração de ponto fixo. Tal esquema de iteração

pode ser baseada na noção de inversa aproximada.
 A expressão significa qualquer matriz C tal que:
 Então C é uma inversa aproximada.

 Lema 5.1:
 Se C é uma inversa aproximada da matriz A, então C
e A são inverssíveis.
 De fato, se C e A não são inverssíveis, então pode-se
determinar x ≠ 0 tal que
 Mas:
(sem sentido!)
 Considerando C uma aproximação para a inversa da

matriz A e a função de iteração G(x):
 E a função de iteração é do tipo quase-Newton, isto

é, tem a forma:
 Considerando C uma aproximação para a inversa da

matriz A, e a função de iteração G(x):
 Consequentemente:
 Mostrando que G é uma contração sse

 Desta forma, a iteração de ponto fixo
 Convergirá para a solução única x, partindo de

qualquer estimativa inicial x(0), com erro a cada
passo da iteração reduzido pelo fator
 Exemplo 5.7: Suponha matriz A é uma matriz

diagonalmente dominante por linhas, ou seja:
 Onde: é a diagonal de A.
 Então:
 A relação anterior mostra que D-1 é uma inversa

aproximada para a matriz A.
 O esquema de iteração correspondente é:
 É chamado de método de Jacobi.

 Em notação indicial:
 Atenção:
 Uma matriz C pode ser uma inversa aproximada da
matriz A mesmo que:
 A condição anterior: , é uma condição

necessária, mas não suficiente.
 Teorema 5.2:
 Seja ρ(B) o raio espectral da matriz B, isto é:
 Então existe, para ε > 0, uma norma vetorial que

satisfaz:
 Teorema 5.2:
 Conclui-se que C é uma inversa aproximada de uma
matriz A se e somente se:
 Pode ser observado que o erro e(m) = x* - x(m) na m-

ésima iteração de ponto fixo
 Para o cáculo da solução de Ax=b satizfaz:
 Então: e(m) = Bme(0) com B = I – CA.

 Isto mostra que a seqüência de erros e(0), e(1), ... tem

uma forma semelhante ao que foi discutido no
método da potência.
 Assim, a correspondente seqüência normalizada:
 Em geral, converge para um autovetor de B = I – CA,

associado ao maior autovalor, em módulo, de B:
 Então, eventualmente, o erro é reduzido em cada

passo da iteração
 Por um fator ρ(B), com B = I – CA.

 Como vimos, a iteração de Jacobi usa D-1 com um

aproxiamante da inversa de A, ou seja:
 Nesta circunstância, poderíamos esperar que a parte

triangular inferior (L + D) de seja uma aproximação
melhor para A-1.
 Ou seja, espera-se que:
 Assim, a iteração de ponto fixo com C = (L + D)-1

poderia acelerar a convergência.
 Isto é verdadeiro para várias classes de matrizes:
 A é diagonalmente dominante por linhas,
 A é triangular,
 A elementos na diagonal positivos e não-positivos
fora da dela.
 A iteração de ponto fixo com C = (L + D)-1 é

chamada de iteração de Gauss-Seidel (ou método
dos deslocamentos sucessivos).
 Neste método tem-se;
 Entre muitas técnicas de aceleração da convergência

mecionamos a de sobre-relação sucessiva ou SOR
(Sucessive OverRelaxation).
 Na SOR, é feita uma alteração no passo de iteração

de Gauss-Seidel.
 Ao invés de tomar:
0 1
 O processo iterativo é alterado para:
(1 – ω) ω
 Para a iteração de Gauss-Seidel: ω = 1.

 Com ω o parâmetro de sobre-relação.

 Assim, explicitamente, a iteração é da forma:
 Assim, explicitamente, a iteração é da forma:
 E a matriz de iteração:
 Em teoria, o parâmetro de sobre-relaxação ω é

escolhido a fim de tornar ρ(I-CωA) o menor valor
possível.
 Esta é uma tarefa mais difícil do que resolver o
sistema linear Ax = b.
 Muitas vezes este parâmetro é determinado por
experimentação.
 A escolha típica é:
 Os métodos iterativos são comumente aplicados:
 Sistemas lineares de grande dimensão, com

matrizes dos coeficientes tipo esparsa.
 Matrizes esparsas tem poucos elementos nã nulos.

Assim as operações aritméticas realizadas a cada
passo são poucas, diminuindo o problema com erro
de arredondamento.
 Exemplo 5.7:
 Para o sistema, use o método de Jacobi, Gauss-Seidel
e SOR:
 Sub-relaxação (ω < 1):
 Algumas vezes se usa esta estratégia quando há

perda de convergência no método de Gauss-Seidel
ou Jacobi.
 Gauss-Seidel e Jacobi em Sistemas Não-Lineares:
 A mesma filosofia dos métodos de Gauss-Seidel

e Jacobi podem ser aplicadas a problemas não
lineares.
 Neste caso, o método é chamado simplesmente de
método de relaxação.
 Aplicando o método de relaxação: o objetivo é

calcular a raiz do problemas não linear:
 Relaxação de Jacobi (por componente):
 Relaxação de Gauss-Seidel (por componente):

 5.1 – MÉTODO DA MÁXIMA DESCIDA:
 Otimização é quando queremos calcular o máximo

ou o mínimo de uma função custo: min f(x) .
 Onde f(x) é uma função escalar e x é vetor multi-
dimensional.
 Uma condição para determinar o mínimo da função
f(x) é encontrar x tal que:
 O gradiente da função f(x) é uma função vetorial.

 Denotando:
 A derivada de g(t), torna-se:

 O número g’(0) dá informação sobre como se

comporta a função f(x).
 A função f(x) aumenta em todas as direções u com
ângulos menores do que 90o com .
 Pois:
 onde θ é o ângulo entre os vetores u e .

 Duas situações são possíveis:
 Caso-1: valor máximo quando u é paralelo a

 Caso-2: valor máximo quando u é paralelo a
 Exemplo 5.1:
 Queremos calcular os pontos críticos, em que:

 Exemplo 5.1:
 Há 4 pontos críticos:
 Considerando as regiões do plano (x1,x2) cortadas

pelas curvas:
Direções do gradiente de
 Exemplo 5.1:
 Análise para direção do gradiente:
 O gradiente é negativo entre estas retas e positivo

no resto do dominio.
 Exemplo 5.1:
 Análise para direção do gradiente:
 O gradiente é negativo entre estas retas e positivo

no resto do dominio.
 Exemplo 5.1:
 Fica claro que o ponto crítico (0, -2) é um máximo
local (todos os gradientes na vizinhança apontam
para este ponto).
 Fica claro que o ponto crítico (4/3, 0) é um mínimo
local (todos os gradientes na vizinhança se afastam
deste ponto).
mínimo
máximo
 Dada uma aproximação x do mínimo x* da função

f(x), busca-se o mínimo de f(x) mais próximo de x
na direção de .
 Isto significa determinar o valor de t* > 0 da função

escalar:
 ALG–5.1: MÉTODO DA MÁXIMA DESCIDA
 Dada uma função suave f(x) do n-vetor x, com uma

estimativa inicial x(0) do mínimo:
 Exemplo: MÉTODO DA MÁXIMA DESCIDA

 Realizando a busca na linha ao longo da direção

negativa do gradiente:
 Isto é:
 O mínimo exato é:
 Calculando o mínimo:
 Calculando o mínimo:
 Realizando a busca na linha ao longo da direção

negativa do gradiente:
 O mínimo exato é:
 A próxima aproximação:


Métodos Numéricos 1

Enviado por

Dados do documento

Descrição original:

Título original

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

Métodos Numéricos 1

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Numéricos 1

Haroldo Fraga de Campos Velho

Curso de Métodos Numéricos 1 / CAP-INPE, 2013

 Dada uma função f(x) (rela ou complexa), deseja-se

 Principais métodos iterativos:

 Equações não lineares podem ter qualquer número

 Equações não lineares podem ter qualquer número

 Identificando as raizes graficamente:

 As raizes podem ter multiplicidade de alta ordem:

 Este é um método de partição em que o intervalo de

 Este é um método de partição em que o ponto de

 Iterações do método regula falsi.

 ALGORÍTMO REGULA FALSI (FALSA POSIÇÃO)

 Este é um método de partição. Agora a reta secante

 ALGORÍTMO DO MÉTODO DA SECANTE

 O ponto fixo de uma função é o valor x tal que:

 Muitos métodos iterativos usam iteração de ponto

 ALGORÍTMO DE PONTO FIXO

 Convergência alternada e monótona:

 É um método de ponto fixo, baseado em expansão

 ALGORÍTMO DO MÉTODO DE NEWTON

 O número de raízes positivas de um polinômio é

 Os polinômios p(x) e q(x) tem, pela regra de

 O denominador na 1a. Expressão é escolhido para

 A iteração segue até satisfazer um dos critérios:

 O método de Müller funciona bem (é estável e

 5.2 – MÉTODO DE NEWTON:

 Foi visto que para o caso escalar:

 Em que f(x) = 0, então constroi-se a equação de

 Para o caso vetorial (multi-dimensional):

 Para o caso vetorial (multi-dimensional):

 Onde a matriz Jacobiana é dada for:

 ALG–5.3: MÉTODO DE NEWTON:

 O objetivo é identificar x tal que f(x) = 0, sistema

 MÉTODO DE NEWTON: Problema (I)

 Usa-se a estratégia de método de Newton

 Escolhe-se s tal que:

 Veja o caso de estimativa de propriedades óticas em

Radiative Transfer Equation (RTE)

Radiance :a measure of amount of light beam energy

Radiative Transfer Equation (RTE)

Radiative Transfer Equation (RTE)

 Resolver o problema de estimação das propriedades

 Nota-se que J(p) é uma quantidade escalar, mas g(p)

 O problema de estimação em ótica hidrológica,

 J(p) é quantidade escalar, mas g(p) é vetorial.

 Quem é o gradiente de g(p):

 Aplicando o método de Newton:

 O objetivo é identificar p tal que g(p) = 0:

 5.3 – ITERAÇÃO DE PONTO FIXO E RELAXAÇÃO:

 Escrevendo f(x) como f(x) = x – g(x), então pode-se

 O método de Newton é uma iteração de ponto fixo:

 5.3 – ITERAÇÃO DE PONTO FIXO E RELAXAÇÃO:

 Métodos quasi-Newton usam uma função de

 Onde C = C(x) é uma matriz.

 E supondo que g é uma contração, isto é:

1. g tem um ponto fixo em S.

 Para estimar (5.13), e também (5.14), observe que:

 Pela desigualdade do triangulo:

 Combinando a desigualdade acima com (5.15)

 Como ilustração, vamos considerar a solução de:

 Por iteração de ponto fixo. Tal esquema de iteração