Share
Embed
Transcript
126 slides
-
Aulas atrás, estudamos o básico da NumPy e da MatPlotLib.
Iniciaremos agora nosso estudo da SciPy – Scientific Python. -
E o que é, precisamente, Computação Científica Mestre? É o
que você aprenderá ao longo deste curso, Loirinha. Vou começar pelo aspecto histórico! -
Procure por Scientific Computing na Web, Surfista. Farei a busca
com o Google, Mestra. -
Peguei o retorno do Google e separei o que achei
interessante: -
Nosso Mestre já citou Maple, Mathematica e MatLab. Como ele,
a Wikipedia também indica Python e SciPy! -
O 2º que separeifoi o site da INTEL de HPC.
HPC é High Performance Computation -
Separei algumas chamadas desse site que me interessaram – estão
todas na mídia recente! -
A SciPy é a 5ª da lista retornada pelo Google.
E é reconhecida como uma biblioteca fundamental para computação científica! É com ela que trabalharemos Galileu. Atualíssima, veja a seguir: -
A EuroSciPy 2016 foi na Alemanha e a de 2015
foi na Inglaterra. -
A SciPy Latin America 2016 foi em Florianópolis de 16
à 20 de maio. -
Clicando no ícone da SciPy Library, chegamos aqui. Agora escolha
Documentation, Loirinha! -
Em Introduction temos uma breve descrição da SciPy. Lembrem-se, os
Tutoriais são para novatos! -
E agora todos os tópicos tratados na Referência, na última
versão da SciPy: Assinalei os sub- pacotes que estudaremos. -
Antes de mergulharmos fundo nas matrizes, fale um pouco sobre
Entrada/Saída Manuel. Vou listá-los, mas não entrarei em detalhes! -
Precisaremos pesquisar muito para descobrir tudo sobre Álgebra Linear Computacional
na biblioteca do castelo. -
Vou buscar com Google, Galileu! Surfista, antes disso, para chegarmos
preparados, faça uma busca na Internet por Álgebra Linear Computacional. -
Não deixem de olhar as listas indicadas de software de
análise numérica e de bibliotecas numéricas. Muita indicações importantes nesta dica! -
As primeiras estações da ferrovia, antes de Hogwarts, são paradas
obrigatórias, chamadas BLAS, LAPACK e NETLIB. Temos que desembarcar para conhecê-las. -
Antes quero mostrar a Estação da Luz e a Júlio
Prestes, na cidade de São Paulo. Hoje também são a sede do Museu da Língua Portuguesa e da Orquestra Sinfônica do Estado de São Paulo, OSESP. -
A estação Leopoldina, no Rio. Se a Princesa visse o
descaso iria chorar! Os responsáveis públicos pelo abandono deveriam ser presos! -
A Estação da Central do Brasil, também no Rio. Dias
depois do comício do Jango, veio o golpe de 64! -
• BLAS: Basic Linear Algebra Subprograms, • LAPACK: Linear Algebra
Package. Repetindo: BLAS e LAPACK, bibliotecas altamente otimizadas que implementam os algoritmos básicos de Álgebra Linear Computacional. -
Este é o principal repositório de software científico que a
comunidade científica mundial dispõe: -
O endereço para chegar aqui: http://www.netlib.org/blas/ No final, os links
para todas as rotinas da BLAS! -
Sim, Surfista. Clicando num link, somos encaminhados para a rotina
correspondente na LAPACK. O código está em FORTRAN. -
O código, criado pelo poderosíssimo feiticeiro Jack Dongarra em 1978.
A última atualização é de 2011. -
Agora vamos à biblioteca do Castelo de Hogwarts. É lá
que encontraremos o Tutorial da scipy.linalg. -
Marquei o motivo para usar a linalg da SciPy. Mas
já tem linalg na NumPy. Por que repetir? -
Antes que você pergunte, Surfista, vá ler o resto desta
discussão lá no Tutorial! -
A estrutura do tutorial Linear Algebra é a seguinte: Álgebra
linear Apresentação Rotinas básicas Decomposições Funções matriciais Matrizes especiais -
Os tópicos em rotinas básicas são : Rotinas básicas Achando
a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada -
Vamos começar pelos determinantes, que já vimos na aula passada!
E indo à referencia do scipy.linalg, nas rotinas básicas, temos: -
A resposta à tua pergunta está ao pé da página
Loirinha: por outro algoritmo. Mas vocês já provaram que o cálculo de determinantes é inviável, na prática. Então, como o pacote scipy faz isto? -
E o que é fatoração LU? Mais adiante exploraremos tudo
o que há na Linalg sobre fatorações. Em particular sobre a fatoração LU. -
Respondendo à tua pergunta Loirinha, escrevemos como um produto de
duas matrizes triangulares e : = ∙ A só tem 1’ na diagonal. Assim det = det ∙ = det ∙ det = det() -
Neste programa entramos com uma matriz A, via teclado, e
em seguida chamamos a função det(A). -
Voltando às rotinas básicas da Scipy, vejamos o que há
no tópico “Calculando normas”. Rotinas básicas Achando a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada -
A SciPy possibilita calcular diversas normas. Tanto normas de vetores
como de matrizes. -
Por enquanto, vamos examinar apenas as normas vetoriais. Veremos as
normas matriciais mais adiante. Para elas precisaremos de um pouco mais de teoria. É importantíssimo observar que todas aquelas cujo parâmetro ord é negativo não são normas. -
Surfista, apresente alguns contra-exemplos que justifiquem a última afirmação do
Mestre! Quando ord = inf temos a norma do máximo. Para ord = 1 temos a norma da soma e para ord = 2 temos norma euclidiana. Elas são anotadas ∞ , 1 e 2 respectivamente. As outras são anotadas , ( = ). -
Já provamos que 2 = 1 2 + 2 2
+ ⋯ + 2 define uma norma. A verificação que 1 = 1 + 2 + ⋯ + é uma norma é óbvia. Da mesma forma, a comprovar que ∞ = max{ 1 , 2 , ⋯ , } define uma norma também é fácil. -
Para prová-la precisamos da desigualdade de Hölder: , ≤ ′
com ′ = −1 . A dificuldade para provar que = |1 | + |2 | + ⋯ + | | é uma norma está na desigualdade triangular: + ≤ + . Ela é conhecida na literatura como desigualdade de Minkowski. -
Observem que a desigualdade de Hölder desempenha um papel análogo
ao da desigualdade de Cauchy-Schwarz. Não vamos provar nenhuma das duas. Porém, se você estiver interessado, Surfista, já sabe as palavras-chave para buscar as demonstrações. -
Na referência do SciPy encontramos os detalhes dos parâmetros para
usar a função norma: -
Mestre, parece que os valores numéricos das normas estão decrescendo
ao valor da ∞ . É verdade minha filha. Prove que para ∀ ∈ ℝ temos lim →∞ = ∞ -
Para cada norma vetorial em ∙ : ℝ → ℝ
podemos associar um subconjunto do próprio ℝ. Estou me referindo às bolas abertas de raio > 0 com centro num ponto ∈ ℝ ∙ , , = ∈ ℝ . . − < -
Para a norma euclidiana em ℝ2, é o conjunto dos
pontos em ℝ2 satisfazendo: ∙ 2, , = = (, ) ∈ ℝ2 . . − 2 < , sendo = , o centro E como 2 = 2 + 2, temos − 2 = ( − )2 + ( − )2. -
Que é o conjunto dos pontos interiores à circunferência 2
+ 2 = 1, de centro na origem e raio 1. Portanto a bola unitária na ∙ 2 , com centro na origem, corresponde ao conjunto definido pelos pontos , ∈ ℝ2 cujas coordenadas satisfazem a desigualdade 2 + 2 < 1 -
Fiz um programa que desenha a circunferência e bola unitária
em ℝ2. Vejam o resultado: -
Surfista, não vá jogar bola com 1 ou ∞ .
Você pode machucar seu pé! É, são bolas que escapam da nossa intuição euclidiana. -
Agora vamos explorar o que há na scipy.linalg para resolução
de sistemas lineares. -
Vamos ao tópico “Resolvendo sistemas lineares” de Rotinas básicas. Rotinas
básicas Achando a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada -
As rotinas básicas no Guia de Referência do scipy.linalg para
resolução de sistemas lineares. -
As características particulares da matriz do sistema linear definirão nosso
roteiro para estudar os métodos de resolução do sistema. Tipo da matriz A em Ax = b: 1. Triangular 2. Genérica 3. De banda 4. Simétrica e definida positiva (hermitiana) -
Recordando as definições: Quando todos os seus elementos fora da
diagonal são nulos: ≠ ⟹ = 0 Diagonal Quando todos os elementos acima da diagonal são nulos: < ⟹ = 0 Triangular inferior Quando todos os elementos abaixo da diagonal são nulos: > ⟹ = 0 Triangular superior -
Exemplos: −2 0 0 0 3 0 0 0 6
Diagonal 3x3 3 0 0 0 0 3 0 0 1 8 4 2 2 0 5 1 Triangular inferior 4x4 1 4 2 5 2 0 3 1 0 7 0 0 0 0 0 0 5 0 0 9 2 0 3 1 4 Triangular superior 5x5 -
= 1 4 2 5 2 0 3 1 0
7 0 0 0 0 0 0 5 0 0 9 2 0 3 1 4 det = 120 (= 1 × 3 × 5 × 2 × 4) = −3 0 0 0 −2 0 0 0 2 7 4 2 5 0 5 1 det = 0 (= −3 × 0 × 5 × 1) O determinante de uma matriz triangular é o produto dos termos da diagonal: -
Se A é uma matriz ordem n, então det =
det(). Um sistema linear = possui uma única solução quando, e apenas, quando det() ≠ 0. Os dois teoremas abaixo, são fatos sobejamente conhecidos sobre sistemas lineares e determinantes. Entretanto determinantes conduzem a conclusões erradas sobre sistemas lineares. Vejam a seguir: -
Entretanto para = 0.01 temos det = 0.01100 = 10−200,
um legítimo ZERO em qualquer computador! Então concluiríamos que o sistema não tem solução. 0 ⋮ 0 ⋯ 0 ⋮ ⋱ 0 0 0 0 1 2 ⋮ 100 = 1 1 ⋮ 1 A solução do sistema linear acima é, obviamente 1 = 2 = ⋯ = 100 = 1/ -
11 1 = 1 21 1 31 1 41 1
+22 2 +32 2 +42 2 +33 3 +43 3 = 2 = 3 +44 4 = 4 Surfista, resolva o sisteminha 4x4 aos meus pés, cuja matriz é triangular inferior. -
11 1 = 1 21 1 31 1 41 1
+22 2 +32 2 +42 2 +33 3 +43 3 = 2 = 3 +44 4 = 4 Mestra, assumindo ≠ 0 para = 1,2,3,4, temos: 1ª eq. ⇒ 1 = 1 /11 2ª eq. ⇒ 2 = (2 − 21 1 )/22 3ª eq. ⇒ 3 = 3 − (31 1 + 32 2 ) /33 4ª eq. ⇒ 4 = 4 − (41 1 + 42 2 + 43 3 ) /44 -
Surfista, observe no código que o número de multiplicações cresce
de 1 a n como uma PA de razão 1. Logo, o total de multiplicações é ( + 1)/2. Um algoritmo 2 . -
Este programa recebe uma matriz A e um vetor b.
Em seguida, chama solve(A,b) para resolver o sistema linear Ax = b. -
Uma forma de calcular a inversa de uma matriz A
é resolvendo a equação matricial = usando solve( ) -
Uma matriz = [ ] possui banda inferior k quando
= 0 para − > . E possui banda superior k, quando = 0 para − > . = × × 0 0 0 × × × 0 0 × 0 0 × × 0 × × 0 × × × × × × Eis uma matriz A com banda inferior 2 (em laranja) e banda superior 1 (em verde): -
= × × 0 0 0 × × × 0
0 × 0 0 × × 0 × × 0 × × × × × × = ∎ × × × × × × × × × × × × × × × × ∎ ∎ ∎ Se A é uma matriz 100x100 teríamos 10.000 elementos para armazenar. Nesse armazenamento de banda precisaremos apenas de 4x100-4 ∎ ∎ ∎ ∎ A ação para armazenar uma matriz de banda como essa é “esquecer os zeros e deixar cair”! Vejam só: -
= × × 0 0 0 × × × 0
0 × 0 0 × × 0 × × 0 × × × × × × = ∎ × × × × × × × × × × × × × × × × ∎ ∎ ∎ ∎ ∎ ∎ ∎ Mestre, prefiro pensar em “deitar” as diagonais. -
Esta é rotina específica da scipy.linalg para resolver sistemas lineares
cuja matriz é de banda. -
Quando é igual à sua transposta: = . Simétrica Quando
satisfaz: ≠ 0 ⟹ = ,=1 > 0 Definida positiva Quando sua transposta é a inversa: = −1 ⟺ = = Ortogonal Continuando a visita ao zoológico matricial: -
1. + = + 2. ()= 3. = 4. (
)= 5. = Observações: • De 1 e 2 decorre que matrizes simétricas constituem um subespaço do espaço de todas as matrizes. • Atenção: a 5. não permite concluir que a matriz produto é uma matriz simétrica. Algumas propriedades da transposição: -
De fato, o produto de matrizes simétricas não é uma
matriz simétrica! E, além disso, o produto também não é comutativo. Vejam os contra-exemplos! 3 2 2 1 0 1 1 −2 = 2 −1 1 0 0 1 1 −2 3 2 2 1 = 2 1 −1 0 -
A matriz A = 1 0 0 0 −2 0
0 0 3 não é definida-positiva, pois se = temos: = 1 0 0 0 −2 0 0 0 3 = = −2 3 = 2 − 22 + 32 e escolhendo = 2 1 0 obtemos = 0. -
A matriz = 5 −1 2 −1 2 2 2
2 3 é definida-positiva, pois para = temos: = − 2 + + 2 2 + 2 + 2, uma soma de quadrados, que só se anula para = = 0 0 0 . Surfista, confira essa afirmação da Mestra! -
= sen cos 0 −cos sen 0 0 0 1
sen − cos 0 cos sen 0 0 0 1 = 1 0 0 0 1 0 0 0 1 Loirinha, agora é tua vez de conferir a afirmação da Mestra! A matriz = sen − cos 0 cos sen 0 0 0 1 é ortogonal pois : -
Um zoológico bem complexo: A adjunta de = [ ],
anotada AH, é definida por = [ത ]. É a conjugada da transposta. Adjunta Quando satisfaz: = . É a correspondente de uma matriz simétrica, com elementos complexos, Hermitiana, ou auto-adjunta Quando sua adjunta é a inversa: = −1 ⟺ = = Unitária -
As matrizes ortogonais (e as unitárias, no caso complexo) desempenham
um papel fundamental em Álgebra Linear Computacional. Aguardem! -
Esta rotina é apropriada para matrizes hermitianas (simétricas no caso
real) e positivo-definidas. -
O exemplo de armazenamento do Tutorial da scipy.linalg. Armazena-se apenas
a diagonal e a banda superior (ou inferior). Em vez de 36 = 6 × 6 elementos, apenas 15 = 3 × 6 − 3. -
Esta 1ª parte do programa recebe uma matriz A (formato
de banda), um termo independente b e devolve a solução x usando a rotina para matrizes simétricas, positivo-definidas e de banda da scipy.linalg. O nome do programa é: sist_banda_sim_def_pos.py -
Esta 2ª parte apresenta a matriz A no formato padrão
n x n e confere a solução, , verificando se, de fato, = . -
Uma execução do programa. Se a matriz A não for
definida positiva, o programa acusa. Vejam a seguir. -
O 4º elemento da diagonal principal é o responsável por
tornar a matriz A não positiva definida. A linalg acusa o fato! ERRO -
Que péssimo exemplo Mestre! Por que não incluiu um tratamento
de erro, para evitar que seu programa pipocasse assim? Esta 2ª parte apresenta a matriz A no formato padrão n x n e confere a solução, , verificando se, de fato, = .