Share
Embed
Transcript
123 slides
-
O título deste conjunto de transparências poderia ter sido “Para
não dizer que não falei de flores” -
Por quê Mestra? Ah Loirinha, porque o conteúdo desta aula
é dado em Álgebra Linear! -
Agora vamos usar os superpoderes das NumPy, para dirigir o
magnífico calhambeque da capa pelo caminho das pedras. -
Antes, precisaremos aprender a obter fatias de ndarrays e a
operar com elas. Na NumPy, a faca para fatiar arrays é o operador : . É a ferramenta que ela oferece para cortar o pão! -
Representarei uma matriz por uma grade, como abaixo. Por que
só estou interessada nos índices. Isto basta para explicar o conceito de fatiamento. 0 1 2 3 0 1 2 3 5 Lembrem-se, em NumPy, a indexação de arrays começa por zero e não por um. -
0 1 2 3 0 1 2 3 5 Se
A é uma matriz m x n, então: • [ , : ] fornece a linha i de A; • [ ∶ , ] fornece a coluna j de A. Esta notação é idêntica à do Matlab. [1, : ] 0 1 2 3 0 1 2 3 [ ∶, 2] -
Nossa 1ª fatiada será a linha 1 de uma matriz
4x5: 0 1 2 3 0 1 2 3 5 [1, : ] Esta é outra opção, Mestra! -
Agora fatiaremos a coluna 2 de uma matriz 3x4: 0
1 2 3 0 1 2 [ ∶, 2] E agora Surfista? -
0 1 2 3 0 1 2 Se A é
uma matriz m x n, então: • [ , : ] fornece a linha i de A, de j em diante; • [ : , ] fornece a coluna j de A, de i para baixo. [1,2: ] 0 1 2 3 0 1 2 3 [ 1: , 0] -
Agora a fatia é uma parte da linha 1 de
A: da posição 2 até o final. Faça o código para a outra figura Surfista. 0 1 2 3 0 1 2 [1,2: ] -
No fatiamento devemos pensar em intervalos fechados à esquerda, mas
abertos à direita: • [ , : ] fornece a linha i de A, iniciando na coluna j e acabando na coluna k-1. • Pense em j:k como o intervalo [j, k). 0 1 2 3 0 1 2 3 4 5 [1,1: 4] : k `` = ´´ [ j, k ) -
0 1 2 3 0 1 2 3 4 5
[1,1: 4] Uma parte da linha 1, aquela correspondente aos índices [1,4) das colunas. -
Agora vejamos como pegar submatrizes, como a abaixo: 0 1
2 3 0 1 2 3 4 5 [1: 3,2: 5] -
Passei uma matriz M e peguei uma submatriz. 0 1
2 3 0 1 2 3 4 5 [1: 3,2: 5] -
Portanto, antes, elas precisam ser convertidas, usando o modificador .
A (esse A é de array): nome_da_matriz . A O produto direto de entre duas matrizes compatíveis é realizado em NumPy/SciPy através do produto delas como ndarrays. -
Carl Friedrich Gauss 30/04/1777 – 23/02/1855 Na verdade ele não
foi criado por Gauss. Ele já aparece no cap. 8 do livro chinês “Os nove capítulos sobre a arte matemática”, composto por gerações de mestres ao longo dos séculos X a II A.C. -
As honras da Alemanha à K. F. Gauss, por muitas
outras contribuições à Matemática. E as nossas também, Mestre! -
11 1 + 12 2 + ⋯ + 1 =
1 21 1 + 22 2 + ⋯ + 2 = 2 ⋯ 1 1 + 2 2 + ⋯ + = Vamos agora descrever como resolver um sistema linear como o abaixo, pelo método de eliminação. Descreveremos o processo, primeiramente, em linhas gerais, usando as equações. -
Em cada etapa utilizaremos operações elementares sobre as linhas. Elas
são três: Somar ou subtrair linhas Multiplicar uma linha por um número real Trocar duas linhas de posição Nosso objetivo será atingido após várias etapas consecutivas. -
11 1 + 12 2 + ⋯ + 1 =
1 21 1 + 22 2 + ⋯ + 2 = 2 ⋯ 1 1 + 2 2 + ⋯ + = Na 1ª etapa, eliminaremos os termos envolvendo 1 nas equações após a 1ª, efetuando operações elementares nas linhas. 11 1 + 12 2 + ⋯ + 1 = 1 22 2 + ⋯ + 2 = ෨ 2 ⋯ 2 2 + ⋯ + = ෨ Os coeficientes e os termos independentes mudam após essas operações – por isto o ~ . -
11 1 + 12 2 + ⋯ + 1 =
1 22 2 + ⋯ + 2 = ෨ 2 ⋯ 2 2 + ⋯ + = ෨ Repetimos o processo para o subsistema sem a 1ª linha: Um sistema com n-1 equações a n-1 incógnitas. -
Repetindo n-1 vezes o processo chegamos a um sistema triangular
superior. 11 1 + 12 2 + ⋯ + 1 = 1 = 22 2 + ⋯ + 2 = 2 ⋯ Todos os coeficientes e termos independentes são diferentes dos originais, exceto, talvez, na 1ª linha. -
O último passo consiste em resolver o sistema triangular. Algo
extremamente simples. A parte trabalhosa do processo consiste, portanto, em eliminarmos incógnitas nas equações. Daí o nome: processo de eliminação. Os textos de Álgebra linear falam em escalonamento. -
Sim! Como é feita, de fato, a eliminação? Mestres, vocês
descreveram o processo em linhas gerais! Só papo... -
11 12 ⋯ 1 21 22 ⋯ 2 ⋮ 1
⋮ 2 ⋱ ⋮ ⋯ 1 2 ⋮ = 1 2 ⋮ = Pois é... Agora vamos refazer tudo usando a forma matricial do sistema linear e a NumPy: -
Acrescentando o vetor b à última coluna da matriz A,
obtemos uma matriz referida na literatura como “matriz aumentada”. | = 11 12 ⋯ 1 1 21 22 ⋯ 2 2 ⋮ 1 ⋮ 2 ⋱ ⋮ ⋮ ⋯ A matriz aumentada contém todos os dados do problema. -
| = 11 12 ⋯ 1 1 21 22 ⋯
2 2 ⋮ 1 ⋮ 2 ⋱ ⋮ ⋮ ⋯ Como veremos, o processo de eliminação consiste em efetuar operações elementares sobre as linhas da matriz aumentada. Linha 1 Linha 1 Linha n Ahá! Por isso o fatiamento! -
Se 11 ≠ 0, as operações elementares são descritas por:
Linha 1 Linha 1 Linha 2 Linha 2 Linha 1 21 /11 × − Linha 3 Linha 3 Linha 1 31 /11 × − Linha n Linha n Linha 1 1 /11 × − Multiplicadores -
1 1 + 2 2 … = {1 1 +
2 2 … } − (1 /11 ){ 11 1 + 21 2 + ⋯ } 1 = 0 Nova linha i Linha 1 Antiga linha i Multiplic. Observem que os multiplicadores foram escolhidos de forma a anular todos os novos 1 abaixo do 11 . 1 /11 31 /11 Multiplicadores 21 /11 11 ≠ 0 -
As operações elementares são operações vetoriais: a multiplicação por fator
de escala e a adição de vetores! Linha i Linha i Linha 1 −1 /11 × + Número real Vetor Vetor Vetor 11 ≠ 0 -
Mestre, com o fatiamento da a NumPy essa operação com
linhas é feita num golpe só, como um Samurai! [, : ] = , : − (1 /11 ) [1, : ] Multiplic. Linha 1 Antiga linha i Nova linha i 11 ≠ 0 -
Linha 1 Linha 1 Linha 2 Linha 2 Linha 1
21 /11 × − Linha n Linha n Linha 1 1 /11 × − Sim Sherlock, na 1ª etapa: • Efetuamos − 1 divisões, para calcular os multiplicadores, • Em cada linha − 1 multiplicações e subrações • Como são − 1 linhas: • ( − 1)2 multiplicações • ( − 1)2 subtrações -
1 1 + 2 2 … = {1 1 +
2 2 … } − (1 /11 ){ 11 1 + 21 2 + ⋯ } 1 = 0 Multiplicações Atenção Surfista, como já sabemos que 1 = 0 não precisamos efetuar essa conta! Discordo, são n multiplicações e n subtrações! Subtrações -
11 1 + 12 2 + ⋯ + 1 =
1 22 2 + ⋯ + 2 = ෨ 2 ⋯ 2 2 + ⋯ + = ෨ Depois repetimos o processo para o subsistema sem a 1ª linha e assim por diante! Assim é só somar as operações em todas as n-1 etapas. Acabe esta conta Surfista! -
Sim! Como é feito, de fato, o processo de eliminação?
Torno a repetir vocês são bons de papo... E as contas? -
Fiz um programa para mostrar cada etapa do processo de
eliminação, seguindo a ideia do Surfista. Vejam o resultado. -
Linha 1 Linha 1 A NumPy é mais poderosa ainda!
Não precisamos do loop em i. Vejam todo o 1º passo de uma só vez! [1: , 1: ] = 1: , 1: − ([1: , 1]/11 ) × [1,1: ] Linha 2 Linha 3 Linha n − × Linha 2 Linha 3 Linha n 21 /11 31 /11 ,1 /11 Linha 1 11 ≠ 0 -
O 11 é intitulado “pivot”. Conforme veremos adiante, ele será
o maior da coluna. Como os pivots de basquete. Essas operações exigem que o 11 seja não-nulo: 11 ≠ 0. Caso 11 = 0 interrompemos o processo. 1 /11 31 /11 Multiplicadores 21 /11 11 ≠ 0 -
Aos meus pés uma versão sem o loop em i.
Comparem com a anterior. Mais adiante, apresentaremos uma versão aperfeiçoada. -
Neste 2º exemplo o sistema não possui uma única solução.
Na etapa 2, a 4ª equação é 0 = −10. . Portanto o sistema é impossível. -
Neste 3º exemplo o sistema não possui uma única solução.
Na etapa 1, a 3ª equação é 0. = 0. . Portanto o sistema possui uma infinidade de soluções. -
Estabelecendo uma primeira conclusão: quando possível, o final do processo
é o mesmo, um sistema triangular superior para resolver. | = 11 12 ⋯ 1 1 22 ⋯ 2 2 ⋱ ⋮ ⋮ Senão, temos que examinar, também, como termo independente evolui no processo de eliminação. -
Apontarei claramente, agora, a diferença entre um curso de Cálculo
Numérico e algo tipo: “Me engana que eu gosto, você finge que ensina e eu que aprendo”. -
Vamos examinar um caso limite nos dados do programa visto
no final da aula passada. Efetuaremos uma modificação mínima no código: apenas na forma de testar se o pivot é não-nulo. -
A modificação é realmente mínima. Apenas arredondamos o valor do
pivot para 14 casas decimais após a vírgula. Entretanto, Surfistas, observem a diferença no retorno da execução de cada código, na próxima transparência! -
Para os dados marcados em azul, o código em A
oferece a solução abaixo! A -
Para os mesmos dados o código B oferece a resposta
correta: o sistema é impossível. B -
Observe, Surfista, que a 3ª linha da matriz M, na
ETAPA 2, é nula. Em particular o pivot, ali na posição (2,2), aparece como zero - apenas, e tão somente, porque o código arredonda seus elementos para 2 casas decimais. A -
A Na verdade, para os dados em azul, o pivot
é minúsculo: menor que . . .5*10**(-14) Repetindo: Entretanto é diferente de zero, o que é testado e aceito como True no if da linha 29 do código! pivot < 0.000000000000005 -
E produzir, em seguida, o erro marcado aos meus pés.
B Erro evitado pelas linhas marcadas do código B. -
Mestre, eu nunca teria posto esse detalhe em meu programa!
Fiquei assustada. Como eu faço? Shht! Acabei de perder totalmente a confiança no meu taco! -
Pois é jovens. O momento de aprender é este. Não
permitam que os enganem! Imaginem se a consequência do erro tivesse sido esta! Há mais de 40 anos o Rio entrava em choque com o desabamento do Elevado Paulo de Frontin, no Rio Comprido, Zona Norte do Rio. A tragédia causou a morte de 28 pessoas, deixou 30 feridas, e destruiu 17 carros. Foto: CPDoc JB -
O que causou o desastre no Paulo de Frontin eu
não sei, mas o erro apresentado no código A deve-se ao desconhecimento da representação de números no computador, estabelecida pelo padrão IEEE 754 de ponto flutuante, internacionalmente adotado para computação numérica. -
Na verdade, a forma mais indicada para evitar esse tipo
de desastre é usar a função isclose() da NumPy. -
B Nossa proposta é substituir as linhas 29 e 30
do código B, que estão corretas, por algo mais pythônico, usando isclose(). -
Agora vamos repetir o programa do início destas transparências. Nesta
1ª parte apenas as mensagens mudam. -
A execução com o mesmo sistema linear que gerou problemas:
Perfeito, Mestres! -
Chega de andar a 40 km/h Agora poderemos retomar nossa
velocidade normal! -
Vamos retornar ao método da eliminação de Gauss e focar
todos os holofotes no pivot. Pivot ? O que é pivot? Até agora eles são os divisores o divisor da kª etapa. -
1 /11 31 /11 Multiplicadores 21 /11 Assumam que o
valor do pivot 11 é 11 = 0,001 = ൗ 1 1000 Portanto ao dividirmos elementos 21 , 31 , … , 1 por 11 estaremos, de fato, multiplicando-os por 1.000. -
Que horror Mestra. Isto faz propagar muito o erro absoluto.
Nossos estudos sobre número de condicionamento mostraram isso! Sim minha Loirinha querida! Faça como eu, despreze pivots pequenos, eles estragam o jogo, no final. Sempre vá em busca dos maiores possíveis. -
Uma forma de minimizar a propagação do erro absoluto consiste
em localizar o 1 de maior valor absoluto e trocar a linha i onde ele está com a linha 1 (na 1ª etapa). Depois repetir a ideia para as etapas seguintes nas quais o sistema restante sempre fica com 1 equação e 1 incógnita a menos. -
É verdade Mestra, pois então os multiplicadores ficam na faixa
de -1 à +1 e não ampliam os erros! Exatamente Loirinha querida! -
É verdade Manuel, eu mesmo já usei a np.amax() várias
vezes. Mas como fazemos para determinar a posição do valor máximo no array? -
Usem esta função para buscar a posição no array do
seu valor máximo -
Existe um método da classe matrix que faz praticamente a
mesma coisa. A diferença está marcada lá embaixo. -
Agora apresentaremos o código do método de eliminação de Gauss
com pivotamento parcial por coluna. Precisamos localizar a posição do pivot na coluna, em seguida realizar a troca das linhas, para depois efetuar a eliminação. -
O código só muda onde marquei. Em: 1. -> Busco
o elemento de módulo máximo da coluna. 2. -> Faço a troca das linhas. 1 2 -
Este é um 1º exemplo de execução. Surfista, faça outros,
semelhantes aos exemplos anteriores. 1 2 3 -
Mestre, como posso saber quais foram as trocas de linhas
efetuadas? Muito simples, Loirinha. Basta criar um vetor de inteiros, trocas = [0,1, … , − 1] e anotar as trocas nele. Veja o código. O exemplo está na próxima transparência. -
Nas próximas 31 transparências mostraremos que o método de eliminação
de Gauss pode ser descrito com operações matriciais. Teremos então a fatoração PLU. -
11 1 + 12 2 + ⋯ + 1 =
1 21 1 + 22 2 + ⋯ + 2 = 2 ⋯ 1 1 + 2 2 + ⋯ + = | = 11 12 ⋯ 1 ⋮ 1 21 22 ⋯ 2 ⋮ 2 ⋮ 1 ⋮ 2 ⋱ ⋯ ⋮ ⋮ ⋮ ⋮ Lembrem-se, escrevemos todos os dados do sistema linear na matriz aumentada: -
| = 11 12 ⋯ 1 ⋮ 1 22 ⋯
2 ⋮ 2 ⋱ ⋮ ⋮ ⋮ ⋮ | = 11 12 ⋯ 1 ⋮ 1 21 22 ⋯ 2 ⋮ 2 ⋮ 1 ⋮ 2 ⋱ ⋯ ⋮ ⋮ ⋮ ⋮ Depois efetuamos operações elementares sobre as linhas da matriz aumentada | até transformar A numa matriz triangular superior U. -
As operações elementares usadas foram: Somar ou subtrair linhas Multiplicar
uma linha por um número real Trocar duas linhas de posição E elas permitiram transformar o sistema original A x = b num sistema triangular superior U x = β, com a mesma solução x. -
• P é uma matriz de permutações (p/. trocas de
linhas) • L é uma matriz triangular inferior (L de lower) • U é a matriz triangular superior ao final da eliminação (U de upper) A fatoração PLU é o resultado final dessas multiplicações. Como o Mestre anunciou todas essas três operações elementares podem ser descritas através de multiplicações matriciais! -
Indicaremos por ↔ a matriz obtida permutando as linhas i
e j da identidade I Observem que ↔ é uma matriz simétrica, isto é ↔ = ⟷ . É fácil observar que o produto ↔ é a matriz A com suas linhas i e j trocadas. O programa a seguir mostrar isto. -
Neste programa você entra com uma matriz A pelo teclado
e com os índices i e j das linhas de A a serem trocadas. Ele retorna a matriz ⟷ e o produto ⟷ . -
= 0 1 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 Neste exemplo, mostro a identidade I com as linhas 1 e 2 e as 3 e 5 trocadas. Aliás, se P é uma matriz obtida da identidade I através de permutações de linhas, então o produto P A é a matriz A com as mesmas linhas trocadas. -
Ele permite conferir que o produto de permutações é comutativo.
Quero lembrar que, em geral, o produto matricial não é comutativo. -
Ele permite mostrar, também, que a inversa da permutação ↔
, é a permutação ↔ . -
Ele permite, ainda, mostrar que as permutações são idempotentes: 2
= . Observe, Surfista, que neste exemplo escolhi = . -
Surfista, você já reparou que as matrizes de permutação são
matrizes ortogonais? É verdade, Mestre! As colunas de uma permutação P são a base canônica de ℝ fora de ordem. = 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 -
Sim coleguinha. E da ortogonalidade segue que, se P é
uma matriz de permutações então = −1. E como elas são simétricas temos −1 = = . Aliás isto é totalmente intuitivo: a inversa −1 destroca as linhas da identidade I que foram trocadas por P. -
As operações elementares no processo de eliminação foram realizadas da
seguinte forma: Linha 1 Linha 1 Linha 2 Linha 2 Linha 1 21 /11 × − Linha 3 Linha 3 Linha 1 31 /11 × − Linha n Linha n Linha 1 1 /11 × − Multiplicadores -
1 = − 1 = 1 0 ⋯ 0 0
1 ⋮ ⋮ 0 ⋯ ⋱ 0 0 1 − 0 0 ⋯ 0 21 0 ⋮ ⋮ 1 ⋮ 0 ⋱ 0 ⋯ 0 = 1 0 ⋯ 0 −21 1 ⋯ 0 ⋮ −1 0 ⋱ ⋮ ⋯ 1 Pois é, isto corresponde a efetuar o produto 1 ∙ , Onde 1 = − 1 é a matriz de eliminação: -
E, o mais surpreendente, é que a inversa dessa matriz
de eliminação 1 = − 1 é a matriz + 1 , obtida simplesmente trocando o sinal da 1 : 1 −1 = ( − 1 )−1 = 1 0 ⋯ 0 21 1 ⋯ 0 ⋮ 1 ⋮ 0 ⋱ ⋮ ⋯ 1 = + 1 Essa é forte! Eu tenho que conferir! -
= 3 2 1 = 1 0 0 0 0
1 0 0 0 0 0 0 1 0 9 1 1 0 0 0 0 1 0 ⋮ 0 0 7 4 1 0 0 1 1 0 0 0 3 1 0 ⋮ −2 5 0 0 1 0 0 1 = = 1 0 0 0 3 1 0 0 19 188 7 67 1 0 9 1 No método de eliminação usamos um produto, de matrizes eliminadoras = 3 2 1 Como no exemplo abaixo. -
−1 = 1 0 0 0 −3 1 0 ⋮
2 −5 0 0 1 0 0 1 1 0 0 0 0 1 0 ⋮ 0 0 −7 −4 1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 1 0 −9 1 = = 1 0 0 0 −3 1 1 0 2 −5 −7 −4 1 0 −9 1 O mais surpreendente é a inversa −1 = (3 2 1 )−1= 1 −12 −1 3 −1 desse produto E. Simplesmente é a superposição das com sinal trocado -
Na realidade, ao programar, NÃO efetuamos multiplicações matriciais. É o
que mostraremos nos dois programas a seguir. Então por que motivo mostraram tudo isto? Medite um pouco sobre tua pergunta, jovem Surfista imediatista! -
Ele mostra, passo a passo, as matrizes Mult, M e
b. Ao final a solução x e o produto LU. Em cada etapa as matrizes Mult e M e o vetor b são atualizados! -
As mudanças no código da eliminação de Gauss com pivotamento,
para mostrar a fatoração PLU. Comparem com o código anterior. -
Observe, Surfista, que o produto PLU já traz as trocas
de linhas incluídas. Em cada etapa as matrizes M e L e o vetor b são atualizados! -
Quando temos a fatoração = , resolver um sistema linear
= é equivalente a resolver o sistema = , usando apenas a fatoração LU. Então Mestra, basta efetuar as trocas das linhas no termo independente b e usar a fatoração LU sem pivotamento na matriz A já com as trocas? -
Sim, ao invés de resolver 1 1 −2 0 1
−5 2 −1 3 1 3 1 1 3 −2 2 0 1 2 3 = 3 −2 0 0 Resolvemos 3 3 1 −2 1 −5 2 −1 1 1 1 1 3 −2 2 0 0 1 2 3 = 0 −2 0 3 -
Foi o que eu fiz aqui. Usei a matriz M
já com as linhas trocadas e troquei, também, as linhas do termo independente b. Depois resolvi o sistema sem pivotamento.