Академический Документы
Профессиональный Документы
Культура Документы
1
1.1
Normas e Erros
Tipos de Norma
Uma noc
ao importante em matematica e a norma de um objeto matematico,
por exemplo a norma de matrizes ou a norma de um operador. A definicao de
norma e uma func
ao ||: X R+ tal que tenha as propriedades abaixo:
|u| 0
(1)
|u| = 0 u = 0
(2)
(3)
|u + v| |u| + |v|
(4)
n|A|
1
1.2
Erros Num
ericos
Em analise numerica, os erros de uma simulacao pode ser dividido em dois tipos
segundo a forma que eles sao gerados; o primeiro sendo o erro de truncamento,
que consiste no erro gerado atraves da aproximacao numerica, como por exemplo,
o erro de somente utiliza os primeiros n termos da serie de Taylor; o segundo erro
e o erro de arredondamento, que e o erro devido a limitacao da representacao
dos dados, por exemplo, dividir o menor valor possvel por 2.
Exerccio: Investigue quais sao os menores erros de arredondamento para
todos os tipos basicos de n
umeros da linguagem escolhida, e caso nao haja o
limite o porque disso.
Otimiza
c
ao
Diversos problemas de engenharia podem ser descritos como achar uma solucao
otima para um problema, por exemplo como achar o menor caminho entre dois
pontos ou achar a solucao de menor custo. Assim ser
a revisado alguns metodos
de otimizac
ao.
2.1
Primeiro Exemplo
Uma das primeiras formas de otimizar que todo engenheiro apreende no comeco
da faculdade e a famosa regra, deriva iguala a zero.
f = 0
Exerccio: Encontre o vetor x que resolve o problema de minimizacao: minxR2 f (x) =
1 t
t
2 x Ax x b, onde A e b :
1
A=
3
2.2
3
1
,b=
4
0
Condic
ao de KKT
Alem de tentar otimizar somente a funcao objetivo, pode ser necessario colocar
mais condicoes, como por exemplo a solucao esteja em um determinado intervalo
de valores. Essas condic
oes chamamos de restricoes do problema.
minxRn f (x)
sujeito gi (x) 0
sujeito hi (x) = 0
Uma das formas de otimizar problemas nao-lineares e utilizar as condicoes de
Karish-Kuhn-Tucker(KKT), onde supondo que as funcoes g e f sao diferenci
aveis,
pode-se achar constantes i e i tais que:
P
P
P
P
i + |i | 0
2
2.3
Func
ao Penalidade
2.4
M
etodo de Nelder-Mead
3. Contra
c
ao Se f (xr ) f (xs ), compute o ponto de contracao, usando a
formula xc = c + (y c), onde y = xr se f (xr ) f (xs ) < f (xh ) ou y =
xh se f (xh ) f (xr ).
Figure 3: Contrac
ao. Adaptado de http://www.scholarpedia.org/article/
Nelder-Mead_algorithm
4. Encolhimento Calcule os novos n vertices do simplex tais que xj =
xl + (xj xl) e calcule f(xj ) , para toda j=0,. . . ,n , tal que j6=l
2.5
Multi-Objetivo
f (x) = x2 + (y 1)2
1
2
2
f
2 (x) = (x 1) + y + 2
f3 (x) = x2 + (y + 1)2 + 1
Pontos Fixos
3.1
O primeiro teorema de ponto fixo que sera estudado e o Ponto Fixo de Banach
que e utilizado na teoria de Equacoes Diferenciais Ordinarias para achar solucoes
dessas equac
oes, que est
ao representadas abaixo:
(
dx
dt = f (t, x(t))
x(0) = x0
A ideia para achar solucoes para essas equacoes e mostrar que a funcao fluxo,
f (t, x(t)), e uma funcao Lipschitz continua, ou seja |f (t, x(t)) f (t, y(t))|
L|x(t) y(t)|, e usar isso para construir um operador contratil. A partir do
operador contratil use-se teorema de ponto fixo de Banach para achar o ponto
fixo dessa contrac
ao. Logo abaixo, segue o enunciado do teorema.
Teorema Suponha que X seja um espaco metrico completo1 e seja T: X X
uma contrac
ao, ent
ao existe um u
nico ponto fixo.
Exerccio: Use o metodo de ponto fixo de Banach para achar a solucao da EDO
abaixo:
(
dx
dt = f (t, x(t)) = 0.7x
x(0) = 1
Para isso itere sobre o seguinte operador, usando como x0 (t) = x(0).
Z t
xn+1 (t) = x(0) +
f (t, xn (t))dt
0
3.2
Monte Carlo
4.1
N
umeros Pseudos Aleat
orios
A geracao de n
umeros pseudo-aleatorios num computador e realizada atraves
de algoritmos determinsticos, que mesmo que cria uma lista de n
umeros que
aparenta ser aleat
oria, a partir de uma semente( Um numero utilizado no comeco
do algoritmo) utilizado operac
oes determinstica. Entretanto esta sequencia se
repete depois de um certo numero de amostra. Um bom gerador de n
umeros
aleat
orios tem as seguintes caractersticas:
Uniformidade: A probabilidade de tirar um certo valor e igual ao dos outros.
Independencia: Um valor n
ao e correlacionado com outro.
Reprodutividade: Dadas as mesmas condic
oes, o algoritmo retorna o mesmo
valor.
Tamanho do Ciclo: O perodo de repetic
ao e grande.
Velocidade: O qu
ao r
apido e o algoritmo.
Consumo de Memoria: O custo de memoria para executar o algoritmo .
4.2
Integrac
ao
4.3
T
ecnicas de Reduc
ao de Vari
ancia